Mängden vatten som når vattenkraftverken har betydelse för mängden el som kan produceras. Därav är det väsentligt att veta hur mycket vatten som finns i ett område och som kan bidra till elproduktionen. I områden där nederbörden till största del faller som snö kan det vara svårt att uppskatta hur mycket vatten som finns när snön sedan smälter. Genom att mäta snöns densitet kan man på ett säkrare sätt ta reda på hur mycket vatten som finns magasinerat i snö. Projektet berör Överumans avrinningsområde vilket är ett delavrinningsområde för Umeälven. Ett avrinningsområde är det geografiska område där allt vatten inom området bidrar till vattenflödet i en punkt längre nedströms. Genom att mäta snödensitet på olika djup har olika samband kunnat tas fram. Detta har gjorts genom att dels använda ett snörör för att få upp en snökärna men också genom att gräva snöschakt. Äldre mätvärden från Vattenregleringsföretagen har också erhållits. Snöschakt har gjorts i olika terrängtyper för att se om densiteten skiljer sig mellan kalfjäll, trädgränsen och i björkskogen medan snörör har använts på en yta av 50 x 50 m för att se hur representativt ett mätvärde är för ett större område. Syftet är att undersöka eventuella samband mellan terrängtyper och densitet som kan användas för att förenkla uppskattningen av snödensiteten i ett större område. Djupen för samtliga schakt var mellan 125-150 cm och vid mätningarna med snörör varierade snödjupet mellan ca 65-210 cm. Resultatet visar på en trend där snöns densitet ökar med djupet, för att närmare botten sedan bli mindre igen. Trenden var märkbar i samtliga terrängtyper men inte i alla djupprofiler. Resultatet för den rumsliga variationen visar på att det ser ut att finnas ett samband mellan snös densitet och snödjupet, samt att densiteten inom rutnätet varierar mycket. Mätvärdena visade på en relativt jämn korrelation fram till ett avstånd på ca 30 m, därefter minskade korrelationen.  Resultaten indikerar att mätvärdena kan variera mycket både rumsligt och i en djupprofil vilket medför att ett mätvärde inte representerar området i så stor utsträckning, utan kan variera mycket. Den ojämna fördelningen av snö vilken kunde observeras kan bero på en variation av träd i området samt att terrängen lutar. Lika så varierade densiteten mellan olika vegetationstyper, men vid indelning i olika terrängtyper verkar det finns en likhet mellan värden vilka är tagna inom samma terrängtyp. Trenden med att densiteten minskar närmare marken beror på en temperaturgradient som får snön att sublimeras och sedan deponeras på nytt vilket bildar så kallad ”depth hoar”, men att det inte var märkbart i alla djupprofiler visar också på lokala skillnader i marken.  För att utveckla projektet bör fler snöschakt göras inom samma terrängtyp för att lättare kunna jämföras med varandra och se vilka som avviker, samt studera den rumsliga variationen i fler terrängtyper. Sammanfattningsvis visar projektet på att det finns en rumslig variation av såväl snödjup som densitet i terrängen även på små skalor, samt att ett samband mellan snödjup och snöns densitet går att finna i olika grad.

