水汽是大气中最活跃的多变的成分，是形成天气现象关键因素，也是水循环的重要一环，同时还影响着对地观测技术的精度。精确监测水汽对于天气预报、灾害预警和改善对地观测精度都具有重要意义。随着对地观测技术的蓬勃发展，水汽的探测手段愈发多样。然而，不同探测手段所获取的水汽数据间存在多源异构、精度不等、分辨率不一致以及系统偏差等问题。这些问题导致使用不同数据源时可能产生结果和结论的不一致性，同时也妨碍数据的联合利用。
为解决上述问题，本研究拟采用传统建模方法与人工智能相结合，对多源水汽数据进行校准，该过程不仅消除数据间的系统误差，而且改善数据精度。其基本思想是将传统球冠谐方法与XGBoost模型相结合，利用高精度的GNSS PWV数据两次校准较低精度的MODIS PWV数据，并选用2020年西欧地区GNSS、MODIS PWV数据进行实验。本研究的主要工作和贡献如下：

1. 本研究提出了一种顾及数据间系统偏差的球冠谐拟合法，通过该方法实现了高密度数据向低密度数据的精确插值，估计了数据间的全局系统偏差，并基于此实现了MODIS PWV的初步较准和优化。2020年西欧地区初步校准实验显示，经该方法处理，MODIS PWV的系统误差 (GNSS−MODIS) 从−0.7 mm减小至−0.1 mm，RMS从4.4 mm减小至2.8 mm。
2. 在初步校准的基础上，为进一步消除数据间的局部偏差且实现高精度的数据校准，构建了XGBoost模型，通过该模型使用高精度GNSS PWV对低精度MODIS PWV进行深度校准和优化。西欧地区的实验显示，经过XGBoost模型优化，MODIS PWV的系统误差 (GNSS−MODIS) 从−0.1 mm减小至0 mm，RMS从2.8 mm减小至2.0 mm。经过两次校准后，MODIS PWV的数据精度与实测GNSS或Radiosonde PWV的精度相当。

本研究的方法不仅消除了GNSS PWV与MODIS PWV之间的系统误差，同时使MODIS PWV的数据精度提高了55.6%。经过该方法校准的MODIS PWV数据与GNSS PWV数据的精度相当。这为多源 PWV 数据的综合应用提供了很好的解决思路，也为西欧地区的水汽研究提供了高质量的数据集。
 

水汽；球冠谐模型；XGBoost模型