Alerta con dos días de tormentas magnéticas asesinas de satélites

Sondas Van Allen
Sondas Van Allen - NASA
Actualizado: martes, 3 marzo 2020 10:03

   MADRID, 3 Mar. (EUROPA PRESS) -

   Un nuevo modelo de computadora de aprendizaje automático predice con precisión las tormentas de radiación 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, originadas en su mayor parte por el viento solar capturado por el campo magnético terrestre.

   "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", dijo Yue Chen, científico espacial del Laboratorio Nacional de Los Alamos y director-investigador del proyecto financiado conjuntamente por la NASA y NOAA.

   "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. 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 todo un satélite para evitar daños", agrega en un comunicado este científico, cuyo estudio se publica en Space Weather.

   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.

   "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 automático, este trabajo confirma la previsibilidad de los electrones MeV, así como la solidez del uso de observaciones electrónicas de órbita terrestre baja para impulsar las 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 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.