Snow accumulation patterns can be highly variable depending on terrain and wind. Knowledge of spatial variability of snow accumulation is of high relevance for mass balance modelling. By not incorporating the variability in snow cover, the estimation in mass fluxes and the surface melt are incorrectly presented, affecting the eventual estimation of for instance contribution to sea level rise. Additionally, knowledge of snow accumulation variability is essential for assessing the reliability of point-wise mass balance measurements. Using ground penetrating radar (GPR), the spatial variability of snow can be mapped with both a great spatial and temporal resolution. GPR enables tracing of summer surface melt layers, resulting in a 2D reconstruction of past snow accumulation and associated variability. GPR measurements have been done on Svalbard, during 2012, 2013 and 2014. Based on the selected 2009 summer surface in the GPR measurements, accumulation rates were estimated between 2009-2012; 2009-2013 and 2009-2014. In addition, several terrain parameters are computed by combining DEM calculations with wind direction, resulting in a sheltering index, slope and curvature. We explore relationships between the found accumulation pattern and the terrain parameters with varying wind directions. Correlations between terrain and accumulation depend on the selected wind angle, which appears to change with elevation. The results suggest that localized wind patterns prevail on the glacier and shape the snow cover. Katabatic winds form at low elevations on the glacier and are oriented in the glacier direction of approximately 20 degrees. At intermediate elevation, winds from the east-southeast regulate the accumulation pattern. On the upper parts of the glacier, the terrain is more exposed and winds from large-scale atmospheric circulation, at 240 degrees, become more important in formation of the snow accumulation pattern. Correlations are overall high, indicating a strong influence of terrain features on the accumulation distribution. No distinction can be made between the different terrain parameters and accumulation, all returning similar correlations with accumulation except for curvature, which overall returns slightly lower correlations. In addition, the results found great spatial variability in snow accumulation, underlining the importance of incorporating snow accumulation variability in glacier mass balance models. / Snow accumulation patterns can be highly variable depending on terrain and wind. Knowledge of spatialvariability of snow accumulation is of high relevance for mass balance modelling. By not incorporating the variability in snow cover, the estimation in mass fluxes and the surface melt are incorrectlypresented, affecting the eventual estimation of for instance contribution to sea level rise. Additionally,knowledge of snow accumulation variability is essential for assessing the reliability of point-wise mass balance measurements.Using ground penetrating radar (GPR), the spatial variability of snow can be mapped with both agreat spatial and temporal resolution. GPR enables tracing of summer surface melt layers, resulting in a 2D reconstruction of past snow accumulation and associated variability. GPR measurements have been done on Svalbard, during 2012, 2013 and 2014. Based on the selected 2009 summer surface in the GPR measurements, accumulation rates were estimated between 2009-2012; 2009-2013 and 2009-2014. In addition, several terrain parameters are computed by combining DEM calculations with wind direction, resulting in a sheltering index, slope and curvature. We explore relationships between the found accumulation pattern and the terrain parameters with varying wind directions.Correlations between terrain and accumulation depend on the selected wind angle, which appears to change with elevation. The results suggest that localized wind patterns prevail on the glacier and shape the snow cover. Katabatic winds form at low elevations on the glacier and are oriented in the glacier direction of approximately 20 degrees. At intermediate elevation, winds from the east-southeast regulate the accumulation pattern. On the upper parts of the glacier, the terrain is more exposed and winds from large-scale atmospheric circulation, at 240 degrees, become more important in formation of the snow accumulation pattern. Correlations are overall high, indicating a strong influence of terrain features on the accumulation distribution. No distinction can be made between the different terrain parameters and accumulation, all returning similar correlations with accumulation except for curvature, which overall returns slightly lower correlations. In addition, the results found great spatial variability in snowaccumulation, underlinin

En stor del av Sveriges energiproduktion kommer från vattenkraftverken. Dessa kraftverk använder sig av vattenmagasin för att hålla kvar vattenmassa och dammar för att reglera det vattenflöde som ger upphov till energiproduktionen. Efter vinterperioderna uppstår vårfloder, tillfälligt stora mängder vatten från snösmältningen, som kraftigt påverkar vattenmängden i kraftverkens vattenmagasin. Därför behöver regleringar av vattenmängden göras för att kunna ta emot den nya mängd vatten som tros tillkomma under vårfloden. Att göra korrekta prognoser för den rätta regleringen är idag svårt då de tillhörande avrinningsområdena är  tusentals kvadratkilometer stora och endast ett fåtal mätstationer finns tillgängliga. Syftet med detta projekt är att utveckla en metod för att bestämma fördelningen av snömängden i ojämn terräng, med vindriktningen som den största faktorn, för att kunna förutse avrinningens förändring under smältsäsongen.  