Estimaciones precisas y específicas del sitio de las velocidades del viento en superficie (SWS) ayudarían enormemente al desarrollo de energía limpia. La calidad de la estimación depende del método de interpolación de los datos de SWS en cuadrícula para derivar la velocidad del viento en una ubicación dada. Este trabajo utiliza múltiples métodos de aprendizaje automático (ML) y aprendizaje profundo (DL) para estimar las velocidades del viento en ubicaciones a través del este de China utilizando los datos en cuadrícula de quinta generación del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo. El error cuadrático medio (RMSE) de las estimaciones de estos modelos para el verano y el invierno se reduce, respectivamente, en un 23% y un 16% en promedio en comparación con la interpolación lineal simple. Una red neuronal convolucional profunda (DCNN) muestra un rendimiento consistentemente superior entre los modelos considerados, reduciendo el RMSE en un 26% y un 23% para los datos de verano e invierno, respectivamente. Además, examinamos la dependencia de las estimaciones de los modelos en la altitud, la categoría de uso del suelo y la SWS media local. Y encontramos que la DCNN puede reflejar las relaciones no lineales entre estas variables y la SWS. Por lo tanto, puede ser utilizada para estimaciones de velocidad del viento específicas del sitio en una gran área como el este de China.