Um novo modelo de computador de aprendizado de máquina prevê com precisão tempestades de radiação causadas pelos cinturões de Van Allen dois dias antes da tempestade, o aviso mais avançado até o momento, de acordo com um novo artigo no jornal Clima Espacial .

"Tempestades de radiação dos cinturões de Van Allen podem danificar ou até mesmo derrubar satélites orbitando em altitudes médias e altas acima da Terra, mas prever essas tempestades sempre foi um desafio, "disse Yue Chen, cientista espacial do Laboratório Nacional de Los Alamos e investigador principal do projeto financiado conjuntamente pela NASA e NOAA. "Dado que as sondas Van Allen, que forneceu dados importantes sobre o clima espacial, recentemente retirado da órbita, não temos mais medições diretas sobre o que está acontecendo no cinturão de radiação de elétrons externos. Nosso novo modelo usa conjuntos de dados existentes para 'aprender' padrões e prever tempestades futuras para que os operadores de satélite possam tomar medidas de proteção, incluindo o desligamento temporário de parte ou mesmo de todo o satélite para evitar danos. "

Este modelo preditivo para elétrons megaelétron-volt (MeV) dentro do cinturão de Van Allen externo da Terra se baseia em um modelo anterior que previu tempestades de radiação com sucesso um dia antes. Este novo modelo, chamado PreMevE 2.0, melhora as previsões incorporando velocidades do vento solar a montante. Ele prevê eventos futuros treinando em conjuntos de dados existentes dos satélites NOAA e Los Alamos para aprender padrões importantes de comportamento de elétrons.

"Com a expectativa de que padrões semelhantes possam se revelar no futuro, nosso modelo é capaz de fazer previsões, capturando algumas assinaturas críticas como um precursor para esses eventos futuros, "explicou Youzuo Lin, um cientista computacional de Los Alamos que desenvolveu os algoritmos de aprendizado de máquina para o modelo.

"Ao testar o modelo com vários algoritmos de aprendizado de máquina, este trabalho confirma a previsibilidade dos elétrons MeV, bem como a robustez do uso de observações de elétrons em órbita baixa da Terra para conduzir as previsões, "acrescentou Chen." Além disso, a estrutura configurada neste trabalho nos permite incluir facilmente mais parâmetros de entrada para prever mais elétrons energéticos na próxima etapa. "

A estrutura de aprendizado de máquina desenvolvida para PreMevE 2.0 também pode ser aplicada a muitos aplicativos abrangentes que usam medições relacionadas ao tempo, como a captura de padrões de terremotos entre grandes volumes de dados sísmicos de série temporal, permitindo a detecção de pequenos terremotos em ambientes ruidosos.