La technologie de télédétection satellitaire est l'une des principales méthodes de détection de la teneur en vapeur d'eau atmosphérique, avec un avantage notable de haute résolution spatiale. Cependant, cette technologie souffre d'une précision relativement faible, difficile à satisfaire aux besoins des études sur les variations de la vapeur d'eau atmosphérique. Des recherches antérieures ont progressivement utilisé des données GNSS PWV de type "station" à haute précision pour une correction appropriée des données de vapeur d'eau télédétectées de type "surface", obtenant ainsi des produits de vapeur d'eau satellitaires précis. Cependant, la plupart des études existantes reposent sur la construction de modèles de correction basés sur des données de correspondance spatiale "point à point" entre les stations GNSS et les pixels de télédétection, négligeant l'impact important de la forte corrélation locale de la vapeur d'eau atmosphérique, ce qui limite la capacité de correction. En conséquence, cet article prend la corrélation spatiale du voisinage de la vapeur d'eau comme point d'entrée, en s'appuyant sur les avantages du traitement non linéaire des techniques d'apprentissage automatique, pour construire un modèle de réseau neuronal de correction des produits MODIS PWV prenant en compte les caractéristiques du voisinage spatial. Ce modèle utilise l'algorithme de réseau neuronal BP comme cadre, en sélectionnant comme paramètres d'entrée les facteurs d'influence non linéaires tels que l'information sur la couverture nuageuse des produits MODIS, le type de couverture du sol, et l'attitude spatiale du capteur dans une plage d'échelle spécifique. Les résultats expérimentaux basés sur les données GNSS et MODIS PWV dans l'ouest des États-Unis montrent que l'erreur quadratique moyenne (RMSE) du MODIS PWV corrigé par le modèle proposé est de 2,13 mm, ce qui représente une réduction de 46,21% par rapport au modèle de correction linéaire largement utilisé ; par rapport aux résultats de correction du modèle actuel de correspondance "pointàpoint", la RMSE est réduite de 12,35%. Les comparaisons temporelles et spatiales montrent que la RMSE des produits corrigés par le modèle proposé reste stable entre 2,0 et 3,0 mm, démontrant la supériorité du modèle de correction prenant en compte les caractéristiques du voisinage spatial dans la correction des produits de vapeur d'eau télédétectée, reflétant ainsi les informations spatio-temporelles fines de la distribution de la vapeur d'eau.

MODIS PWV;GNSS PWV;Correction PWV;Corrélation spatiale;Réseau neuronal BP