La technologie de télédétection par satellite est l'une des principales méthodes pour détecter la teneur en vapeur d'eau atmosphérique, offrant un avantage significatif grâce à sa haute résolution spatiale. Cependant, cette technologie présente une précision de détection relativement basse, ce qui ne répond pas pleinement aux besoins des études sur les variations de la vapeur d'eau atmosphérique. Des recherches antérieures ont successivement utilisé des données GNSS PWV « stationnaires » de haute précision pour corriger de manière appropriée les données de vapeur d'eau télédétectées « superficielles », afin d'obtenir des produits précis de vapeur d'eau par télédétection par satellite. Toutefois, la plupart des études existantes sont basées sur des modèles de correction construits à partir d'une correspondance spatiale « ponctuelle » entre les stations GNSS et les pixels de télédétection, négligeant l'effet important de la forte corrélation locale de la vapeur d'eau atmosphérique, ce qui limite leur capacité de correction. En réponse, cet article considère la corrélation spatiale de voisinage de la vapeur d'eau, en tirant parti des avantages du traitement non linéaire des techniques d'apprentissage automatique, pour construire un modèle de correction par réseau neuronal de produits MODIS prenant en compte les caractéristiques spatiales de voisinage. Ce modèle utilise l'algorithme du réseau neuronal BP comme cadre, en sélectionnant comme paramètres d'entrée les facteurs non linéaires tels que l'information nuageuse, le type de couverture terrestre et l'orientation spatiale du capteur dans la gamme d'échelle du produit MODIS. Les résultats expérimentaux basés sur les données GNSS et MODIS PWV de l'ouest des États-Unis montrent que la racine carrée de l'erreur quadratique moyenne (RMSE) des produits MODIS PWV corrigés par ce modèle est de 2,13 mm, ce qui représente une réduction de 46,21 % par rapport au modèle linéaire couramment utilisé ; par rapport aux résultats de correction du modèle de correspondance « ponctuelle », elle diminue de 12,35 %. Les comparaisons temporelles et spatiales montrent que le RMSE des produits corrigés par ce modèle se stabilise entre 2,0 et 3,0 mm, démontrant la supériorité du modèle de correction tenant compte des caractéristiques de voisinage spatial dans la correction des produits de vapeur d'eau par télédétection et reflétant des informations spatiotemporelles détaillées sur la distribution de la vapeur d'eau.

MODIS PWV;GNSS PWV;correction PWV;corrélation spatiale;réseau neuronal BP