AI और दुनिया की कठिन समस्याएँ · पृथ्वी और जलवायु विज्ञान · arXiv · 2026-10-22

अल्पकालिक वायुमंडलीय सीइंग पूर्वानुमान हेतु संभाव्य मशीन लर्निंग

मूल शीर्षक: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting

यह अध्ययन उन मशीन लर्निंग मॉडलों का बेंचमार्क करता है जो दो घंटे तक आगे के वायुमंडलीय सीइंग का पूर्वानुमान लगाते हैं, जहाँ प्रकाशीय टर्ब्युलेंस के तीव्र परिवर्तन खगोलीय अवलोकनों और फ्री-स्पेस प्रकाशिक संचार को प्रभावित करते हैं। Maunakea शिखर से प्राप्त सीइंग मापों का उपयोग करके Gaussian Processes और नॉर्मलाइज़िंग-फ़्लो-आधारित FloTS की तुलना नियतात्मक RNN और LSTM बेसलाइनों से की गई। डीप लर्निंग दृष्टिकोणों ने मानक रिकरेंट नेटवर्क से बेहतर प्रदर्शन किया; LSTM और FloTS ने सर्वोत्तम समग्र सटीकता हासिल की, और यद्यपि Gaussian Processes अपनी गॉसियन मान्यता की सीमा में रहे, FloTS ने प्रतिस्पर्धी सटीकता को लचीले अनिश्चितता-परिमाणीकरण के साथ जोड़कर सबसे अधिक सूचनापूर्ण संभाव्य पूर्वानुमान प्रस्तुत किए।

मूल लेख पढ़ें ↗

सभी आइटम →