一种用于FY-4A/GIIRS高光谱红外亮度温度的可解释非线性智能偏差校正方法 王根、 徐冰、 叶松、 支谢飞、 张天宁、 杨友鹏、 刘阳、 谢峰、 刘桥、 张海丽

《Remote Sensing》：An Interpretable Nonlinear Intelligent Bias Correction Method for FY-4A/GIIRS Hyperspectral Infrared Brightness Temperatures Gen Wang, Bing Xu, Song Ye, Xiefei Zhi, Tiening Zhang, Youpeng Yang, Yang Liu, Feng Xie, Qiao Liu and Haili Zhang

　　

摘要

风云-4A（FY-4A）卫星上的地球静止干涉红外探测器（GIIRS）所进行的高光谱红外观测是数值天气预报（NWP）同化的重要数据来源。然而，观测到的亮温与模拟值之间存在系统性差异（即观测增量包含可预测的系统性偏差成分）。为了解决传统线性方法难以捕捉偏差与预报预测因子之间非线性关系的问题，本研究提出了一种结合集成学习和可解释人工智能的智能偏差校正方法。首先，使用熵减少方法筛选出69个中波通道；然后，分别采用随机森林（Random Forest）、XGBoost、LightGBM、决策树（Decision Tree）和Extra Tree作为基础学习器构建加权平均集成模型。训练和验证过程使用了台风“利奇马”期间FY-4A/GIIRS的高频晴空观测数据。研究结果表明：（1）集成学习校正方法优于单一模型和传统离线方法，训练集的亮温偏差均方根误差小于0.9209 K，测试集的偏差均方根误差小于1.4447 K；（2）基于Shapley加性解释（SHAP）的可解释性分析揭示了经度、大气厚度、地表温度和总可降水量等因素对偏差校正的贡献及非线性影响机制。本研究提供了一种兼具高精度和可解释性的智能偏差校正框架，为类似GIIRS的高光谱卫星观测数据的偏差校正和同化应用提供了参考。