Maximilian Pierzyna, Sukanta Basu, R. Saathof
2024-08-01
Artificial Intelligence for the Earth Systems
10.1175/aies-d-24-0076.1
2 citations
摘要
This study introduces Optical Turbulence Climatology Using Machine Learning (OTCliM), a novel approach for deriving comprehensive climatologies of atmospheric optical turbulence strength () using gradient boosting machines. OTCliM addresses the challenge of efficiently obtaining reliable site-specific climatologies near the surface, crucial for ground-based astronomy and free-space optical communication. Using gradient boosting machines and global reanalysis data, OTCliM extrapolates 1 year of ...
本研究旨在解决有效获取可靠的近地面大气光学湍流强度（C²n）气候学数据的挑战，这对于地基天文学和自由空间光通信至关重要。研究提出了OTCliM方法，用于推导全面的C²n气候学数据。
研究采用梯度提升机，利用全球再分析数据，将一年的C²n测量数据外推为多年时间序列。通过对纽约州17个不同站点的C²n数据进行评估，验证了OTCliM的时间外推能力和地理泛化能力。
结果表明，OTCliM能够准确预测不同站点的四年C²n数据，包括复杂的城市环境，且优于传统的分析模型。非城市模型相比城市模型表现出更好的地理泛化能力。特征重要性分析验证了训练模型的物理一致性。