ИИ и сложнейшие проблемы мира · Науки о Земле и климате · arXiv · 2026-10-22
Вероятностное машинное обучение для краткосрочного прогнозирования атмосферного видения
Оригинальное название: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting
В исследовании протестированы модели машинного обучения, прогнозирующие атмосферный сиинг с заблаговременностью до двух часов, где быстрые вариации оптической турбулентности влияют на астрономические наблюдения и оптическую связь в свободном пространстве. Гауссовские процессы и основанный на нормализующих потоках FloTS сравнивались с детерминированными базовыми моделями RNN и LSTM по измерениям сиинга на вершине Мауна-Кеа. Подходы на основе глубокого обучения превзошли стандартные рекуррентные сети, причём лучшую общую точность показали LSTM и FloTS; и, хотя гауссовские процессы были ограничены своим гауссовским предположением, FloTS сочетал конкурентную точность с гибкой квантификацией неопределённости, обеспечивая наиболее информативные вероятностные прогнозы.