受空气密度和水汽含量变化的影响，宇宙中的电磁波在穿越地球大气时传播速度会减慢，从而产生对流层延迟。这种延迟被认为是甚长基线干涉测量（VLBI）和全球导航卫星系统（GNSS）定位中的主要误差来源。如何精确建模与预报这种延迟，成为了当前天文观测与大地测量领域亟需攻克的重要课题之一。中国科学院新疆天文台李明帅团队，利用南山26米射电望远镜台址的多年GNSS和气象观测数据，构建了一种融合门控循环单元（GRU）与长短期记忆网络（LSTM）的混合深度学习模型。该方法属于人工智能技术的重要分支，可自动从大量观测数据中学习大气延迟变化规律，从而实现对天顶对流层延迟（ZTD）的高精度短期预测。团队首先对南山台站多年的GNSS观测进行了频谱分析，发现ZTD变化具有明显的年周期与半年度周期——夏季偏高、冬季偏低。这种变化与气温和水汽含量密切相关：温度越高、水汽越多，信号延迟越显著。针对传统经验模型难以捕捉复杂非线性变化的局限，研究团队引入深度学习架构，将GRU用于提取短期变化特征，LSTM用于记忆长期趋势，两者结合后形成“混合神经网络”，既能捕捉大气延迟的短时波动，又能识别其长期规律。结果显示，该模型的预测误差仅约为8毫米，相关系数达96%，显著优于传统统计模型和单一神经网络。高精度的对流层延迟预测结果，可有效提升VLBI观测的大气相位修正精度，改善射电源定位与基线解算结果，同时也为毫米波天文观测提供更准确的气象支撑，在可降水量（PWV）反演与天气预报中具有广泛的应用前景。该研究展示了人工智能在射电望远镜大气校正中的应用潜力，为未来奇台110米望远镜（QTT）及多站干涉观测的高频段运行奠定了技术基础。相关研究成果发表在《天文与天体物理研究》（Research in Astronomy and Astrophysics）上。论文链接ZTD变化与气象要素的关系不同模型的预测精度比较