De nauwkeurige monitoring van sneeuwwaterequivalent (SWE) is van cruciaal belang om de wereldwijde watervoorraden in te schatten. Ondanks het belang missen we nog steeds een basisbegrip van hoeveel sneeuw seizoensgebonden op aarde wordt opgeslagen, vooral in bergen waar een groot deel van de aardse sneeuw zich bevindt. De centrale hypothese van Snowtrane is dat Machine Learning Algorithms (MLA), meer specifiek Artificiële Neurale Netwerken, kunnen worden getraind om fysieke sneeuwbackscattering-mechanismen aan te pakken die te complex zijn om in te bedden in een empirisch veranderingsdetectiealgoritme of zelfs in op fysisch-gebaseerde stralingsoverdrachtsmodellen die nog steeds een vereenvoudiging van de realiteit blijven door modelaannames en randvoorwaarden. In dit project veronderstellen we dat sneeuwschattingen op basis van MLA beter presteren dan die van empirische veranderingsdetectietechnieken, vooral wanneer ook aanvullende aardobservatiedatasets worden opgenomen als input om de scattering processen verder te verklaren.