Short-Term Turbulence Prediction for Seeing Using Machine Learning

Dit onderzoek presenteert een machine learning-benadering met de nieuwe FloTS-methode om atmosferische turbulentie tot twee uur van tevoren te voorspellen, waarbij deze probabilistische model de beste balans biedt tussen voorspellingsnauwkeurigheid en het kwantificeren van onzekerheid.

De kern

Korte samenvatting: Een slimme voorspeller voor de "twinkelende" lucht

Stel je voor dat je naar de sterren kijkt. Soms zijn ze helder en scherp, maar vaak lijken ze te dansen of te flakkeren. Dat komt door de lucht: temperatuurverschillen en wind zorgen voor onzichtbare golven die het licht van de sterren vervormen. In de astronomie noemen we dit "seeing" (zichtbaarheid). Hoe slechter de "seeing", hoe waziger de foto's van telescopen worden.

Deze wetenschappers hebben een nieuwe manier bedacht om te voorspellen hoe de lucht de komende twee uur zal gedragen. Ze gebruiken kunstmatige intelligentie (AI) om niet alleen te zeggen hoe het weer wordt, maar ook hoe zeker ze daarover zijn.

Hier is hoe ze dat hebben gedaan, vertaald in alledaagse taal:

1. Het Probleem: De "Reagerende" Telescoop

Stel je voor dat je een auto bestuurt in mist. Je kunt alleen sturen als je een obstakel ziet (reactief). Maar als de mist plotseling dikker wordt, ben je te laat.
Telescopen werken hetzelfde. Ze hebben systemen die de luchttrillingen in real-time corrigeren (zoals een auto die sturen). Maar als de lucht heel snel verandert, is dat systeem te traag. Ze hebben iets nodig dat vooruitkijkt, zoals een navigatiesysteem dat zegt: "Over 10 minuten wordt het hier erg wazig, pas je snelheid nu al aan."

2. De Oplossing: Vier AI-Verwachters

De onderzoekers hebben vier verschillende "AI-bazen" getraind om naar de historische data van de Mauna Kea-berg (een van de beste plekken ter wereld om te kijken) te kijken en de toekomst te voorspellen.

• De Statistiek-Meester (Gaussian Process - GP):

  • De analogie: Een ervaren weerman die zegt: "Vroeger was het hier om dit tijdstip vaak wazig, dus ik denk dat het nu ook wazig wordt, met een marge van onzekerheid."
  • Sterk punt: Hij is heel goed in het geven van een "betrouwbaarheidsinterval" (een schatting van hoe zeker hij is).
  • Zwak punt: Hij gaat er vanuit dat de lucht altijd op een simpele, normale manier verandert. Soms is de lucht echter chaotisch en onvoorspelbaar, wat hij niet goed kan vangen.

• De Herhalende Leerling (RNN & LSTM):

  • De analogie: Een student die een patroon in een liedje leert. De RNN is een beginnende student die de melodie goed volgt, maar snel de draad kwijtraakt bij lange nummers. De LSTM is een gevorderde student die zich lange stukken van het liedje kan herinneren.
  • Sterk punt: Ze zijn heel goed in het voorspellen van het exacte getal (hoe wazig het wordt). Ze zijn de snelste en meest accurate "gokkers".
  • Zwak punt: Ze zeggen alleen wat er gaat gebeuren, niet hoe zeker ze zijn. Ze zijn als een voorspeller die zegt: "Het wordt 3 graden," zonder te zeggen of dat 100% zeker is of een gok.

• De Nieuwe Ster (FloTS - Normalizing Flow):

  • De analogie: Dit is de superheld van het team. Stel je voor dat je een simpele bal (een standaard AI-model) hebt. FloTS is een magische vormgever die die bal kan vervormen tot een complexe, gekrulde vorm die precies past bij de chaotische lucht.
  • Sterk punt: Hij combineert het beste van twee werelden. Hij is net zo nauwkeurig als de beste studenten (LSTM) in het voorspellen van het getal, maar hij kan ook de "vorm" van de onzekerheid vangen. Hij kan zeggen: "Het wordt waarschijnlijk 3 graden, maar er is een kleine kans dat het plotseling 5 graden wordt, en ik kan die kans voor je visualiseren."

3. Wat hebben ze ontdekt?

Ze hebben gekeken naar data van 15 jaar en de AI's getraind om de lucht van de komende 2 uur te voorspellen.

