IA e os Problemas Difíceis do Mundo · Ciências da Terra e do clima · arXiv · 2026-10-22
Aprendizado de Máquina Probabilístico para Previsão de Curto Prazo do Seeing Atmosférico
Título original: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting
O estudo realiza benchmarks de modelos de aprendizado de máquina que preveem o seeing atmosférico com até duas horas de antecedência, em que rápidas variações da turbulência óptica afetam observações astronômicas e comunicação óptica em espaço livre. Processos Gaussianos e o FloTS, baseado em normalizing flows, foram comparados a linhas de base determinísticas de RNN e LSTM usando medições de seeing no cume do Maunakea. As abordagens de aprendizado profundo superaram as redes recorrentes padrão, com LSTM e FloTS alcançando a melhor precisão geral, e, embora os Processos Gaussianos fossem limitados por sua suposição gaussiana, o FloTS combinou precisão competitiva com quantificação flexível de incerteza para produzir as previsões probabilísticas mais informativas.