来源：环球网【环球网科技综合报道】10月22日消息 受大气密度和水汽含量变化的影响，电磁波在太空中的传播速度在穿过地球大气层时减慢，导致对流层出现延迟。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是当前天文观测和大地测量领域必须克服的关键问题之一。对此，中国科学院新疆天文台李明帅团队利用南山26米射电望远镜站点多年的气象和GNSS观测数据，构建了集成门控循环单元（GRU）和长短期记忆（LSTM）网络的混合深度学习模型。该方法属于人工合成的一个重要领域。人工智能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，从而实现高精度的天顶对流层延迟（ZTD）短期预测。据悉，相关研究成果发表在《天文学与天体物理学研究》上。研究小组首先对南山天文台多年的GNSS观测进行了光谱分析，发现ZTD的变化具有明显的年和半年周期，夏季水平较高，冬季水平较低。这种变化与温度和水蒸气含量密切相关：温度越高、水蒸气量越大，信号延迟越大。考虑到传统经验模型难以捕捉复杂非线性变化的局限性，研究团队引入了一种深度学习架构，利用GRU从短期变化中提取特征s 和 LSTM 来记住长期趋势。两者的结合形成了一个“混合神经网络”，可以捕获大气延迟的短期变化并识别其长期模式。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个体神经网络。高精度对流层延迟预测结果基于VLBI大气观测。有效提高相位校正精度，提高射电源定位和解算结果参考，也为毫米波天文观测提供更精准的气象支撑。预计它会有广泛的应用，例如获取可降水量（PWV）和天气预报。这项研究展示了人工智能在射电望远镜大气校正方面的潜力，并奠定了人工智能在射电望远镜大气校正方面的潜力。为今后七台110米望远镜的高频作业和多站干涉观测奠定了技术基础。 （青云）
特别提示：以上内容（包括图片、视频，如有）由自有媒体平台“网易账号”用户上传发布。本平台仅提供信息存储服务。
注：以上内容（包括图片和视频，如有）由网易号社交网络用户上传并发布。该平台仅提供仓储服务信息生成。
