A tecnologia de sensoriamento remoto por satélite é um dos principais métodos para detectar o conteúdo de vapor de água atmosférico, apresentando a vantagem significativa de alta resolução espacial. No entanto, essa tecnologia possui precisão relativamente baixa, dificultando atender às demandas de pesquisa sobre variações do vapor de água atmosférico. Pesquisas anteriores vêm utilizando dados GNSS PWV “do tipo estação” de alta precisão para corrigir adequadamente os dados de vapor de água de sensoriamento remoto “do tipo área”, obtendo produtos precisos de vapor de água por sensoriamento remoto por satélite. Contudo, a maioria das pesquisas existentes baseia-se em modelos de correção construídos a partir de dados de correspondência espacial “pontual” entre estações GNSS e pixels de sensoriamento remoto, ignorando a importante influência da forte correlação local do vapor de água atmosférico, limitando sua capacidade de correção. Diante disso, este artigo parte da correlação espacial vizinha do vapor de água, aproveitando as vantagens do processamento não linear das técnicas de aprendizado de máquina, para construir um modelo de correção de rede neural para produtos MODIS que leva em consideração as características do vizinho espacial. O modelo utiliza o algoritmo da rede neural BP como estrutura, selecionando como parâmetros de entrada fatores não lineares como informações de nuvens, tipo de cobertura do solo e postura espacial do sensor dentro da faixa de escala do produto MODIS. Os resultados experimentais baseados em dados GNSS e MODIS PWV da região oeste dos Estados Unidos indicam que o erro quadrático médio da raiz (RMSE) dos produtos MODIS PWV corrigidos pelo modelo proposto é de 2,13 mm, representando uma redução de 46,21% em relação ao modelo de correção linear amplamente utilizado; e uma redução de 12,35% em comparação com os resultados de correção do atual modelo de correspondência “pontual”. Comparações nas dimensões temporal e espacial indicam que o RMSE dos produtos corrigidos pelo modelo proposto se estabiliza entre 2,0 e 3,0 mm, demonstrando a superioridade do modelo de correção que considera as características do vizinho espacial na correção de produtos de vapor de água de sensoriamento remoto, refletindo informações espaço-temporais detalhadas sobre a distribuição de vapor de água.

MODIS PWV;GNSS PWV;correção PWV;correlação espacial;rede neural BP