위성 원격탐사 기술은 대기 수증기 함량 탐지의 주요 수단 중 하나로, 높은 공간 해상도의 뚜렷한 장점을 가지고 있습니다. 그러나 이 기술의 탐지 정확도는 낮아 대기 수증기 변화 연구 요구를 충족시키기 어렵습니다. 기존 연구들은 고정밀 GNSS PWV '지점식' 데이터를 이용하여 '면식' 원격탐사 수증기 데이터를 적절히 보정하여 정확한 위성 원격탐사 수증기 제품을 얻고자 하였습니다. 그러나 기존 연구들은 GNSS 측정소와 원격탐사 픽셀 간의 '점식' 공간 매칭 데이터를 기반으로 보정 모델을 구축하여 대기 수증기의 국부적 강한 상관성의 중요한 영향을 무시하여 보정 능력이 제한적이었습니다. 이에 본 논문은 수증기 공간 이웃 상관성을 출발점으로 삼아 머신러닝 기술의 비선형 처리 장점을 활용하여 공간 이웃 특성을 고려한 MODIS 수증기 제품 신경망 보정 모델을 구축하였습니다. 본 모델은 BP 신경망 알고리즘을 프레임워크로 하여, 규모 범위 내 MODIS 제품의 구름 정보, 지표 피복 유형, 센서 공간 자세 등 비선형 영향 요소를 모델 입력 파라미터로 선정하였습니다. 미국 서부 지역 GNSS 및 MODIS PWV 데이터를 기반으로 한 실험 결과, 본 논문에서 제안한 모델로 보정한 MODIS PWV의 평균제곱근오차는 2.13 mm로 광범위하게 사용되는 선형 보정 모델 대비 평균제곱근오차가 46.21% 감소하였으며, 현재의 '점식' 매칭 모델 보정 결과와 비교하여 평균제곱근오차가 12.35% 감소하였습니다. 시간 및 공간 차원에서 비교한 결과, 본 논문에서 제안한 모델 보정 제품의 평균제곱근오차가 2.0—3.0 mm로 안정적으로 유지되어, 공간 이웃 특성을 고려한 보정 모델이 원격탐사 수증기 제품 보정에서 우수함을 입증하였으며, 수증기 분포의 정밀한 시공간 정보를 반영할 수 있음을 나타냅니다.

MODIS PWV;GNSS PWV;PWV 보정;공간 상관성;BP 신경망