Des chercheurs de l’Observatoire astronomique du Xinjiang de l’Académie chinoise des sciences ont développé un modèle hybride d’apprentissage profond capable de prédire avec précision le retard atmosphérique, une source clé d’erreur dans les observations astronomiques et les mesures géodésiques. L'étude est publiée dans Recherche en astronomie et astrophysique.
Les ondes électromagnétiques ralentissent lorsqu'elles traversent l'atmosphère terrestre en raison des variations de la densité de l'air et de la teneur en vapeur d'eau, ce qui entraîne ce que l'on appelle un « retard troposphérique ». Ce retard est considéré comme une source d’erreur majeure dans le positionnement de l’interférométrie à très longue base (VLBI) et du système mondial de navigation par satellite (GNSS).
Agissant comme une « lentille invisible », il provoque une légère courbure et un léger décalage des signaux dans l’atmosphère, affectant ainsi la précision des mesures. La modélisation et la prévision précises de ce retard sont devenues un défi important dans les domaines de l'observation astronomique et des mesures géodésiques.
À l’aide de données GNSS et météorologiques pluriannuelles obtenues à partir du radiotélescope NanShan de 26 mètres, les chercheurs dirigés par LI Mingshuai ont développé le modèle d’apprentissage en profondeur combinant une unité récurrente fermée (GRU) et un réseau de mémoire à long terme (LSTM). Ce modèle constitue une branche importante de l’intelligence artificielle et peut apprendre automatiquement les modèles de variations des retards atmosphériques à partir de grands volumes de données. Il permet une prévision à court terme de haute précision du délai troposphérique au zénith (ZTD).
Grâce à l'analyse spectrale des observations GNSS à long terme à la station NanShan, les chercheurs ont identifié des cycles annuels et semestriels distincts dans la variation ZTD, avec des retards plus importants en été et moins de retards en hiver. Ces variations étaient étroitement corrélées à la température et à la teneur en vapeur d'eau ; plus l’atmosphère est chaude et humide, plus le retard du signal est important.
Pour remédier aux limites des modèles empiriques traditionnels qui peinent à capturer des comportements non linéaires complexes, les chercheurs ont adopté une architecture d'apprentissage en profondeur dans laquelle le GRU extrait les caractéristiques dynamiques à court terme tandis que le LSTM capture les tendances à long terme. En combinant les deux, le « réseau neuronal hybride » modélise efficacement à la fois les fluctuations à court terme et les régularités saisonnières du retard atmosphérique.
Les résultats montrent que le modèle atteint une erreur de prédiction d'environ 8 millimètres seulement et un coefficient de corrélation de 96 %, surpassant considérablement les approches statistiques et à réseau unique conventionnelles.
Les prévisions de haute précision du retard troposphérique peuvent améliorer considérablement l’étalonnage de la phase atmosphérique pour les observations VLBI, améliorer le positionnement des sources radio et les solutions de référence, et fournir un support météorologique plus précis pour l’astronomie à ondes millimétriques. De plus, les résultats ont de larges applications dans la récupération de vapeur d’eau précipitable et la prévision météorologique.
Cette étude démontre le potentiel de l'intelligence artificielle dans l'étalonnage atmosphérique des radiotélescopes et pose les bases techniques des opérations à haute fréquence du télescope Qitai de 110 mètres et des futures observations interférométriques multi-stations.
