混合光学流模型使用机器学习和局部测量

科学领域:

• 大气科学 大气科学
• 光学工程的光学工程.
• 机器学习 机器学习

背景情况:

• 准确预测大气光学流对于自由空间光学 (FSO) 系统至关重要.
• 现有的宏观气象模型在新环境中可能表现不佳.
• 使用本地数据开发新模型是耗时且资源密集的.

研究的目的:

• 开发一种基于机器学习的混合模型框架,用于预测大气光学流.
• 通过整合本地观测,提高基线宏观气象模型的预测能力.
• 评估混合模型的性能与基线和仅数据的机器学习模型相比.

主要方法:

• 通过将基线宏观气象模型与本地观测相结合,开发了一种混合模型框架.
• 梯度增强决策树架构用于训练混合和仅数据模型.
• 模型使用不同数量的现场气象观测进行了训练.

主要成果:

• 混合和仅数据模型的表现优于三个基线宏观气象模型,即使局部数据最小 (仅为一天).
• 混合模型实现了29%的平均绝对误差减少与一天相当的数据,增加到68%与180天.
• 混合模型与仅数据模型相比,显示出略高的性能,随着更多数据的可用性,这种优势逐渐减少.

结论:

• 混合模型框架为在局部环境中增强大气光学流预测提供了可行的解决方案.
• 当收集本地气象数据是昂贵或困难时,这种方法特别有益.
• 模型的性能表明,将本地数据纳入系统可以显著提高FSO系统的预测准确性.