De huvudsakliga arbetsverktyg som har använts är ArcGIS, Matlab, Excel och geostatiska metoder i kombination. Projektet är kopplat till ett nytt forskningsprojekt (SNODDAS, 2018) finansierat av Energimyndigheten som syftar till att ta fram bättre prognosmodeller för snökapaciteteten i avrinningsområden till vattenkraftsdammar. Det är ett samarbete mellan Uppsala universitet, SMHI och Vattenregleringsföretagen. Var snön kommer att hamna beror på terrängen och den dominerande vindriktningen. Därför kommer denna modell att definiera den del av terrängen som ligger upp-vind mot den dominerande vindriktningen som Sx. Modellens syfte är att beräkna snödistributionen och dess ackumulering i ett områdes höjddata med hjälp av 8 framtagna filer med olika Sx-värden för olika vindriktningar, också kallat Sheltering Index, med vindriktningar från 0º-360º med steg om 45º och sammanställda mätdata för vinterperioden 2017/2018 (19 oktober till 14 april). Det slutliga resultatet blev 61%, 63% och 90% jämfört med beräknad snövattenekvivalent av SeNorge (Norwegian Water Resources and Energy Directorate, 2019). / A large part of Sweden's energy production comes from hydroelectric power plants. These power plants use water reservoirs to retain water mass and dams to regulate the water flow that generates energy production. After the winter periods the large spring rivers, water from the snow melt, greatly affect the amount of water in the power plants' water reservoirs which makes it necessary to make regulations in order to be able to receive the amount of water that is believed to be added during the spring flows. Making accurate forecasts for the right regulations is difficult today as the associated river basins are several thousand square kilometers large and only a few measuring stations are available. This project aims to develop a method for determining the distribution of snow in uneven terrain, with the wind direction being the largest factor, in order to be able to foresee the change of runoff during the melting season. Main work tools are ArcGIS, Matlab, Excel and geostatic methods in combination. The project is linked to a new research project (SNODDAS, 2018) funded by the Swedish Energy Agency, which aims to develop better forecast models for the snow capacity in river basins to hydroelectric power dams. It is a collaboration between Uppsala University, SMHI and water regulation companies. Where the snow will end up depends on the terrain and the dominant wind direction. Therefore, this model will define the part of the terrain that lies up against the dominant wind direction as Sx. The purpose of the model is to calculate the snow distribution and its accumulation in the height data of an area with the aid of 8 files produced with different Sx values for different wind directions, also called the Sheltering Index, with wind directions from 0º-360º with steps of 45º and aggregated measurement data for the winter period 2017/2018 (19 October to 14 April). The results after calculations were 61%, 63% and 90% compared to the snow water equivalent from SeNorge (Norwegian Water Resources and Energy Directorate, 2019).

Vattenkraft är en stor källa till energi i Sverige, främst i de norra delarna av landet. För att få ut maximal potential från vattenkraftverken behövs information om hur mycket vatten eller snö det finns uppströms från kraftverken. Genom att få fram tillförlitliga värden av snömängd är det möjligt att minska osäkerheten i uppskattningarna.Eftersom det är svårt att kartera större avrinningsområden via markbundna observationer, både praktiskt och ekonomiskt, har drönarobservationer utvecklats. För att använda sig av drönare krävs det vetskap om var de ska flygas i för område för att hela avrinningsområdet ska representeras. I projektet tas en modell fram i ArcGIS för att hitta mindre områden inom avrinningsområden som ska vara representativa inom utvalda parametrar. I projektet berörs parametrarna vegetation, höjd, lutningsgrad samt dess riktning.Arbetet för att ta fram en modell som ska underlätta framtida arbete inom och utanför forskningsprojektet DRONES är uppdelat i två delar. Den första delen är att ta fram och granska vilka parametrar som påverkar snödjupet i avrinningsområdet. Den andra delen innefattar arbetet med att skapa en modell i ArcGIS som ska analysera ett avrinningsområde med framtagna parametrar för att hitta mindre områden som representerar det hela.Resultatet från de framtagna modellerna kan tillämpas för att underlätta kartläggningen och snödjupsmätningar i avrinningsområden, vilket kan utnyttjas vid effektivisering av vattenreglering. / Hydropower is a major source of energy in Sweden mainly in the northern parts of the country. To get the maximum potential from the hydropower plants, information is required on how much water or snow there is upstream from the power plants. By obtaining reliable values of the amount of snow, it is possible to reduce the uncertainty in forecasts on spring flood.Due to difficulties in mapping larger catchment areas via ground-level observations, drone observations have been developed. In order to use drone observations, knowledge of where they are to be flown to represent the entire catchment area is required. In this project, a model was developed in ArcGIS to find smaller areas within catchments that are to be representative within selected parameters. The project touches upon the parameters vegetation, height, slope and aspect.The work to develop a model that will facilitate future work within and outside the DRONES research project is divided into two parts. The first part is to analyze which parameters affect the snow depth in the catchment area. The second part consists of creating a model in ArcGIS that will find a smaller area inside a catchment that represents the snow depth for the whole catchment.The results from the developed model can be applied to facilitate the mapping and snow depth measurements in catchment areas, which can be used to streamline water regulation.