High-accuracy short-term precipitable water-vapour operational forecast at the Very Large Telescope and perspectives for sky background forecast
Notice bibliographique
Résumé
ABSTRACT In this article, we present the first results ever obtained by applying the autoregressive (AR) technique to precipitable water vapour (PWV). The study is performed at the Very Large Telescope (VLT). The AR technique was proposed recently to provide forecasts of atmospheric and astroclimatic parameters on short time-scales (up to a few hours) by achieving much better performance with respect to the ‘standard forecasts’ provided in early afternoon for the coming night. The AR method uses real-time measurements of the parameter of interest to improve the forecasts performed with atmospherical models. Here, we used measurements provided by the Low Humidity And Temperature PROfiling microwave radiometer (LHATPRO), a radiometer measuring the PWV at the VLT continuously. When comparing the AR forecast at 1h with the standard forecast, we observe a gain factor of ∼8 (i.e. ∼800 per cent) in terms of forecast accuracy. In the PWV ≤ 1 mm range, which is extremely critical for infrared astronomical applications, the RMSE of the predictions is of the order of just a few hundredth of millimetres (0.04 mm). We therefore proved that the AR technique provides an important benefit to VLT science operations for all instruments sensitive to PWV. Also, we show how such an ability to predict PWV can also be useful to predict the sky background in the infrared range [extremely appealing for Mid-infrared ELT Imager and Spectrograph (METIS)]. We quantify such an ability by applying this method to the New Earth in the Alpha Cen region (NEAR) project supported by the European Southern Observatory (ESO) and Breakthrough Initiatives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».