La tecnología de teledetección satelital es uno de los métodos principales para detectar el contenido de vapor de agua atmosférico, con la ventaja significativa de alta resolución espacial. Sin embargo, esta tecnología presenta una precisión relativamente baja, lo que dificulta satisfacer las necesidades de estudio de los cambios en el vapor de agua atmosférico. Estudios previos han utilizado sucesivamente datos GNSS PWV de tipo “estación” de alta precisión para calibrar adecuadamente los datos de vapor de agua por teledetección “superficiales”, obteniendo productos de vapor de agua satelitales precisos. Sin embargo, la mayoría de los estudios actuales se basan en la construcción de modelos de calibración con datos de emparejamiento espacial “puntual” entre estaciones GNSS y píxeles de teledetección, ignorando la importante influencia de la fuerte correlación local del vapor de agua atmosférico, lo que limita la capacidad de calibración. Por lo tanto, este artículo toma la correlación espacial del vecindario del vapor de agua como punto de partida, aprovechando las ventajas del procesamiento no lineal de las técnicas de aprendizaje automático para construir un modelo de corrección de red neuronal para productos MODIS PWV que considera las características del vecindario espacial. El modelo utiliza el algoritmo de red neuronal BP como marco, seleccionando elementos de influencia no lineales como la información de la cobertura de nubes de los productos MODIS, el tipo de cobertura del suelo y la actitud espacial del sensor dentro del rango de escala seleccionado como parámetros de entrada del modelo. Los resultados experimentales basados en datos GNSS y MODIS PWV en la región occidental de Estados Unidos indican que el error cuadrático medio de raíz (RMSE) del MODIS PWV calibrado mediante el modelo propuesto es de 2.13 mm, una reducción del 46.21 % en comparación con el modelo de calibración lineal ampliamente utilizado, y una reducción del 12.35 % en comparación con los resultados del modelo de emparejamiento “puntual” actual. Las comparaciones desde dimensiones temporales y espaciales muestran que el RMSE del producto calibrado por el modelo propuesto se mantiene estable entre 2.0 y 3.0 mm, demostrando la superioridad del modelo de calibración que considera las características del vecindario espacial en la corrección de productos de vapor de agua por teledetección, reflejando así información espacial y temporal detallada sobre la distribución del vapor de agua.

MODIS PWV;GNSS PWV;Corrección PWV;Correlación espacial;Red neuronal BP