Das Verständnis der räumlich-zeitlichen Veränderungen des saisonalen Schneebedeckungsgrades in Bergregionen ist für das Management der Wasserressourcen, hydrologische Prozesse und den ökologischen Schutz in Berggebieten von entscheidender Bedeutung. Hoch aufgelöste räumlich-zeitliche Daten der Schneefläche sind ein wichtiges Mittel zur Überwachung der Veränderungen des Schneebedeckungsgrades in Gebirgsregionen. Aufgrund der Einschränkungen der Sensorleistung bei bestehenden fernerkundungsbasierten Schneeflächenprodukten kann jedoch nicht gleichzeitig eine hohe zeitliche und räumliche Auflösung erreicht werden, was die genaue Erfassung feiner Veränderungen des stark heterogenen fleckigen Schneebedeckungsgrades in Bergregionen erschwert. Um die räumlich-zeitliche Dynamik der Schneefläche zu überwachen, wurde in dieser Studie das Nordhanggebiet der Qilian-Berge als Untersuchungsgebiet ausgewählt. Mithilfe von MODIS- und Landsat 8-Satellitendaten wurde eine Methode auf Basis eines U-Net++-Netzwerks zur Multisensor-Datenfusion zur Gewinnung hoch aufgelöster Schneeflächeninformationen entwickelt. Die neu entwickelte Methode wurde mit hochauflösenden Landsat- und Sentinel-Daten validiert und mit den zeitlich-räumlichen Fusionsalgorithmen STARFM und DMNet zum indirekten Rekonstruieren der Schneefläche vergleichend überprüft. Die Ergebnisse zeigen: (1) Der Rekonstruktionsalgorithmus der Schneefläche mit 30 m räumlicher Auflösung basierend auf dem U-Net++-Netzwerk erfasst die Details des Schneebedeckungsgrades in Gebirgsregionen effektiv wieder. Der Algorithmus weist eine hohe Genauigkeit auf: Gesamte Genauigkeit 90,4 %, Kartierungsgenauigkeit 89,9 %, Benutzer-genauigkeit 88,4 %, Kappa-Koeffizient 0,80. Die Rekonstruktionsergebnisse sind robust; unter verschiedenen Schneebedeckungsgraden, unterschiedlichen Untergrundbedingungen und unterschiedlicher Bewölkung beträgt die Genauigkeitsabweichung weniger als 3 %, wobei die Genauigkeiten alle über 88 % liegen. (2) Im Vergleich zu den indirekten Rekonstruktionsmethoden der Schneefläche basierend auf den zeitlich-räumlichen Fusionen STARFM und DMNet erzielt der Algorithmus eine Verbesserung der Gesamtgenauigkeit um 8,7 % bzw. 5,2 %, der Kartierungs-genauigkeit um 24,1 % bzw. 18,4 % und des Kappa-Koeffizienten um 0,20 bzw. 0,12. Zusammenfassend lässt sich sagen, dass der in dieser Studie entwickelte Rekonstruktionsalgorithmus für die tägliche Schneeflächenrekonstruktion mit 30 m räumlicher Auflösung auf Basis des U-Net++-Netzwerks in der Lage ist, hochpräzise, hoch aufgelöste Daten der Schneefläche effektiv zu rekonstruieren. Dies hat große Bedeutung für die Simulation von Bergabfluss, die Schätzung der Schneewasservorräte sowie die Katastrophenprävention.

Schneefläche; Deep Learning; Multisensorfusion; MODIS; Landsat