Исследователи из Синьцзянской астрономической обсерватории Китайской академии наук разработали гибридную модель глубокого обучения, которая может точно прогнозировать атмосферную задержку — ключевой источник ошибок в астрономических наблюдениях и геодезических измерениях. Исследование [опубликовано](https://iopscience.iop.org/article/10.1088/1674-4527/adf70f) в журнале Research in Astronomy and Astrophysics.
Почему это важно?
Электромагнитные волны замедляются при прохождении через атмосферу Земли из-за изменений плотности воздуха и содержания водяного пара. Это явление известно как «тропосферная задержка». Она считается основным источником ошибок в интерферометрии с очень длинной базой (VLBI) и позиционировании по глобальной навигационной спутниковой системе (GNSS).
Подобно «невидимой линзе», атмосферная задержка заставляет сигналы слегка отклоняться и запаздывать, что влияет на точность измерений. Точное моделирование и прогнозирование этой задержки стало важной задачей в области астрономических наблюдений и геодезических измерений.
Как это работает?
Используя многолетние данные GNSS и метеорологические данные, полученные с 26-метрового радиотелескопа NanShan, исследователи под руководством Ли Миньшуая разработали модель глубокого обучения, сочетающую управляемую рекуррентную единицу (GRU) и сеть с долгой краткосрочной памятью (LSTM). Эта модель автоматически выявляет закономерности изменений атмосферной задержки на основе больших объёмов данных и обеспечивает высокоточное краткосрочное прогнозирование зенитной тропосферной задержки (ZTD).
Через спектральный анализ долгосрочных наблюдений GNSS на станции NanShan исследователи выявили отчётливые годовые и полугодовые циклы в изменении ZTD, с большей задержкой летом и меньшей — зимой. Эти вариации тесно коррелировали с температурой и содержанием водяного пара: чем теплее и влажнее атмосфера, тем больше задержка сигнала.
Чтобы преодолеть ограничения традиционных эмпирических моделей, которые с трудом улавливают сложные нелинейные зависимости, исследователи использовали архитектуру глубокого обучения, в которой GRU извлекает краткосрочные динамические характеристики, а LSTM фиксирует долгосрочные тенденции. Комбинируя их, «гибридная нейронная сеть» эффективно моделирует как краткосрочные колебания, так и сезонные закономерности в атмосферной задержке.
Результаты
Результаты показывают, что модель достигает ошибки прогнозирования всего около 8 миллиметров и коэффициента корреляции 96%, значительно превосходя традиционные статистические и односетевые подходы.
Высокоточные прогнозы тропосферной задержки могут существенно улучшить атмосферную фазовую калибровку для наблюдений VLBI, повысить точность позиционирования радиоисточников и базовых решений, а также обеспечить более точную метеорологическую поддержку для миллиметровой астрономии. Кроме того, результаты имеют широкое применение в определении содержания водяного пара и прогнозировании погоды.
Это исследование демонстрирует потенциал искусственного интеллекта в атмосферной калибровке для радиотелескопов и закладывает техническую основу для высокочастотной работы 110-метрового телескопа Qitai и будущих многостанционных интерферометрических наблюдений.
Предоставлено Китайской академией наук.