KI und die schwierigen Probleme der Welt · Erd- & Klimawissenschaften · arXiv · 2026-10-22
Probabilistisches maschinelles Lernen zur Kurzfristvorhersage des atmosphärischen Seeings
Originaltitel: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting
Die Studie benchmarkt Machine-Learning-Modelle, die das atmosphärische Seeing bis zu zwei Stunden im Voraus vorhersagen, wobei schnelle Schwankungen der optischen Turbulenz astronomische Beobachtungen und die optische Freiraumkommunikation beeinträchtigen. Gauß-Prozesse und das auf Normalizing Flows basierende FloTS wurden anhand von Seeing-Messungen vom Gipfel des Maunakea mit deterministischen RNN- und LSTM-Baselines verglichen. Deep-Learning-Ansätze übertrafen die üblichen rekurrenten Netze, wobei LSTM und FloTS die beste Gesamtgenauigkeit erreichten, und während Gauß-Prozesse durch ihre Gauß-Annahme begrenzt waren, kombinierte FloTS wettbewerbsfähige Genauigkeit mit flexibler Unsicherheitsquantifizierung und lieferte die informativsten probabilistischen Vorhersagen.