L'IA face aux grands problèmes du monde · Sciences de la Terre et du climat · arXiv · 2026-10-22
Apprentissage automatique probabiliste pour la prévision à court terme du seeing atmosphérique
Titre original: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting
L'étude évalue des modèles d'apprentissage automatique qui prévoient le seeing atmosphérique jusqu'à deux heures à l'avance, où de rapides variations de la turbulence optique affectent les observations astronomiques et les communications optiques en espace libre. Les processus gaussiens et FloTS, fondé sur les flots de normalisation, ont été comparés à des références déterministes RNN et LSTM à partir de mesures de seeing effectuées au sommet du Maunakea. Les approches d'apprentissage profond ont surpassé les réseaux récurrents standards, LSTM et FloTS obtenant la meilleure précision globale, et tandis que les processus gaussiens étaient limités par leur hypothèse gaussienne, FloTS a combiné une précision compétitive avec une quantification flexible de l'incertitude pour produire les prévisions probabilistes les plus informatives.