中國團隊利用AI提升南山射電望遠鏡大氣修正精度

【環球網科技綜合報道】10月22日消息，受空氣密度和水汽含量變化的影響，宇宙中的電磁波在穿越地球大氣時傳播速度會減慢，從而產生對流層延遲。這種延遲被認為是甚長基線干涉測量（VLBI）和全球導航衞星系統（GNSS）定位中的主要誤差來源。如何精確建模與預報這種延遲，成為了當前天文觀測與大地測量領域亟需攻克的重要課題之一。

對此，中國科學院新疆天文台李明帥團隊，利用南山26米射電望遠鏡台址的多年GNSS和氣象觀測數據，構建了一種融合門控循環單元（GRU）與長短期記憶網絡（LSTM）的混合深度學習模型。該方法屬於人工智能技術的重要分支，可自動從大量觀測數據中學習大氣延遲變化規律，從而實現對天頂對流層延遲（ZTD）的高精度短期預測。

據悉，相關研究成果發表在《天文與天體物理研究》（Research in Astronomy and Astrophysics）上。

團隊首先對南山台站多年的GNSS觀測進行了頻譜分析，發現ZTD變化具有明顯的年週期與半年度週期——夏季偏高、冬季偏低。這種變化與氣温和水汽含量密切相關：温度越高、水汽越多，信號延遲越顯著。

針對傳統經驗模型難以捕捉複雜非線性變化的侷限，研究團隊引入深度學習架構，將GRU用於提取短期變化特徵，LSTM用於記憶長期趨勢，兩者結合後形成“混合神經網絡”，既能捕捉大氣延遲的短時波動，又能識別其長期規律。結果顯示，該模型的預測誤差僅約為8毫米，相關係數達96%，顯著優於傳統統計模型和單一神經網絡。

高精度的對流層延遲預測結果，可有效提升VLBI觀測的大氣相位修正精度，改善射電源定位與基線解算結果，同時也為毫米波天文觀測提供更準確的氣象支撐，在可降水量（PWV）反演與天氣預報中具有廣泛的應用前景。該研究展示了人工智能在射電望遠鏡大氣校正中的應用潛力，為未來奇台110米望遠鏡（QTT）及多站干涉觀測的高頻段運行奠定了技術基礎。（青雲）