La IA y los problemas difíciles del mundo · Ciencias de la Tierra y del clima · arXiv · 2026-10-22
Aprendizaje automático probabilístico para la predicción a corto plazo del seeing atmosférico
Título original: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting
El estudio evalúa de forma comparativa modelos de aprendizaje automático que pronostican el seeing atmosférico con hasta dos horas de antelación, donde las variaciones rápidas de la turbulencia óptica afectan a las observaciones astronómicas y a la comunicación óptica en espacio libre. Se compararon los procesos gaussianos y FloTS, basado en flujos de normalización, con líneas base deterministas de RNN y LSTM utilizando mediciones de seeing en la cumbre del Maunakea. Los enfoques de aprendizaje profundo superaron a las redes recurrentes estándar, con LSTM y FloTS logrando la mejor precisión general y, aunque los procesos gaussianos estuvieron limitados por su supuesto de gaussianidad, FloTS combinó una precisión competitiva con una cuantificación flexible de la incertidumbre para producir los pronósticos probabilísticos más informativos.