宇宙電磁波穿越地球大氣層時，會因空氣密度和水汽含量變化導致傳播速度下降，這種現象被稱為對流層延遲。作為甚長基線干涉測量（VLBI）和全球導航衛星系統（GNSS）定位中的主要誤差源，其精確建模與預報長期困擾著天文觀測和大地測量領域。如何突破這一技術瓶頸，成為科學界亟待解決的難題。
中國科學院新疆天文臺研究團隊通過創新方法，在解決該問題上取得突破。研究人員依托南山26米射電望遠鏡臺址的長期GNSS觀測數據和氣象參數，開發出一種融合門控循環單元（GRU）與長短期記憶網絡（LSTM）的混合深度學習模型。這種基于人工智能的預測系統能夠從海量數據中自主識別大氣延遲的動態規律，實現對天頂對流層延遲（ZTD）的高精度短期預測。
團隊通過頻譜分析發現，ZTD變化呈現顯著的年周期和半年度周期特征，夏季數值普遍高于冬季。這種季節性波動與氣溫和水汽含量存在強相關性——溫度升高和水汽增加會顯著加劇信號延遲。傳統經驗模型由于難以捕捉這種復雜的非線性變化，預測精度長期受限。
新模型采用雙神經網絡架構，GRU模塊負責提取短期波動特征，LSTM模塊則專注記憶長期變化趨勢。這種"短時捕捉+長期記憶"的組合策略，使混合模型既能響應大氣延遲的即時變化，又能把握其長期演變規律。實驗數據顯示，該模型預測誤差控制在8毫米以內，相關系數達到96%，性能明顯優于傳統統計方法和單一神經網絡模型。
這項技術突破具有重要應用價值。高精度的對流層延遲預測可顯著提升VLBI觀測的大氣相位修正能力，優化射電源定位精度和基線解算結果。在毫米波天文觀測領域，該技術能為可降水量反演提供更準確的氣象數據支持，同時改善天氣預報的時空分辨率。研究特別指出，相關成果為奇臺110米望遠鏡（QTT）等大型射電天文設施的高頻段運行提供了關鍵技術支撐，有助于提升多站干涉觀測的數據質量。
該研究成果已發表于《天文與天體物理研究》期刊。研究團隊表示，混合深度學習模型的應用證明了人工智能技術在射電望遠鏡大氣校正領域的巨大潛力，為解決復雜氣象條件下的觀測誤差問題開辟了新路徑。
