Предсказание вертикального профиля оптической турбулентности по ассимилированным метеорологическим характеристикам и данным оптических измерений с использованием Машинного Обучения

Введение

Оптические неоднородности атмосферы ограничивают разрешающую способность наземных телескопов. Для улучшения качества наблюдений необходимо знание высотного распределения структурной постоянной турбулентных флуктуаций показателя преломления воздуха Cn2​. В данной работе мы апробировали методы машинного обучения[1] с целью предсказания высотного профиля Cn2​.

Методология

Для подготовки обучающего набора данных использовались данные реанализа атмосферы ERA-5 и метеорологические характеристики, полученные в приземном слое. Эти данные были скомбинированы с архивными оптическими наблюдениями Cn2 на Кавказской астрономической обсерватории ГАИШ МГУ.

Данные ERA-5 имеют ежечасное разрешение и получены в результате ассимиляции измерений атмосферных характеристик. Входными параметрами для обучения модели стали: высота пограничного слоя, турбулентные приповерхностные напряжения, напряжения от гравитационных волн и средняя скорость порывов ветра[2].

Метеорологические характеристики включали температуру воздуха, скорость и направление приземного ветра, а также влажность. Оптические измерения проводились с помощью телескопа, используя методику MASS-DIMM[3].

Данные и результаты

Измеренные значения Cn2​ были доступны для высот: 0, 0.5, 0.71, 1, 1.41, 2, 2.82, 4, 5.66, 8, 11.3, 16, 22.6 км. Архивы данных охватывают период с 15 ноября 2007 года по 16 июня 2013 года. Для обучения использовались десятичные логарифмы lgCn2​.

В результате исследования была получена оптимальная конфигурация модели "Случайный Лес", связывающая вертикальные профили атмосферной оптической турбулентности с данными реанализа ERA-5. Метод "Случайного Леса" показал наилучшие результаты: коэффициент корреляции между измеренными и предсказанными значениями Cn2 составил около 0.78.

Для высоты 0.71 км средние абсолютные и квадратические отклонения между измеренными и предсказанными значениями lg(Cn2) составили около 0.44 и 0.32 соответственно. Для высоты 22.6 км эти значения составили 0.13 и 0.03.

Выводы

Наиболее важными входными характеристиками для моделирования вертикальных профилей АОТ являются данные реанализа ERA-5, включая составляющие скорости ветра и температуру воздуха. Это позволяет предположить, что вертикальные профили АОТ могут быть определены с использованием машинного обучения для других астрономических обсерваторий.

По нашим оценкам, использование локальных приземных данных улучшает качество воспроизведения вариаций Cn2​ на 5-8%.

Работа выполнена за счет гранта Российского научного фонда № 23-72-00041. Измерения и первичная обработка данных осуществлены при поддержке Минобрнауки России.

Список источников

1. Shikhovtsev, A.Y. et al. Estimation of Astronomical Seeing with Neural Networks at the Maidanak Observatory. Atmosphere 2024, 15, 38. https://doi.org/10.3390/atmos15010038

2. Shikhovtsev, A.Y.; Kovadlo, P.G. Atmospheric Boundary Layer and Free Atmosphere: Dynamics, Physical Processes, and Measuring Methods. Atmosphere 2023, 14, 328. https://doi.org/10.3390/atmos14020328

3. Shikhovtsev, A.Y. et al. Vertical Distribution of Optical Turbulence at the Peak Terskol Observatory and Mount Kurapdag. Remote Sens. 2024, 16, 2102. https://doi.org/10.3390/rs16122102