Sentinel-3 (S3) satellites are equipped with microwave radiometers that perform brightness temperature (TB) measurements at 23.8 and 36.5 GHz to determine the wet tropospheric correction (WTC). The analysis of the two MWR-derived WTC present in S3 products, retrieved from three- and five-input neural network (NN) algorithms, suggest the need for their improvement. Focusing on the inputs and physical component, this paper aims at improving the WTC retrieval for open ocean, considering a suitable learning for S3 and a better accounting for the surface contribution to the WTC retrieval. Adopting a purely empirical approach, the learning database has been built using 1 year (2017) of valid S3A measurements, ERA5-derived WTC, and dynamic sea surface temperature (SST) from ERA5. The proposed approach is a similar NN with four inputs: TB at 23.8 and 36.5 GHz, altimeter backscattering coefficient and SST. Results show that the use of a dynamic SST, instead of static tables as currently adopted in S3, makes the fifth input (vertical temperature decrease) redundant. Comparisons with reference and independent WTC sources show that the WTC derived from this algorithm, when compared with those available in the S3 products, leads to a decrease in the RMS values of WTC differences, with respect to these independent WTC, by about 1 mm globally, that locally can reach almost 1 cm. This study proposes a new approach for the WTC of Sentinel-3 by considering a suitable set of dynamic inputs that better characterize the atmosphere, which is a significant enhancement over the current algorithms.

Sentinel-3 (S3) 卫星配备了微波辐射计，可在 23.8 和 36.5 GHz 进行亮度温度 (TB) 测量，以确定湿对流层校正 (WTC)。对 S3 产品中存在的两种 MWR 衍生 WTC 的分析（从三输入和五输入神经网络 (NN) 算法中检索到）表明需要对其进行改进。本文着眼于输入和物理组件，旨在改进对公海的 WTC 反演，考虑适合 S3 的学习和更好地考虑海面对 WTC 反演的贡献。学习数据库采用纯经验方法，使用 1 年（2017 年）的有效 S3A 测量、ERA5 衍生的 WTC 和 ERA5 的动态海面温度 (SST) 构建。建议的方法是一个类似的 NN，有四个输入：23.8 和 36 的 TB。5 GHz，高度计后向散射系数和 SST。结果表明，使用动态 SST，而不是当前在 S3 中采用的静态表，使第五个输入（垂直温度降低）变得多余。与参考和独立 WTC 源的比较表明，与 S3 产品中可用的 WTC 相比，从该算法得出的 WTC 导致 WTC 差异的 RMS 值相对于这些独立 WTC 全球减少约 1 毫米, 局部可以达到近 1 厘米。本研究通过考虑一组合适的动态输入来更好地表征大气，为 Sentinel-3 的 WTC 提出了一种新方法，这是对当前算法的显着增强。而不是目前在 S3 中采用的静态表，使第五个输入（垂直温度降低）变得多余。与参考和独立 WTC 源的比较表明，与 S3 产品中可用的 WTC 相比，从该算法得出的 WTC 导致 WTC 差异的 RMS 值相对于这些独立 WTC 全球减少约 1 毫米, 局部可以达到近 1 厘米。本研究通过考虑一组合适的动态输入来更好地表征大气，为 Sentinel-3 的 WTC 提出了一种新方法，这是对当前算法的显着增强。而不是目前在 S3 中采用的静态表，使第五个输入（垂直温度降低）变得多余。与参考和独立 WTC 源的比较表明，与 S3 产品中可用的 WTC 相比，从该算法得出的 WTC 导致 WTC 差异的 RMS 值相对于这些独立 WTC 全球减少约 1 毫米, 局部可以达到近 1 厘米。本研究通过考虑一组合适的动态输入来更好地表征大气，为 Sentinel-3 的 WTC 提出了一种新方法，这是对当前算法的显着增强。与 S3 产品中可用的相比，导致 WTC 差异的 RMS 值相对于这些独立的 WTC 全球降低约 1 毫米，局部可以达到近 1 厘米。本研究通过考虑一组合适的动态输入来更好地表征大气，为 Sentinel-3 的 WTC 提出了一种新方法，这是对当前算法的显着增强。与 S3 产品中可用的相比，导致 WTC 差异的 RMS 值相对于这些独立的 WTC 全球降低约 1 毫米，局部可以达到近 1 厘米。本研究通过考虑一组合适的动态输入来更好地表征大气，为 Sentinel-3 的 WTC 提出了一种新方法，这是对当前算法的显着增强。