• De beste voorspeller: De FloTS-AI won het. Hij gaf de meest accurate voorspellingen én de meest realistische waarschuwingen over onzekerheid.
• De "Korte" Herinnering: Ze ontdekten dat het helpen om te kijken naar de laatste 2 uur van data. Als je verder terugkijkt (bijvoorbeeld 6 uur), helpt dat niet meer. De lucht verandert te snel; de oude data is dan verouderd.
• Kalibratie (Het "Werkelijkheidscheck"): Soms denkt een AI dat hij heel zeker is, terwijl hij het fout heeft. De onderzoekers hebben een "kalibratie" toegepast.
  • Voorbeeld: Als de GP-AI zegt "Ik ben 90% zeker", maar in werkelijkheid heeft hij maar 70% gelijk, dan wordt hij "gekalibreerd". Het is alsof je een kompas dat naar het noorden wijst, een beetje corrigeert zodat het echt naar het noorden wijst. FloTS had hier minder aan nodig dan de GP, wat betekent dat zijn onzekerheidsschattingen al heel natuurlijk waren.

Waarom is dit belangrijk?

Voor astronomen is dit goud waard. Als ze weten dat de lucht over 30 minuten erg wazig wordt, kunnen ze hun telescoop nu al aanpassen of een andere ster kiezen om te fotograferen. Voor communicatie (zoals lasers die door de lucht sturen) betekent het dat ze hun signaal kunnen versterken voordat de verbinding verbroken wordt.

Conclusie:
Deze studie laat zien dat we niet meer hoeven te wachten tot de lucht "kapot" gaat om te reageren. Met slimme AI, en vooral met de nieuwe FloTS-methode, kunnen we de luchttrillingen van de toekomst voorspellen én weten hoe zeker we daarover zijn. Het is alsof we een kristallen bol hebben die niet alleen de toekomst toont, maar ook de betrouwbaarheid van die toekomst aangeeft.

Technische samenvatting

Titel: Korte-termijn turbulentieprognose voor 'seeing' met behulp van Machine Learning

Auteurs: Mary Joe Medlej et al.
Datum: 26 maart 2026 (conceptversie)

---

1. Probleemstelling

Optische turbulentie, veroorzaakt door fluctuaties in de atmosferische brekingsindex (door temperatuur-, druk- en windschommelingen), vormt een fundamentele beperking voor grondgebonden optische systemen. Dit fenomeen vervormt lichtpropagatie, wat leidt tot:

• Astronomie: Een verslechtering van de beeldkwaliteit, gekwantificeerd door de "seeing"-parameter ($\epsilon$), gedefinieerd als de full width at half-maximum (FWHM) van de puntverspreidingsfunctie (PSF).
• Vrije-ruimte optische communicatie (FSO): Signaalverstrooiing en intensiteitsfluctuaties die de betrouwbaarheid van data-overdracht verminderen.

Hoewel adaptieve optiek (AO) systemen turbulentie in real-time corrigeren, zijn deze systemen inherent reactief. Ze hebben moeite met snel veranderende omstandigheden omdat ze niet kunnen anticiperen op toekomstige turbulentie. Er is daarom een dringende behoefte aan voorspellende oplossingen die het mogelijk maken proactieve correcties uit te voeren of operationele aanpassingen te doen. Traditionele numerieke simulaties zijn te rekenintensief voor snelle korte-termijnvoorspellingen, wat de noodzaak onderstreept van snellere, datagedreven benaderingen.

2. Methodologie

Het onderzoek richt zich op het voorspellen van de atmosferische seeing-parameter tot 2 uur vooruit, puur op basis van historische seeing-metingen. De auteurs vergelijken twee hoofdcategorieën van modellen: statistische modellen en deep learning-modellen, met een specifieke focus op probabilistische modellen die onzekerheid kwantificeren.

Dataverwerking:

• Bron: Data van het Maunakea Weather Center (MKWC), verzameld met een DIMM-sensor (Differential Image Motion Monitor) tussen september 2009 en november 2024.
• Preprocessing: De ruwe data (ongeveer 1-minuut interval met gaten) werd geïnterpoleerd en hersampled naar een uniform 10-minuten interval.
• Dataset: De data werd opgesplitst in input-sequenties ($\epsilon^-$, historische data) en output-sequenties ($\epsilon^+$, voorspellingshorizon van 2 uur). Er werden 71.906 paren gegenereerd.
• Optimale invoerlengte: Experimenten toonden aan dat een 2-uurs invoerwindow de beste prestaties leverde voor alle modellen, wat suggereert dat seeing onder deze omstandigheden geen sterke lange-termijn afhankelijkheden vertoont.

