Se ha creado un nuevo modelo de computadora de aprendizaje automático que puede predecir con absoluta precisión las tormentas de radiación dañinas causadas por los cinturones de Van Allen con dos días de antelación.
"Las tormentas de radiación de los cinturones de Van Allen pueden dañar o incluso noquear satélites que orbitan en altitudes medias y altas sobre la Tierra, pero predecir estas tormentas siempre ha sido un desafío", ha explicado Yue Chen, científico espacial del Laboratorio Nacional de Los Alamos y director-investigador del proyecto financiado conjuntamente por la NASA y NOAA.
Los cinturones de Van Allen son dos zonas de la magnetosfera terrestre donde se concentran grandes cantidades de partículas cargadas de alta energía, originadas en su mayor parte por el viento solar capturado por el campo magnético terrestre.
El problema se encontraba en que, “dado que las sondas de Van Allen, que proporcionaron datos importantes sobre el clima espacial, recientemente se desorbitaron, ya no tenemos mediciones directas sobre lo que está sucediendo en el cinturón externo de radiación de electrones”, ha señalado.
Este modelo predictivo se basa en un modelo anterior que predijo con éxito las tormentas de radiación con un día de anticipación. Este nuevo modelo, llamado PreMevE 2.0, mejora los pronósticos al incorporar las velocidades del viento solar. Predice eventos futuros mediante la capacitación en conjuntos de datos existentes de los satélites NOAA y Los Alamos para aprender patrones importantes del comportamiento de los electrones.
Asimismo, han terminado diciendo que, “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.
Finalmente, han descubierto que el marco de aprendizaje automático desarrollado para PreMevE 2.0 también se puede aplicar a muchas aplicaciones amplias que usan mediciones relacionadas con el tiempo, como la captura de patrones de terremotos entre grandes volúmenes de datos de series de tiempo sísmicas, lo que permite la detección de pequeños terremotos en entornos ruidosos.