تُعد تقنية الاستشعار عن بُعد بالأقمار الصناعية واحدة من الوسائل السائدة لرصد محتوى بخار المياه في الغلاف الجوي، وتتمتع بميزة واضحة تتمثل في الدقة الفضائية العالية. ومع ذلك، فإن دقة الكشف لهذه التقنية منخفضة، مما يصعب تلبية متطلبات أبحاث تغير بخار المياه الجوي. استخدمت الدراسات السابقة بيانات GNSS PWV عالية الدقة "المحطة" لضبط بيانات بخار المياه الاستشعارية "السطحية" بشكل مناسب للحصول على منتجات بخار مياه استشعار دقيقة. لكن الدراسات القائمة غالبًا ما تعتمد على نموذج تصحيح مبني على مطابقة مكانية "نقطية" بين محطات GNSS ونقاط بكسل الاستشعار، متجاهلة التأثير المهم للارتباط القوي المحلي لبخار المياه الجوي، مما يؤدي إلى محدودية في قدرات التصحيح. بناءً على ذلك، تأخذ هذه الورقة في الاعتبار ارتباط الجوار المكاني لبخار المياه، مستفيدة من مزايا المعالجة غير الخطية لتقنيات التعلم الآلي، لبناء نموذج شبكة عصبية لتصحيح منتجات بخار المياه MODIS يأخذ في الاعتبار خصائص الجوار الفضائي. يعتمد هذا النموذج على خوارزمية شبكة BP العصبية، مختارًا معلومات السحب، نوع غطاء الأرض، ووضعية المستشعر الفضائية ضمن النطاق المكاني كعوامل غير خطية للمدخلات. أظهرت نتائج التجارب المبنية على بيانات GNSS وMODIS PWV من غرب الولايات المتحدة أن متوسط الخطأ التربيعي الجذري لمنتجات MODIS PWV بعد التصحيح من هذا النموذج هو 2.13 ملم، بانخفاض بنسبة 46.21٪ مقارنة بالنماذج الخطية الشائعة الاستخدام؛ وأيضًا بانخفاض 12.35٪ مقارنة بنتائج النموذج المطابق "النقطي" الحالي. تشير المقارنات الزمنية والمكانية إلى استقرار متوسط الخطأ التربيعي الجذري لنموذج التصحيح المقترح بين 2.0 و3.0 ملم، مما يثبت تفوق نموذج التصحيح الذي يأخذ في الاعتبار خصائص الجوار الفضائي في تصحيح منتجات بخار المياه الاستشعارية، ويعكس معلومات دقيقة عن التوزيع الزماني والمكاني لبخار المياه.

MODIS PWV;GNSS PWV;تصحيح PWV;الارتباط المكاني;شبكة عصبية BP