基于高光谱红外L1数据的机器学习反演风速研究：提升精度与时效性

本研究利用GIIRS高光谱红外L1辐射数据，通过机器学习方法提升中国东南区域风速反演精度与时间分辨率。研究人员采用随机森林(RF)等算法，实现RMSE 0.459、相关系数0.895的优异性能，为气象监测提供高时效数据支持。

　　

本研究采用静止轨道干涉式红外探测仪(GIIRS)获取的高分辨率高光谱红外辐射Level 1(L1)数据，针对中国东南区域开展风速反演研究。通过数据预处理、特征提取（包括辐射比率、经纬度、高程及由辐射值计算的亮度温度等），系统评估了随机森林(RF)、梯度提升(GB)、自适应提升(Adab)和多层感知器人工神经网络(MLP-ANN)等机器学习模型。采用网格搜索进行超参数优化，并以ERA5再分析风速数据作为真值标签。实验仅选取2022年8月8-11日晴空或近晴空像元，结果显示RF模型表现最优，测试集均方根误差(RMSE)达0.459，相关系数(R)为0.895；GB模型次之（RMSE=0.529, R=0.85）。该方法的突破性在于直接利用L1级GIIRS原始辐射数据，显著提升风速反演的时效性与准确性，为气象水文监测提供重要技术支撑。