基于FY4B-GIIRS高光谱红外数据与机器学习的地表风速反演模型研究 中文标题

本研究针对地表风速反演精度与时效性问题，由中国研究人员基于FY4B-GIIRS卫星L1数据，结合辐射归一化、亮度温度等多特征输入，系统对比RF、GB、AdaB和MLP-ANN等机器学习模型，最终优选随机森林（RF）算法实现RMSE 0.459、相关系数0.895的高精度风速估算，为气象监测提供及时可靠的数据支持。

　　

利用高分辨率高光谱红外辐射一级数据（L1），这项研究提升了中国东南区域地表风速反演的精度与时间分辨率。方法涵盖数据预处理、模型筛选、超参数调优、训练及评估环节：来自静止干涉式红外探测仪（GIIRS）的辐射值经过归一化处理，并结合辐射比率、经纬度、海拔及由辐射值换算的亮度温度等关键特征，作为多种机器学习（ML）模型的输入数据。研究仅纳入2022年8月8–11日期间晴空或近似晴空的观测点，目标变量风速则源自ERA5再分析资料以保证数据一致性。通过网格搜索调参，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）等算法，其中RF表现最优，在测试集上均方根误差（RMSE）达0.459，相关系数（R）为0.895；GB次之，RMSE 0.529、R 0.85；ANN与AdaB随后。除精度优势外，该方法的显著长处在于可及时获取GIIRS L1级数据，这对风速估算具有重要价值。