Satellitengestützte Fernerkundungstechnologie ist eine der Hauptmethoden zur Erfassung des atmosphärischen Wasserdampfgehalts und zeichnet sich durch eine hohe räumliche Auflösung aus. Allerdings ist die Detektionsgenauigkeit dieser Technologie relativ gering, was die Anforderungen an die Untersuchung der atmosphärischen Wasserdampfveränderungen erschwert. Bisherige Studien haben sukzessive hochpräzise GNSS PWV „punktbezogene“ Daten zur angemessenen Kalibrierung von „flächenbezogenen“ Fernerkundungs-Wasserdampfdaten verwendet, um präzise satellitengestützte Wasserdampfprodukte zu erhalten. Die meisten Studien basieren jedoch auf der Erstellung von Kalibrierungsmodellen, die auf der „punktbezogenen“ räumlichen Übereinstimmung von GNSS-Messstationen und Fernerkundungspixeln beruhen, wobei der wichtige Einfluss der lokalen starken Korrelation von atmosphärischem Wasserdampf vernachlässigt wird, was die Kalibrierungsfähigkeit einschränkt. Vor diesem Hintergrund verwendet diese Arbeit die räumliche Nachbarschaftskorrelation von Wasserdampf als Ansatzpunkt und nutzt die Vorteile der nichtlinearen Verarbeitung von maschinellen Lerntechnologien, um ein MODIS-Wasserdampfprodukt-Kalibrierungsmodell mit neuronalen Netzen zu entwickeln, das räumliche Nachbarschaftsmerkmale berücksichtigt. Das Modell basiert auf dem BP-Neuronalen-Netzwerk-Algorithmus und wählt nichtlineare Einflussfaktoren wie Wolkeninformationen, Landbedeckungstypen und die räumliche Sensorposition als Eingangsparameter innerhalb des Skalenbereichs der MODIS-Produkte. Experimentelle Ergebnisse basierend auf GNSS- und MODIS-PWV-Daten aus der westlichen Region der USA zeigen: Der mittlere quadratische Fehler des MODIS-PWV nach Kalibrierung durch das vorgeschlagene Modell beträgt 2,13 mm, was im Vergleich zu dem weit verbreiteten linearen Kalibrierungsmodell eine Reduzierung von 46,21 % bedeutet; im Vergleich zu den Kalibrierungsergebnissen des aktuellen „punktbezogenen“ Übereinstimmungsmodells eine Reduzierung von 12,35 %. Zeit- und Raumdimensionenvergleich zeigen, dass der mittlere quadratische Fehler der kalibrierten Produkte des vorgeschlagenen Modells stabil bei 2,0–3,0 mm liegt, was die Überlegenheit des Kalibrierungsmodells mit Berücksichtigung räumlicher Nachbarschaftsmerkmale bei der Kalibrierung von Fernerkundungs-Wasserdampfprodukten belegt und feingliedrige raum-zeitliche Informationen zur Wasserdampfverteilung widerspiegelt.

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