Pesquisadores aproveitam o aprendizado de máquina para melhorar as previsões do clima espacial
As condições de estado estacionário do padrão do sistema de corrente auroral na região do Ártico (visão polar), que varia com a direção do campo magnético do vento solar, podem ser reproduzidas quase perfeitamente pelo SMRAI2. Vermelho e azul representam correntes terrestres (descendentes) e ascendentes, respectivamente; Y e Z representam a direção do campo magnético do vento solar, com Z positivo para norte na direção norte-sul e Y positivo para oeste na direção leste-oeste. Por exemplo, 'Zero' indica que não há componentes Y e Z do campo magnético do vento solar, '-Z' indica uma orientação sul completa e '-Y -Z' indica uma orientação sudeste. Crédito: Clima Espacial (2024). DOI:10.1029/2023SW003720 Existem três níveis de gravidade para tempestades espaciais:tempestades geomagnéticas, tempestades de radiação solar e apagões de rádio. Estas tempestades produzem diferentes efeitos na Terra, incluindo problemas de satélite, GPS, comunicações e rede elétrica, bem como perigos para a saúde de astronautas e pessoas em voos de alta altitude. As tempestades geomagnéticas também produzem belas auroras que são comumente observadas nas regiões polares.
Devido aos potenciais efeitos negativos das tempestades espaciais, os pesquisadores desenvolveram modelos baseados na física que prevêem o sistema de corrente auroral com base nas partículas do vento solar que chegam ejetadas do sol.
Até então, porém, tais modelos eram lentos e exigiam um supercomputador inteiro para funcionar. Os pesquisadores criaram agora um emulador baseado em aprendizado de máquina que imita simulações de sistemas de correntes aurorais baseadas na física muito mais rapidamente e com menos poder de computação.
A equipe publicou os resultados de seu estudo na revista Space Weather .
"Uma simulação baseada na física do sistema de corrente auroral é uma opção para a previsão do tempo espacial. No entanto, precisamos de um supercomputador designado para executar a simulação baseada na física, "disse Ryuho Kataoka, primeiro autor do artigo e professor associado do Instituto Nacional de Pesquisa Polar e SOKENDAI, ambos em Tachikawa, Japão.
"Um desses modelos é o REPPU (REProduce Plasma Universe), que é um modelo bem conhecido e confiável que reproduz o sistema de corrente auroral. Depois de criarmos o 'emulador', poderíamos obter resultados semelhantes usando um laptop."
O novo modelo de emulador, Modelo Surrogate para REPPU Auroral Ionosphere versão 2 (SMRAI2), é um milhão de vezes mais rápido que a simulação baseada em física e incorpora efeitos sazonais em sua modelagem.
Embora as previsões meteorológicas solares não possam alterar os efeitos da radiação solar e das partículas do vento solar na Terra e em torno dela, podem ajudar as comunidades afetadas pelo clima solar a prepararem-se para dificuldades e falhas de comunicação e limitar a exposição à radiação para astronautas e passageiros de aeronaves de alta altitude.
Os satélites, em particular, são altamente sensíveis ao arrasto causado por tempestades magnéticas. Na verdade, 38 satélites comerciais foram perdidos em fevereiro de 2022 devido à reentrada na atmosfera terrestre após uma tempestade magnética moderada. Estas tempestades magnéticas são o resultado de uma grande transferência de energia do vento solar para a magnetosfera terrestre. Ao fornecer as variações complexas do vento solar realmente observadas, variações temporais muito complexas das correntes de jato aurorais também podem ser reproduzidas. As cores claras representam valores observados, as cores escuras são previsões do SMRAI2. au obs e al obs são índices AU e AL observados, au esn e al esn são índices AU e AL calculados a partir dos resultados do emulador. Os índices AU e AL indicam atividade auroral em altas latitudes. Crédito: Clima Espacial (2024). DOI:10.1029/2023SW003720 A equipe de pesquisa usou um modelo de aprendizado de máquina dependente do tempo chamado echo state network (ESN) para criar o emulador de modelo de previsão baseado em física. É importante ressaltar que os ESNs são um tipo de rede neural recorrente projetada para lidar com dados sequenciais de maneira eficiente.
O estudo atual, na verdade, melhorou uma versão inicial do emulador baseado em ESN, ver1.0. A equipe treinou o novo modelo de emulador, SMRAI2, usando uma ordem de magnitude mais resultados de simulação baseados em física do que o modelo ver1.0 original.
"O produto deste estudo, SMRAI2, é o primeiro exemplo de física auroral que utiliza uma técnica de aprendizado de máquina para emular a saída ionosférica da simulação magnetohidrodinâmica global (MHD) baseada na física. Acumulando mais dados de simulação MHD e usando outros recursos de ponta modelos de aprendizado de máquina nos permitirão atualizar a precisão das previsões em um futuro próximo", disse Kataoka. As simulações MHD são projetadas para descrever o comportamento da magnetosfera, onde o vento solar interage com o campo magnético da Terra.
O próximo passo para a equipe de pesquisa é incorporar o emulador na execução do conjunto de previsões meteorológicas espaciais, que é um conjunto de previsões que oferece uma gama de previsões meteorológicas espaciais futuras. Seu objetivo final é usar o emulador, juntamente com muitos conjuntos de dados de observação, em uma previsão de assimilação de dados, que integra a saída do modelo e as observações para melhorar a precisão da previsão.
Mais informações: Ryuho Kataoka et al, Emulador Baseado em Aprendizado de Máquina para Simulação Baseada em Física do Sistema de Corrente Auroral, Clima Espacial (2024). DOI:10.1029/2023SW003720 Informações do diário: Clima Espacial
Fornecido pela Organização de Pesquisa de Informação e Sistemas
