研究背景与问题 - 宇宙电磁波穿越地球大气时传播速度减慢产生对流层延迟，这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[1] - 精确建模与预报这种延迟是当前天文观测与大地测量领域亟需攻克的重要课题[1] 研究方法与技术 - 中国科学院新疆天文台团队利用南山26米射电望远镜台址的多年GNSS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[1] - 该人工智能技术可自动从大量观测数据中学习大气延迟变化规律，实现对天顶对流层延迟的高精度短期预测[1] - 团队对南山台站多年的GNSS观测进行频谱分析，发现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[3] - 研究引入深度学习架构，将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，形成混合神经网络以捕捉大气延迟的短时波动和长期规律[3] 研究成果与性能 - 该模型的预测误差仅约为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[3] 应用前景与意义 - 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[3] - 该技术为毫米波天文观测提供更准确的气象支撑，在可降水量反演与天气预报中具有广泛的应用前景[3] - 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[3]