Geëvalueerde Modellen:

1. Deterministische Deep Learning:
   • RNN (Recurrent Neural Network): Een basisarchitectuur met encoder-decoder structuur.
   • LSTM (Long Short-Term Memory): Uitgebreid met poortmechanismen (forget, input, output gates) om het "vanishing gradient"-probleem op te lossen en langere afhankelijkheden te modelleren.
2. Probabilistische Statistische Modellen:
   • Gaussian Processes (GP): Een niet-parametrisch model dat een verdeling over functies definieert. Het levert een voorspelling en een bijbehorend betrouwbaarheidsinterval. Er werd een exponentiële kernel gebruikt.
3. Probabilistische Deep Learning:
   • FloTS (Normalizing Flow for Time Series): Een generatief model dat een eenvoudige basisverdeling (Gaussisch) transformeert naar een complexe doelverdeling via een reeks inverteerbare mappingen. Dit model kan niet-Gaussische verdelingen modelleren en levert volledige kansdichtheidsfuncties.

Calibratie:
Om de betrouwbaarheid van de probabilistische voorspellingen te waarborgen, werd een temperatuur-schaling (temperature scaling) toegepast. Dit corrigeert de mismatch tussen de nominale en empirische dekking (coverage) van de voorspelde betrouwbaarheidsintervallen, zodat de onzekerheidsschattingen beter overeenkomen met de werkelijkheid.

3. Belangrijkste Bijdragen

• Vergelijking van deterministische en probabilistische aanpakken: Het artikel biedt een uitgebreide vergelijking waarbij probabilistische modellen (GP en FloTS) worden geïntegreerd in zowel statistische als deep learning-frames.
• Introductie van FloTS: De implementatie van een normalizing flow voor tijdsreeksen in de context van atmosferische seeing is een innovatieve bijdrage. Dit stelt het model in staat complexe, niet-Gaussische verdelingen te leren die typisch zijn voor atmosferische turbulentie.
• Focus op onzekerheidskwalificatie: In tegenstelling tot eerdere studies die zich vaak beperkten tot puntvoorspellingen, benadrukt dit werk het belang van het kwantificeren van voorspellingsonzekerheid voor robuuste besluitvorming (bijv. telescoopplanning).
• Minimale input-afhankelijkheid: Alle modellen werden getraind uitsluitend op historische seeing-data, zonder extra meteorologische variabelen (zoals wind of temperatuur), wat een eerlijke vergelijking van de voorspellende kracht van de algoritmen zelf mogelijk maakt.

4. Resultaten

• Puntvoorspelling (Accuracy):
  • LSTM behaalde de laagste fouten (RMSE) en presteerde het beste in puntvoorspellingen, gevolgd door FloTS.
  • RNN presteerde het slechtst, wat wijst op de beperkingen van standaard RNN's bij het modelleren van complexe tijdsafhankelijkheden.
  • GP leverde redelijke resultaten, maar presteerde iets minder dan LSTM en FloTS, waarschijnlijk omdat de Gaussische aanname de werkelijke verdeling van seeing niet volledig kan vangen.
• Onzekerheidskwalificatie (Uncertainty Quantification):
  • FloTS bleek de beste balans te vinden tussen voorspellende nauwkeurigheid en goed gekalibreerde onzekerheid. Het model kon niet-Gaussische kenmerken (zoals zware staarten in de verdeling) effectief modelleren.
  • GP leverde weliswaar onzekerheidsschattingen, maar bleek vaak over- of onderverzekerd (over- of under-confident) vanwege de restrictieve Gaussische aanname, zelfs na calibratie.
  • Case Studies: Visuele analyses (bijv. voor de nachten van 6 juli 2015 en 13 juli 2011) toonden aan dat de FloTS-dichtheidskaart de werkelijke waarden (ground truth) binnen de hoogstwaarschijnlijkse gebieden plaatste, terwijl het ook lokale fluctuaties beter volgde dan de deterministische modellen.
• Calibratie: Calibratie was cruciaal. Voor GP resulteerde dit voornamelijk in een verbreding van de betrouwbaarheidsintervallen. Voor FloTS veranderde calibratie de vorm van de verdeling zelf, waardoor de betrouwbaarheid van de onzekerheidsmeting aanzienlijk verbeterde zonder de puntvoorspelling te beïnvloeden.

5. Betekenis en Conclusie

De studie concludeert dat FloTS het meest veelzijdige en robuuste model is voor korte-termijn seeing-voorspelling. Hoewel LSTM iets nauwkeuriger is in puntvoorspellingen, biedt FloTS de toegevoegde waarde van een realistische, niet-Gaussische onzekerheidskwalificatie. Dit is essentieel voor operationele toepassingen waar risico-evaluatie en vertrouwen in de voorspelling net zo belangrijk zijn als de gemiddelde fout.

De resultaten onderstrepen dat probabilistische deep learning-modellen een krachtige vervanging kunnen zijn voor traditionele statistische methoden in de atmosferische wetenschap, vooral wanneer de data complexe, niet-lineaire dynamieken vertoont. Toekomstig werk zal zich richten op het integreren van extra meteorologische variabelen en het verkennen van Transformer-architecturen om nog complexere tijdsafhankelijkheden te vangen.