中国团队利用人工智能提高南山射电望远镜大气校正精度

【环球网科技综合报道】10月22日消息：受空气密度和水蒸气含量变化影响，宇宙电磁波在穿过地球大气层时传播速度减慢，导致对流层延迟。这种延迟被认为是超长基线干涉测量 (VLBI) 和全球导航卫星系统 (GNSS) 定位中的主要误差源。如何准确地建模和预测这种延迟已成为当前天文观测和大地测量领域需要克服的重要问题之一。对此，中国科学院新疆天文台李明帅团队利用多年的GNSS和南山26米射电望远镜站点的气象观测数据，开发了一种融合门控循环单元（GRU）和长短期记忆（LSTM）网络的混合深度学习模型。该方法属于人工智能的一个重要分支技术，可以从大量观测数据中自动学习大气延迟的变化规律，从而实现天顶对流层延迟（ZTD）的高精度短期预测。据悉，相关研究成果已发表在天文学和天体物理学研究领域。 研究小组首先对南山站多年的GNSS观测进行了频谱分析，发现ZTD变化具有明显的年和半年循环——夏季较高，冬季较低。这种变化与温度和水蒸气含量密切相关：温度越高，水蒸气越多，信号延迟越显着。看到传统经验模型难以捕捉复杂非线性变化的局限性，研究团队引入了深度学习架构，使用GRU提取短期变化特征，使用LSTM记忆长期趋势。的组合两者形成了一个“混合神经网络”，可以捕获大气延迟的短期波动并识别其长期模式。结果表明，该模型的预测误差仅为8 mm左右，相关系数达到96%，明显优于传统统计模型和单一神经网络。高精度延迟预报结果可以有效提高VLBI观测大气相位相位校正的精度，改善射源定位结果和基线解算结果，也为天文逐波观测提供更准确的气象支撑。在降水量（PWV）反演和天气预报方面具有广泛的应用前景。该研究展示了人工智能在射电望远镜大气校正方面的潜力，为奇台110米望远镜未来高频运行奠定了技术基础e (QTT) 和多站干扰观测。 （青云）