OTCliM：使用梯度提升生成近地面光学湍流强度 ($C_n^2$) 的气候学
大气与海洋物理
2025-06-02 v2
摘要
本研究引入 OTCliM（Optical Turbulence Climatology using Machine learning），一种基于梯度提升机器学习的新方法，用于从众多数据中推导出大气光学湍流强度 () 的综合性气候图谱。OTCliM 解决了在地面天文学和自由空间光通信领域高效获取可靠区域性 气候图谱的难题。该方法利用梯度提升机器和全球重分析数据，将一年测量得到的 数据外推为多年时间序列。我们采用来自纽约州 17 个不同站点的 数据，对其进行评估，检验时间外推能力和地理泛化能力。我们的结果表明，OTCliM 能够准确预测四个被留作测试的年份中，各种站点的 ，包括复杂的城市环境，性能优于传统分析模型。非城市模型在地理泛化方面也表现良好，而城市模型则捕捉了非普遍的特定于地点的依赖关系。特征重要性分析确认了所训练模型的物理一致性。它还表明从数据中可以潜在地发现关于 控制物理过程的新见解。OTCliM 能够仅凭一年观测数据就能推导出可靠的 气候图，从而可能减少未来野点调查所需的资源，或 enables对相同资源下的其他区域进行研究。
引用
@article{arxiv.2408.00520,
title = {OTCliM: generating a near-surface climatology of optical turbulence strength ($C_n^2$) using gradient boosting},
author = {Maximilian Pierzyna and Sukanta Basu and Rudolf Saathof},
journal= {arXiv preprint arXiv:2408.00520},
year = {2025}
}