Un nuevo modelo informático de aprendizaje automático predice con precisión las tormentas de radiación dañinas causadas por los cinturones de Van Allen dos días antes de la tormenta. el aviso más avanzado hasta la fecha, según un nuevo artículo de la revista Clima espacial .

"Las tormentas de radiación de los cinturones de Van Allen pueden dañar o incluso derribar satélites que orbitan en altitudes medias y altas sobre la Tierra, pero predecir estas tormentas siempre ha sido un desafío, "dijo Yue Chen, científico espacial del Laboratorio Nacional de Los Alamos e investigador principal del proyecto financiado conjuntamente por la NASA y la NOAA. "Dado que las sondas Van Allen, que proporcionó datos importantes sobre el clima espacial, recientemente desorbitado, ya no tenemos mediciones directas sobre lo que está sucediendo en el cinturón exterior de radiación de electrones. Nuestro nuevo modelo utiliza conjuntos de datos existentes para 'aprender' patrones y predecir tormentas futuras para que los operadores de satélites puedan tomar medidas de protección. incluido el apagado temporal de parte o incluso de todo el satélite para evitar daños ".

Este modelo predictivo de electrones de megaelectrones voltios (MeV) dentro del cinturón exterior de Van Allen de la Tierra se basa en un modelo anterior que predijo con éxito tormentas de radiación con un día de anticipación. Este nuevo modelo, llamado PreMevE 2.0, mejora los pronósticos incorporando velocidades del viento solar corriente arriba. Predice eventos futuros mediante la capacitación en conjuntos de datos existentes de los satélites NOAA y Los Alamos para aprender patrones importantes de comportamiento de los electrones.

"Con la expectativa de que patrones similares puedan revelarse en el futuro, nuestro modelo es capaz de hacer predicciones al capturar algunas firmas críticas como precursor de esos eventos futuros, "explicó Youzuo Lin, un científico computacional en Los Alamos que desarrolló los algoritmos de aprendizaje automático para el modelo.

"Al probar el modelo con varios algoritmos de aprendizaje automático, este trabajo confirma la predictibilidad de los electrones MeV, así como la solidez del uso de observaciones de electrones en órbita terrestre baja para impulsar predicciones, "agregó Chen." Además, el marco establecido en este trabajo nos permite incluir fácilmente más parámetros de entrada para predecir más electrones energéticos en el siguiente paso ".

El marco de aprendizaje automático desarrollado para PreMevE 2.0 también se puede aplicar a muchas aplicaciones amplias que utilizan mediciones relacionadas con el tiempo, como capturar patrones de terremotos entre grandes volúmenes de datos sísmicos de series de tiempo, permitiendo la detección de pequeños terremotos fuera de los entornos ruidosos.