Znanstvenici s Astronomskog opservatorija Xinjiang pri Kineskoj akademiji znanosti razvili su hibridni model umjetne inteligencije koji s iznimnom preciznošću predviđa utjecaj atmosfere na prolazak radijskih signala, jedan od uzroka pogrešaka u astronomskim opažanjima i geodetskim mjerenjima.
Elektromagnetski valovi usporavaju prolaskom kroz Zemljinu atmosferu zbog promjena u gustoći zraka i sadržaju vodene pare, što dovodi do tzv. troposferskog kašnjenja. Taj učinak predstavlja glavni izvor pogrešaka u Dugobazičnoj interferometriji (VLBI) i u pozicioniranju putem sustava globalne navigacije (GNSS). Atmosfera tako djeluje poput “nevidljive leće” koja lagano savija i usporava signale, smanjujući točnost mjerenja. Upravo zato precizno modeliranje i predviđanje tog kašnjenja postaje ključno pitanje za astronomska i geodetska istraživanja.
Duboko učenje otkriva obrasce u atmosferi
Koristeći višegodišnje GNSS i meteorološke podatke prikupljene pomoću 26-metarskog radijskog teleskopa NanShan, tim kojim je vodio LI Mingshuai razvio je model dubokog učenja koji kombinira dvije neuronske mreže: Gated Recurrent Unit (GRU) i Long Short-Term Memory (LSTM). Riječ je o naprednoj metodi umjetne inteligencije koja iz velikih skupova podataka automatski uči obrasce promjena u atmosferskim uvjetima. Time se omogućuje vrlo precizno kratkoročno predviđanje zenitnog troposferskog kašnjenja (ZTD).
Spektralna analiza dugoročnih GNSS opažanja na postaji NanShan otkrila je izražene godišnje i polugodišnje cikluse u promjenama ZTD-a, s većim kašnjenjima tijekom ljeta i manjima zimi. Te su varijacije bile usko povezane s temperaturom i količinom vodene pare u atmosferi: što je zrak topliji i vlažniji, to su signali sporiji.
Hibridna mreža nadmašuje klasične modele
Budući da klasični empirijski modeli teško obuhvaćaju složene i nelinearne procese u atmosferi, istraživači su razvili arhitekturu dubokog učenja u kojoj GRU mreža prepoznaje kratkoročne dinamičke promjene, dok LSTM bilježi dugoročne trendove. Spajanjem tih dvaju pristupa nastao je “hibridni neuronski sustav” koji jednako precizno opisuje brze oscilacije i sezonske obrasce u troposferskom kašnjenju.
Rezultati pokazuju da model postiže pogrešku predviđanja od tek oko osam milimetara, uz koeficijent korelacije od 96 posto, znatno bolje od uobičajenih statističkih pristupa i pojedinačnih neuronskih mreža. Takva visokoprecizna predviđanja troposferskog kašnjenja omogućuju znatno točniju faznu kalibraciju atmosfere u VLBI opažanjima, poboljšavaju određivanje položaja radijskih izvora i udaljenosti između opažačkih postaja te pružaju precizniju meteorološku podršku za astronomiju milimetarskih valova.
Osim toga, metoda se može primijeniti i u izračunu količine oborive vodene pare te u prognoziranju vremena. Istraživanje potvrđuje kako umjetna inteligencija može znatno unaprijediti atmosferske korekcije u radijskoj astronomiji i postavlja tehničke temelje za rad budućeg 110-metarskog teleskopa Qitai te za složenija višepostajna interferometrijska opažanja.
