-
题名基于神经网络的天文台址长期白日视宁度变化估算
- 1
-
-
作者
胡兴
杨尚斌
邓元勇
林佳本
包星明
王全
-
机构
中国科学院国家天文台
中国科学院大学
-
出处
《天文学报》
CAS
CSCD
北大核心
2024年第4期79-86,共8页
-
基金
国家重点研发计划(2022YFF0503800)
国家自然科学基金项目(12250005、12073040)
中国科学院青年创新促进会项目(2019059)资助。
-
文摘
视宁度好坏是影响天文观测图像质量的一个决定性因素,目前白日视宁度数据主要是通过太阳差分像运动视宁度检测仪(Solar Differential Image Motion Monitor,SDIMM)或者谱比法获得.由于SDIMM和实际观测所用仪器不同,其测得的视宁度无法反映数据获取时刻的实际视宁度情况,也无法回溯历史既有观测数据对应的大气视宁度.而使用谱比法需要海量短曝光数据,计算成本巨大.基于以上天文观测面临的困难,提出了一种基于神经网络的白日视宁度估算方法,该方法首先对获得的短曝光数据使用谱比法计算对应的视宁度r_(0),构建数据集;然后采用主成分分析的方法对数据进行降维,通过神经网络建立起窄带滤光器太阳光球观测图像和视宁度之间的非线性回归关系,训练集和测试集实验的结果表明该方法可以用于估算视宁度.使用该方法对怀柔观测基地2020年的视宁度进行估算,视宁度中值为2.89 cm,对1989年到2010年连续22 yr的历史观测数据进行长周期的视宁度统计分析,结果表明怀柔基地发布的历史数据对应的视宁度中值在3 cm左右,40%以上数据对应的视宁度超过3 cm,一年中9月份的视宁度最好,该结果验证了怀柔基地视宁度的长期稳定性.此外,该方法也可以从视宁度r_(0)的快速判断出发,为采集到的高质量短曝光图像甄选提供判断依据.
-
关键词
湍流:视宁度
方法:数据分析
方法:神经网络
-
Keywords
turbulence:seeing
methods:data analysis
methods:neural network
-
分类号
P111
[天文地球—天文学]
-
