Çin Bilimler Akademisi’nin Sincan Astronomi Gözlemevi’nden araştırmacılar, astronomik gözlemlerde ve jeodezik ölçümlerde önemli bir hata kaynağı olan atmosferik gecikmeyi doğru bir şekilde tahmin edebilen hibrit bir derin öğrenme modeli geliştirdiler. Çalışma şurada yayınlandı: Astronomi ve Astrofizik Araştırmaları.
Elektromanyetik dalgalar, hava yoğunluğu ve su buharı içeriğindeki değişiklikler nedeniyle Dünya atmosferinden geçerken yavaşlar ve bu da “troposferik gecikme” olarak bilinen duruma neden olur. Bu gecikme, Çok Uzun Temel Hat Girişim Ölçümü (VLBI) ve Küresel Navigasyon Uydu Sistemi (GNSS) konumlandırmasında önemli bir hata kaynağı olarak kabul edilir.
“Görünmez bir mercek” gibi davranarak sinyallerin hafifçe bükülmesine ve atmosferde gecikmesine neden olarak ölçüm doğruluğunu etkiler. Bu gecikmeyi doğru bir şekilde modellemek ve tahmin etmek, astronomik gözlem ve jeodezik ölçüm alanlarında önemli bir zorluk haline geldi.
LI Mingshuai liderliğindeki araştırmacılar, NanShan 26 metre Radyo Teleskobu’ndan elde edilen çok yıllık GNSS ve meteorolojik verileri kullanarak, Geçitli Tekrarlayan Birim (GRU) ve Uzun Kısa Süreli Bellek (LSTM) ağını birleştiren derin öğrenme modelini geliştirdi. Bu model, yapay zekanın önemli bir dalıdır ve büyük hacimli verilerden atmosferik gecikme değişimlerinin modellerini otomatik olarak öğrenebilir. Zenith Troposferik Gecikmesinin (ZTD) yüksek hassasiyetli kısa vadeli tahminini gerçekleştirir.
NanShan istasyonundaki uzun vadeli GNSS gözlemlerinin spektral analizi yoluyla araştırmacılar, ZTD varyasyonunda yazın daha fazla, kışın daha az gecikmeyle farklı yıllık ve altı aylık döngüler belirlediler. Bu değişimler sıcaklık ve su buharı içeriğiyle yakından ilişkiliydi; atmosfer ne kadar sıcak ve nemliyse sinyal gecikmesi de o kadar büyük olur.
Karmaşık doğrusal olmayan davranışları yakalamaya çalışan geleneksel ampirik modellerin sınırlamalarını ele almak için araştırmacılar, GRU’nun kısa vadeli dinamik özellikleri çıkarırken LSTM’nin uzun vadeli eğilimleri yakaladığı bir derin öğrenme mimarisini benimsedi. Bu ikisini birleştiren “hibrit sinir ağı”, atmosferik gecikmedeki hem kısa vadeli dalgalanmaları hem de mevsimsel düzenlilikleri etkili bir şekilde modelliyor.
Sonuçlar, modelin yalnızca yaklaşık 8 milimetrelik bir tahmin hatasına ve %96’lık bir korelasyon katsayısına ulaştığını ve bu sayede geleneksel istatistiksel ve tek ağ yaklaşımlarından önemli ölçüde daha iyi performans gösterdiğini gösteriyor.
Troposferik gecikmenin yüksek hassasiyetli tahminleri, VLBI gözlemleri için atmosferik faz kalibrasyonunu önemli ölçüde iyileştirebilir, radyo kaynağı konumlandırmasını ve temel çözümleri geliştirebilir ve milimetre dalga astronomisi için daha doğru meteorolojik destek sağlayabilir. Dahası, sonuçların çökeltilebilir su buharı kazanımı ve hava durumu tahminlerinde geniş uygulamaları vardır.
Bu çalışma, radyo teleskopları için atmosferik kalibrasyonda yapay zekanın potansiyelini ortaya koyuyor ve Qitai 110 metrelik Teleskobun yüksek frekanslı operasyonları ve gelecekteki çok istasyonlu interferometrik gözlemler için teknik bir temel oluşturuyor.
