The application of machine learning to predictions of optical turbulence in the surface layer at Baikal Astrophysical Observatory (Запись № 665228)

Подробно MARC
000 -Маркер
Поле контроля фиксированной длины 03698nlm1a2200505 4500
005 - Идентификатор версии
Поле контроля фиксированной длины 20231030041956.0
035 ## - Другие системные номера
Идентификатор записи (RuTPU)RU\TPU\network\36427
035 ## - Другие системные номера
Идентификатор записи RU\TPU\network\33886
100 ## - Данные общей обработки
Данные общей обработки 20210903a2021 k y0engy50 ba
101 0# - Язык ресурса
Язык текста, звукозаписи и т.д. английский
102 ## - Страна публикации или производства
Страна публикации
135 ## - Поле кодированных данных: электронные ресурсы
Кодированные данные для электронного ресурса drcn ---uucaa
181 #0 - Поле кодированных данных: вид содержания
Код вида содержания i
182 #0 - Поле кодированных данных: средство доступа
Код средства доступа electronic
200 1# - Заглавие и сведения об ответственности
Основное заглавие The application of machine learning to predictions of optical turbulence in the surface layer at Baikal Astrophysical Observatory
Первые сведения об ответственности L. A. Bolbasova, A. A. Andrakhanov, A. Yu. Shikhovtsev
203 ## - Вид содержания и средство доступа
Вид содержания
Средство доступа
300 ## - Общие примечания
Текст примечания Title screen
330 ## - Резюме или реферат
Текст примечания In this study, we apply machine learning to predict optical turbulence in the surface layer at the Baikal Astrophysical Observatory. Advance knowledge of optical turbulence is important for maximizing the efficiency of adaptive optics systems, telescope operations, and the scheduling of the planned observations. Typically, optical turbulence is characterized by the structure constant of the refractive index of air C2nCn2⁠. The Monin-Obukhov similarity theory (MOST) provides a scientific basis for estimating the structure constant of the refractive index from meteorological variables in the surface layer. However, the MOST becomes unreliable for stable atmospheric conditions, which occurred for more periods regardless of the time of day at the Baikal Astrophysical Observatory. We propose the application of a neural network based on the group method of data handling (GMDH), one of the earliest deep-learning techniques, to predict the surface-layer refractive-index structure constant. The magnitudes of the predicted values of the structure constant of the refractive index and measurements are in agreement. Correlation coefficients ranging from 0.79-0.91 for a stably stratified atmosphere have been obtained. The explicit analytical expression is an advantage of the proposed approach, in contrast to many other machine-learning techniques that have a black-box model.
333 ## - Примечания об особенностях распространения и использования
Текст примечания
461 ## - Уровень набора
Заглавие Monthly Notices of the Royal Astronomical Society
463 ## - Уровень физической единицы
Заглавие Vol 504, iss. 4
Обозначение тома [P. 6008–6017]
Дата публикации 2021
610 1# - Неконтролируемые предметные термины
Предметный термин электронный ресурс
610 1# - Неконтролируемые предметные термины
Предметный термин труды учёных ТПУ
610 1# - Неконтролируемые предметные термины
Предметный термин turbulence
610 1# - Неконтролируемые предметные термины
Предметный термин atmospheric effects
610 1# - Неконтролируемые предметные термины
Предметный термин instrumentation
610 1# - Неконтролируемые предметные термины
Предметный термин adaptive optics
610 1# - Неконтролируемые предметные термины
Предметный термин site testing
610 1# - Неконтролируемые предметные термины
Предметный термин telescopes
610 1# - Неконтролируемые предметные термины
Предметный термин турбулентность
610 1# - Неконтролируемые предметные термины
Предметный термин атмосферные явления
610 1# - Неконтролируемые предметные термины
Предметный термин адаптивная оптика
610 1# - Неконтролируемые предметные термины
Предметный термин телескопы
610 1# - Неконтролируемые предметные термины
Предметный термин машинное обучение
610 1# - Неконтролируемые предметные термины
Предметный термин приземные слои
610 1# - Неконтролируемые предметные термины
Предметный термин астрофизические обсерватории
700 #1 - Имя лица – первичная ответственность
Начальный элемент ввода Bolbasova
Часть имени, кроме начального элемента ввода L. A.
Расширение инициалов личного имени Lidiya Adolfovna
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Andrakhanov
Часть имени, кроме начального элемента ввода A. A.
Дополнения к именам, кроме дат Specialist in the field of electrical engineering
-- Assistant of the Department of Tomsk Polytechnic University
Даты 1982-
Расширение инициалов личного имени Anatoliy Aleksandrovich
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\pers\38561
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Shikhovtsev
Часть имени, кроме начального элемента ввода A. Yu.
Расширение инициалов личного имени Artem Yurjevich
712 02 - Наименование организации – вторичная ответственность
Начальный элемент ввода Национальный исследовательский Томский политехнический университет
Структурное подразделение Инженерная школа информационных технологий и робототехники
-- Отделение автоматизации и робототехники
-- 7952
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\col\23553
801 #2 - Источник записи
Страна RU
Организация 63413507
Дата составления 20210903
Правила каталогизации RCR
856 4# - Местонахождение электронных ресурсов и доступ к ним
Универсальный идентификатор ресурса https://doi.org/10.1093/mnras/stab953
090 ## - System Control Numbers (Koha)
Koha biblioitem number (autogenerated) 665228
942 ## - Добавленные элементы ввода (Коха)
Тип документа Computer Files

Нет доступных единиц.