Últimas 15minutos

Computadora predice las tormentas magnéticas

El modelo PreMevE 2.0 anticipa los eventos mediante datos existentes en los satélites NOAA y Los Alamos para aprender patrones del comportamiento de los electrones

Las sondas de Van Allen proporcionaban datos importantes sobre el clima espacial en los cinturones (NASA)

15 minutos. Un nuevo modelo de computadora de aprendizaje automático predice con precisión las tormentas magnéticas dañinas causadas por los cinturones de Van Allen con dos días de antelación.

Los cinturones de Van Allen son dos zonas de la magnetosfera terrestre donde se concentran grandes cantidades de partículas cargadas de alta energía. Estas se originan en su mayor parte por el viento solar capturado por el campo magnético terrestre.

"Las tormentas magnéticas de los cinturones de Van Allen pueden dañar o incluso noquear satélites que orbitan en altitudes medias y altas sobre la Tierra. Sin embargo, predecir estas tormentas siempre fue un desafío", dijo Yue Chen, director-investigador del proyecto financiado conjuntamente por la NASA y NOAA.

"Dado que las sondas de Van Allen recientemente se desorbitaron, ya no tenemos mediciones directas sobre lo que sucede en el cinturón de radiación. Nuestro nuevo modelo utiliza datos existentes para predecir tormentas futuras, así los operadores de satélites pueden tomar medidas de protección", agrega este científico.

Modelos predictivos anteriores

Este modelo predictivo se basa en uno anterior que predijo con éxito las tormentas de radiación con un día de anticipación. Este nuevo modelo, PreMevE 2.0, predice eventos mediante datos existentes de los satélites NOAA y Los Alamos para aprender patrones del comportamiento de los electrones.

"Con la expectativa de que patrones similares puedan revelarse en el futuro, nuestro modelo es capaz de hacer predicciones capturando algunas firmas críticas como precursoras 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 múltiples algoritmos de aprendizaje, este trabajo confirma la solidez del uso de observaciones electrónicas de órbita terrestre baja para impulsar las predicciones", agregó Chen. "Además, el marco de 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 se puede emplear en aplicaciones amplias que usan mediciones relacionadas con el tiempo, como la captura de patrones de terremotos.

Ver más

Más Compartidas