Die Satellitenfernerkundungstechnologie ist eine der Hauptmethoden zur Erfassung des atmosphärischen Wasserdampfgehalts und zeichnet sich durch eine hohe räumliche Auflösung aus. Allerdings ist die Genauigkeit dieser Technologie relativ gering, was es schwer macht, den Anforderungen der Forschung zu atmosphärischen Wasserdampfveränderungen gerecht zu werden. Frühere Studien haben sukzessive hochpräzise GNSS PWV „Station“ Daten verwendet, um „flächige“ Fernerkundungs-Wasserdampfdaten angemessen zu korrigieren und präzise satellitengestützte Wasserdampfprodukte zu erhalten. Die meisten bestehenden Studien basieren jedoch auf der Erstellung von Korrekturmodellen, die auf „punktgenauen“ räumlichen Zuordnungsdaten zwischen GNSS-Stationen und Fernerkundungspixeln beruhen und dabei die wichtige Auswirkung der lokal starken Korrelation von atmosphärischem Wasserdampf vernachlässigen, was zu begrenzter Korrekturfähigkeit führt. Deshalb nimmt diese Arbeit die räumliche Nachbarschaftskorrelation von Wasserdampf als Ansatzpunkt, nutzt die Vorteile der nichtlinearen Verarbeitung von maschinellen Lerntechniken und erstellt ein neuronales Netzwerk-Korrekturmodell für MODIS-Wasserdampfprodukte unter Berücksichtigung räumlicher Nachbarschaftsmerkmale. Das Modell verwendet den BP-Neuronalen-Netzwerk-Algorithmus als Rahmenwerk und wählt nichtlineare Einflussfaktoren wie Wolkeninformationen der MODIS-Produkte, Bodenbedeckungstypen und die räumliche Haltung des Sensors im gewählten Maßstabsbereich als Eingabeparameter aus. Experimentelle Ergebnisse basierend auf GNSS- und MODIS-PWV-Daten aus dem Westen der USA zeigen, dass der mittlere quadratische Fehler (RMSE) des durch das vorgeschlagene Modell korrigierten MODIS-PWV 2,13 mm beträgt und damit im Vergleich zum weit verbreiteten linearen Korrekturmodell um 46,21 % reduziert wurde; im Vergleich zu den Korrekturergebnissen des aktuellen „punktgenauen“ Zuordnungsmodells wurde der RMSE um 12,35 % verringert. Der Vergleich in zeitlicher und räumlicher Dimension zeigt, dass der RMSE der korrigierten Produkte des vorgeschlagenen Modells stabil zwischen 2,0 und 3,0 mm liegt, was die Überlegenheit des Korrekturmodells unter Berücksichtigung räumlicher Nachbarschaftsmerkmale bei der Korrektur von Fernerkundungs-Wasserdampfprodukten belegt und die detaillierte raum-zeitliche Information der Wasserdampfverteilung widerspiegelt.

MODIS PWV;GNSS PWV;PWV-Korrektur;räumliche Korrelation;BP-Neuronales Netzwerk