Искусственный интеллект против атмосферных искажений: Новая модель предсказывает задержки сигнала с рекордной точностью
Ученые из Синьцзянской астрономической обсерватории Китайской академии наук совершили прорыв в решении одной из ключевых проблем современной астрономии и геодезии — компенсации атмосферных искажений. Они разработали гибридную модель глубокого обучения, способную с высочайшей точностью предсказывать тропосферную задержку — эффект, который является основным источником погрешностей в сверхдлиннобазовой интерферометрии (РСДБ) и в глобальных навигационных спутниковых системах (ГНСС). Результаты исследования опубликованы в журнале Research in Astronomy and Astrophysics.
Проблема «невидимой линзы»
Когда электромагнитные волны от далеких космических объектов или спутников проходят через земную атмосферу, они сталкиваются с переменной плотностью воздуха и содержанием водяного пара. Это заставляет их замедляться и слегка искривляться, подобно тому, как луч света преломляется, проходя через линзу. Возникающая тропосферная задержка искажает сигналы, снижая точность позиционирования и качество астрономических изображений. Традиционные эмпирические модели зачастую не справляются с учетом сложного нелинейного поведения атмосферы, что и побудило исследователей обратиться к методам искусственного интеллекта.
Гибридный интеллект для точного прогноза
Под руководством Ли Миншуая научная группа использовала многолетние данные ГНСС и метеонаблюдений, полученные с помощью 26-метрового радиотелескопа «Наньшань». На их основе была создана модель, объединяющая два типа рекуррентных нейронных сетей: GRU (Gated Recurrent Unit) и LSTM (Long Short-Term Memory).
Этот гибридный подход позволил эффективно анализировать данные с разных временных масштабов:
-
GRU отвечает за захват краткосрочных динамических изменений в атмосфере.
-
LSTM выявляет долгосрочные тренды и сезонные закономерности.
Спектральный анализ данных со станции «Наньшань» выявил четкие годовые и полугодовые циклы в изменении задержки: летом, когда атмосфера теплее и насыщена влагой, задержка максимальна, а зимой — минимальна. Новая модель способна учитывать эти сложные зависимости.
Рекордные результаты и широкие перспективы
Результаты тестирования показали выдающуюся эффективность модели: ошибка прогнозирования составила всего около 8 миллиметров, а коэффициент корреляции достиг 96%. Это значительно превосходит точность традиционных статистических методов и моделей, использующих только одну нейронную сеть.
Высокоточное прогнозирование тропосферной задержки открывает новые возможности для науки и техники:
-
Для астрономии: Улучшение фазовой калибровки в РСДБ-наблюдениях, повышение точности позиционирования радиоисточников и определения параметров базовых линий. Это критически важно для работы крупнейших инструментов, таких как радиотелескоп «Цитай» диаметром 110 метров, и для будущих интерферометрических наблюдений с участием множества станций.
-
Для геодезии и навигации: Повышение точности ГНСС-позиционирования.
-
Для метеорологии: Модель может быть использована для более точного определения содержания паров воды в атмосфере (влагосодержания), что улучшает качество прогноза погоды.
Таким образом, данное исследование не только демонстрирует огромный потенциал искусственного интеллекта в решении фундаментальных научных задач, но и закладывает прочный технический фундамент для будущих открытий в астрономии и высокоточной геодезии.
В нашем Telegram‑канале, и группе ВК вы найдёте новости о непознанном, НЛО, мистике, научных открытиях, неизвестных исторических фактах. Подписывайтесь, чтобы ничего не пропустить.
