基于深度Q网络的动态加权集成学习模型提升HJ-1B卫星海表温度反演精度

为解决海表温度(SST)反演精度不足的问题，研究人员开发了基于深度Q网络(DQN)的动态加权集成学习(DDW-EL)模型。该研究整合HJ-1B IRS卫星数据与多源海洋参数(T2M/SSS/SSD等)，通过动态调整XGBoost/RandomForest/LightGBM模型权重，使平均R2达0.8717、RMSE仅0.9298K，显著提升了复杂海洋环境下的SST反演能力。

　　

这项突破性研究构建了革命性的深度Q网络(DQN)驱动动态加权集成学习框架(DDW-EL)，为破解海表温度(SST)遥感反演难题提供了智能解决方案。科研团队巧妙融合HJ-1B卫星热红外(IRS)数据与七维海洋环境参数——包括2米气温(T2M)、海表盐度(SSS)、密度(SSD)、高度(SSH)、风速(SSW)、气压(MSL)和太阳辐射(SSR)，打造出具备环境自适应能力的智能反演系统。

该模型的核心创新在于引入强化学习机制，像经验丰富的船长调整航向那样，实时优化XGBoost、RandomForest和LightGBM三大机器学习模型的集成权重。验证实验采用权威的OISST产品训练，并引入Argo浮标数据进行严格测试，结果显示其反演精度(R²=0.8717)显著超越单一模型，温度误差(RMSE)控制在0.9298开尔文以内，相当于体温测量误差不超过1℃的惊人精度。

有趣的是，这个智能系统展现出明显的季节适应性：在春秋季表现最为稳健，犹如精准的海洋温度计；夏季受复杂海气交互影响稍显波动，但全年误差始终保持在极低水平。该技术突破不仅弥补了传统线性回归在捕捉SST非线性关系上的缺陷，更开创性地实现了多模型优势的智能融合，为全球气候变化研究和海洋生态保护提供了强有力的技术支撑。