AI 與世界的難題 · 地球與氣候科學 · arXiv · 2026-10-22
以機率機器學習進行短期大氣視寧度預報
原標題: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting
該研究對可提前最多兩小時預報大氣視寧度（seeing）的機器學習模型進行基準測試；光學亂流的快速變化會影響天文觀測與自由空間光通訊。研究利用毛納基亞（Maunakea）山頂的視寧度觀測資料，將高斯過程與基於正規化流（normalizing flow）的 FloTS，和確定性 RNN 與 LSTM 基準模型相比較。深度學習方法的表現優於標準遞迴網路，其中 LSTM 與 FloTS 達到最佳的整體準確度；高斯過程受限於其高斯假設，FloTS 則結合具競爭力的準確度與彈性的不確定性量化，產出資訊量最豐富的機率預報。