Deep-Learning-Framework verbessert Schätzung der Schneedeckenfraktion

Genaue Informationen zur Schneedecke sind für die Erforschung des globalen Klimas und der Hydrologie von entscheidender Bedeutung. Deep-Learning-Ansätze zur Ermittlung des Schneedeckenanteils (SCF) weisen jedoch häufig Einschränkungen in Bezug auf die Abhängigkeit von Trainingsdaten und die Interpretierbarkeit auf.

Ein Forschungsteam unter der Leitung von Hao Xiaohua vom Northwest Institute of Eco-Environment and Resources (NIEER) der Chinesischen Akademie der Wissenschaften hat in Zusammenarbeit mit der Lanzhou University und der Lanzhou Jiaotong University ein neuartiges Deep-Learning-Framework zur genauen Schätzung des Schneedeckenanteils mit dem Namen ART-DL SCF-Modell vorgeschlagen.

Die Studie mit dem Titel „Schätzung des AVHRR-Schneebedeckungsanteils durch Kopplung physikalischer Beschränkungen in ein Deep-Learning-Framework“ wurde veröffentlicht In ISPRS Journal für Photogrammetrie und Fernerkundung am 12. September.

Dieses Modell kombiniert das Modell des asymptotischen Strahlungstransports (ART) mit Oberflächenreflexionsdaten eines fortschrittlichen Radiometers mit sehr hoher Auflösung (AVHRR), um den SCF der nördlichen Hemisphäre zu ermitteln.

Das ART-DL-SCF-Modell zeigte in Tests sowohl zeitlich als auch räumlich eine hohe Genauigkeit, Robustheit und Generalisierung und schnitt sogar in Waldgebieten gut ab.

Auch im Vergleich mit den verfügbaren SnowCCI AVHRR-Produkten der Europäischen Weltraumorganisation (ESA) schnitt das Modell besser ab.

Durch die Einbeziehung physikalischer Einschränkungen wird nicht nur die Genauigkeit und Stabilität der Schätzung verbessert, sondern auch das Problem der Unterschätzung gemildert.

Diese Studie stellt ein neues Modell zur Ermittlung von SCF vor, das großes Potenzial für die Generierung täglicher SCF- und Schneebedeckungsausdehnungsprodukte (SCE) mit hoher Genauigkeit in der nördlichen Hemisphäre aufweist. Den Forschern zufolge wird es wertvolle Informationen für verschiedene Bereiche liefern, darunter Hydrologie, Ökologie und Atmosphärenwissenschaften.