AI与世界难题 · 地球与气候科学 · arXiv · 2026-10-22
用于短期大气视宁度预报的概率机器学习
原标题: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting
该研究对可提前至多两小时预报大气视宁度的机器学习模型进行了基准测试，其中光学湍流的快速变化会影响天文观测和自由空间光通信。研究利用莫纳克亚山顶的视宁度测量数据，将高斯过程和基于归一化流的 FloTS 与确定性 RNN 和 LSTM 基线进行了比较。深度学习方法优于标准循环网络，其中 LSTM 和 FloTS 取得了最佳的整体精度；高斯过程虽受其高斯假设所限，但 FloTS 将有竞争力的精度与灵活的不确定性量化相结合，给出了信息量最大的概率预报。