Satellitenfernerkundungstechnologie ist eine der Hauptmethoden zur Erkennung des atmosphärischen Wasserdampfgehalts und zeichnet sich durch eine hohe räumliche Auflösung aus. Allerdings weist diese Technologie eine relativ geringe Erkennungsgenauigkeit auf, was die Anforderungen an die Erforschung der Veränderungen des atmosphärischen Wasserdampfs nur schwer erfüllen kann. Frühere Studien nutzten nach und nach hochpräzise GNSS-PWV-„Stations“-Daten, um die „flächenhaften“ Fernerkundungs-Wasserdampfdaten angemessen zu kalibrieren und genaue satellitengestützte Wasserdampfprodukte zu erhalten. Die meisten bestehenden Studien basieren jedoch auf Kalibrierungsmodellen, die auf „punktueller“ räumlicher Zuordnung von GNSS-Stationen und Fernerkundungspixeln beruhen und den wichtigen Einfluss der lokal starken Korrelation des atmosphärischen Wasserdampfs vernachlässigen, was die Kalibrierungsfähigkeit einschränkt. Vor diesem Hintergrund nimmt diese Arbeit die räumliche Nachbarschaftskorrelation von Wasserdampf als Ansatzpunkt, nutzt die nichtlinearen Verarbeitungsfähigkeiten der maschinellen Lerntechniken und entwickelt ein neuronales Netzwerk-Kalibrierungsmodell für MODIS-Wasserdampfprodukte unter Berücksichtigung räumlicher Nachbarschaftseigenschaften. Dieses Modell basiert auf dem BP-Neuronalen Netzwerk-Algorithmus und wählt nichtlineare Einflussfaktoren wie Wolkeninformationen, Landbedeckungstyp und räumliche Sensorposition innerhalb des Skalenbereichs der MODIS-Produkte als Eingabeparameter aus. Die experimentellen Ergebnisse basierend auf GNSS- und MODIS-PWV-Daten aus dem Westen der USA zeigen, dass der mittlere quadratische Fehler (RMSE) der kalibrierten MODIS-PWV-Produkte dieses Modells 2,13 mm beträgt, was eine Reduktion von 46,21 % gegenüber dem weit verbreiteten linearen Kalibrierungsmodell darstellt; im Vergleich zu den Kalibrierungsergebnissen des aktuellen „punktuellen“ Zuordnungsmodells wurde der RMSE um 12,35 % reduziert. Zeitliche und räumliche Vergleichsergebnisse zeigen, dass der RMSE des kalibrierten Produkts dieses Modells stabil zwischen 2,0 und 3,0 mm liegt und damit die Überlegenheit des Kalibrierungsmodells, das räumliche Nachbarschaftseigenschaften berücksichtigt, bei der Kalibrierung von Fernerkundungs-Wasserdampfprodukten belegt, wodurch detaillierte raumzeitliche Informationen zur Wasserdampfverteilung wiedergegeben werden.

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