ترجمه فارسی مقاله OTCliM: تولید اقلیم‌شناسی نزدیک به سطح از قدرت آشفتگی نوری ($C_n^2$) با استفاده از تقویت گرادیان

چکیده

This study introduces OTCliM (Optical Turbulence Climatology using Machine learning), a novel approach for deriving comprehensive climatologies of atmospheric optical turbulence strength ($C_n^2$) using gradient boosting machines. OTCliM addresses the challenge of efficiently obtaining reliable site-specific $C_n^2$ climatologies, crucial for ground-based astronomy and free-space optical communication. Using gradient boosting machines and global reanalysis data, OTCliM extrapolates one year of measured $C_n^2$ into a multi-year time series. We assess OTCliM’s performance using $C_n^2$ data from 17 diverse stations in New York State, evaluating temporal extrapolation capabilities and geographical generalization. Our results demonstrate accurate predictions of four held-out years of $C_n^2$ across various sites, including complex urban environments, outperforming traditional analytical models. Non-urban models also show good geographical generalization compared to urban models, which captured non-general site-specific dependencies. A feature importance analysis confirms the physical consistency of the trained models. It also indicates the potential to uncover new insights into the physical processes governing $C_n^2$ from data. OTCliM’s ability to derive reliable $C_n^2$ climatologies from just one year of observations can potentially reduce resources required for future site surveys or enable studies for additional sites with the same resources.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه OTCLIM (آبشویی تلاطم نوری با استفاده از یادگیری ماشین) را معرفی می کند ، یک رویکرد جدید برای استخراج اقلیم های جامع از قدرت تلاطم نوری جوی ($ c_n^2 $) با استفاده از ماشین های تقویت کننده شیب.Otclim به چالش دستیابی کارآمد سایت قابل اعتماد سایت خاص $ c_n^2 $ ، برای نجوم مبتنی بر زمین و ارتباطات نوری فضای آزاد بسیار مهم است.با استفاده از دستگاه های تقویت شیب و داده های تجزیه و تحلیل جهانی ، Otclim یک سال اندازه گیری $ c_n^2 $ را در یک سری زمانی چند ساله استخراج می کند.ما عملکرد Otclim را با استفاده از داده های $ c_n^2 $ از 17 ایستگاه متنوع در ایالت نیویورک ارزیابی می کنیم و قابلیت های برون یابی زمانی و تعمیم جغرافیایی را ارزیابی می کنیم.نتایج ما پیش بینی های دقیقی از چهار سال نگهدارنده از $ c_n^2 $ در سایت های مختلف ، از جمله محیط های پیچیده شهری ، از مدل های تحلیلی سنتی را نشان می دهد.مدل های غیر شهری همچنین تعمیم جغرافیایی خوبی را در مقایسه با مدلهای شهری نشان می دهند ، که وابستگی های خاص سایت غیر کلی را ضبط می کنند.تجزیه و تحلیل اهمیت ویژگی ، قوام فیزیکی مدلهای آموزش دیده را تأیید می کند.همچنین این پتانسیل کشف بینش جدید در مورد فرآیندهای فیزیکی حاکم بر $ c_n^2 $ از داده ها را نشان می دهد.توانایی Otclim در استخراج اقلیم های قابل اعتماد $ c_n^2 $ فقط از یک سال از مشاهدات می تواند به طور بالقوه منابع مورد نیاز برای بررسی سایت های آینده را کاهش دهد یا مطالعات را برای سایت های اضافی با همان منابع امکان پذیر کند.