人工智能可有效提升射电望远镜大气修正精度

10月28日，记者从中国科学院新疆天文台获悉，该天文台高级工程师李明帅及其团队，利用南山26米射电望远镜台址的多年全球导航卫星系统和气象观测数据，构建了一种融合门控循环单元与长短期记忆网络的混合深度学习模型。该模型可自动从大量观测数据中学习大气延迟变化规律，从而实现了对天顶对流层延迟的高精度短期预测。相关研究成果近期发表于国际期刊《天文和天体物理学研究》。

据了解，由于受空气密度和水汽含量变化的影响，宇宙中的电磁波在穿越地球大气时传播速度会减慢，从而产生所谓的“对流层延迟”。这种延迟被认为是甚长基线干涉测量和全球导航卫星系统定位中的主要误差来源，它如同一层“隐形镜头”，让信号在大气中发生细微的弯折与滞后，进而影响测量的精度。如何精确建模与预报这种延迟，成为了当前天文观测与大地测量领域亟需攻克的重要课题之一。

科研团队对南山台站多年的全球导航卫星系统观测进行了频谱分析，发现对天顶对流层延迟变化具有明显的年周期与半年度周期—夏季偏高、冬季偏低。这种变化与气温和水汽含量密切相关：温度越高、水汽越多，信号延迟越显著。

针对传统经验模型难以捕捉复杂非线性变化的局限，科研团队引入深度学习架构，将融合门控循环单元用于提取短期变化特征，长短期记忆网络用于记忆长期趋势，两者结合后形成“混合神经网络”，既能捕捉大气延迟的短时波动，又能识别其长期规律。结果显示，该模型的预测误差约为8毫米，相关系数达96%，显著优于传统统计模型和单一神经网络。

李明帅表示，高精度的对流层延迟预测结果，可有效提升甚长基线干涉测量观测的大气相位修正精度，改善射电源定位与基线解算结果，同时也为毫米波天文观测提供更准确的气象支撑，并在可降水量反演与天气预报中具有广泛的应用前景。该研究展示了人工智能在射电望远镜大气校正中的应用潜力，为未来奇台110米望远镜及多站干涉观测的高频段运行奠定了技术基础。