تقنية الاستشعار عن بعد بالأقمار الصناعية هي واحدة من الوسائل الرئيسية لاكتشاف محتوى بخار الماء في الغلاف الجوي، وتتميز بميزة دقة مكانية عالية. ومع ذلك، فإن دقة الكشف بهذه التقنية منخفضة نسبيًا، مما يصعب تلبية متطلبات دراسة تغيرات بخار الماء الجوي. استخدمت الدراسات السابقة بيانات GNSS PWV عالية الدقة من نوع "نقاط المحطات" لتصحيح بيانات بخار الماء الاستشعار عن بعد من نوع "السطوح" بشكل مناسب للحصول على منتجات دقيقة لبخار الماء عبر الأقمار الصناعية. لكن معظم هذه الدراسات اعتمدت على بيانات التوافق المكاني "النقطي" بين محطات GNSS ونقاط بكسل الاستشعار، متجاهلة التأثير المهم للترابط القوي المحلي لبخار الماء الجوي، مما أدى إلى محدودية قدرة التصحيح. بناءً على ذلك، تناول هذا البحث الترابط المكاني لجيران بخار الماء، مستفيدًا من مزايا المعالجة غير الخطية لتقنيات التعلم الآلي، لبناء نموذج تصحيح شبكي عصبي لمنتجات MODIS لبخار الماء يأخذ في الاعتبار خصائص الجوار المكاني. يعتمد النموذج على خوارزمية الشبكة العصبية BP، مع اختيار معلومات السحب، وأنواع تغطية الأرض، ووضع الاستشعار الفضائي لعناصر التأثير غير الخطية كمدخلات ضمن نطاق المقياس لنماذج MODIS. أظهرت النتائج التجريبية على بيانات GNSS و MODIS PWV في غرب الولايات المتحدة أن متوسط الجذر التربيعي لخطأ تصحيح MODIS PWV بالنموذج المقترح هو 2.13 ملم، مما يقلل الخطأ بنسبة 46.21٪ مقارنة بالنموذج الخطي السائد؛ وبنسبة انخفاض 12.35٪ مقارنة بنتائج نموذج التوافق النقطي الحالي. إن نتائج المقارنات على الأبعاد الزمنية والمكانية تثبت استقرار متوسط الجذر التربيعي للخطأ بين 2.0 و3.0 ملم للمنتجات المصححة بالنموذج، مما يدل على تفوق نموذج التصحيح الذي يأخذ في الاعتبار خصائص الجوار المكاني في تصحيح منتجات بخار الماء الاستشعارية، ويمكنه عكس المعلومات المكانية والزمانية المتناهية الدقة لتوزيع بخار الماء.

MODIS PWV;GNSS PWV;تصحيح PWV;الترابط المكاني;الشبكة العصبية BP