| Tesis Doctorales de la Universidad de Alcalá |
| DEEP NEURAL NETWORKS FOR GEOMAGNETIC INDICES FORECASTING | | Autor/a | Collado Villaverde, Armando | | Departamento | Automática | | Director/a | Rodríguez Moreno, María Dolores | | Codirector/a | Muñoz Martínez, Pablo | | Fecha de depósito | 13-05-2025 | | Periodo de exposición pública | 13 a 27 de mayo de 2025 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Investigación Espacial y Astrobiología (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | La meteorología espacial se refiere a las condiciones ambientales en el espacio influenciadas por la actividad solar, que incluye las emisiones del Sol, el viento solar y la perturbación causada en la magnetosfera, ionosfera y termosfera de la Tierra. Uno de los fenómenos de clima espacial más impactantes es la tormenta geomagnética, que ocurre cuando el viento solar y el campo magnético interplanetario se intensifican y perturban el campo magnético terrestre. Las tormentas geomagnéticas son la fuente de las perturbaciones geomagnéticas más significativas y pueden causar una gran variedad de graves consecuencias, afectando sistemas tecnológicos críticos como redes eléctricas, comunicaciones por satélite, sistemas globales de navegación por satélite (GNSS) y aviación. A medida que nos acercamos a un máximo solar, se espera que aumenten la frecuencia e intensidad de estas tormentas, amplificando los riesgos asociados con la meteorología espacial. Dada la creciente dependencia de la tecnología y la mayor vulnerabilidad a la meteorología espacial, resulta esencial desarrollar sistemas de predicción precisos y confiables.
En este contexto, esta tesis se centra en la creación de un modelo de red neuronal profunda (DNN) para la predicción en tiempo real de índices geomagnéticos clave, en particular SYM-H y ASY-H, con un enfoque en el SYM-H. El modelo está diseñado para aprovechar los recientes avances en el aprendizaje automático (ML) y la disponibilidad de datos continuos sobre el viento solar y el campo magnético interplanetario (IMF) proporcionados por satélites como el Advanced Composition Explorer (ACE), ubicado en el punto de Lagrange 1 (L1). Esta combinación de técnicas avanzadas de ML y el extenso histórico disponible de datos proporciona una potente herramienta para predecir la intensidad y el momento de impacto de las tormentas geomagnéticas.
Una innovación clave de este trabajo es el establecimiento de un sistema basado en estadística para identificar, clasificar y delimitar tormentas geomagnéticas, aplicable tanto a los índices SYM-H y ASY-H, como a otros índices relevantes. Este sistema nos ha permitido expandir los conjuntos de datos existentes al incorporar tormentas con datos provisionales, lo que permite evaluar el rendimiento del modelo durante su operación en tiempo real, donde los datos no siempre están completos o no son de suficiente calidad. Además, hemos desarrollado una nueva métrica, llamada Binned Forecasting Error (BFE), diseñada específicamente para evaluar el rendimiento del modelo con mayor precisión en este contexto, donde los valores extremos y poco frecuentes son más importantes que los más comunes. Las métricas de regresión tradicionales, como el RMSE, no son del todo adecuadas para la evaluación de modelos de predicción de tormentas geomagnéticas debido a su incapacidad para capturar las características distintivas de los períodos de alta actividad, mientras que el BFE ofrece una evaluación más precisa.
El modelo DNN desarrollado supera los sistemas previos en la predicción de índices geomagnéticos, especialmente para eventos de tormentas extremas. Al integrar intervalos de confianza basados en cuantiles junto con las predicciones puntuales, el modelo ofrece una imagen más completa de la actividad geomagnética esperada, lo que es crucial para los responsables de la toma de decisiones en sectores que dependen de predicciones precisas de la meteorología espacial. Esta mejora aumenta la utilidad del sistema al proporcionar información sobre la incertidumbre asociada a cada predicción.
Más allá de los índices globales, este estudio ha adaptado con éxito el modelo DNN para predecir índices geomagnéticos locales. A través de un análisis de las perturbaciones locales, encontramos que la actividad geomagnética local puede diferir significativamente de la global, dependiendo de la posición geográfica de la estación y del Tiempo Local Magnético (MLT) en el que la perturbación impacta la Tierra. El modelo ha demostrado un sólido rendimiento en la predicción de estos índices locales y, en algunos casos, se ha aplicado incluso a estaciones fuera del conjunto de entrenamiento inicial con un éxito razonable, lo que destaca las capacidades de generalización del modelo.
En conclusión, esta tesis aporta varios avances clave en el campo de la predicción de tormentas geomagnéticas. Al ampliar el conjunto de datos e introducir la métrica BFE, el modelo DNN se ha refinado para proporcionar predicciones más precisas, especialmente durante eventos geomagnéticos extremos. La integración de intervalos de confianza y la exitosa aplicación tanto a índices globales como locales representan un paso significativo en el campo de la predicción de meteorología espacial con aplicación en entornos de tiempo real. Estos avances serán esenciales a medida que nos preparemos para un aumento en la actividad de tormentas geomagnéticas durante el próximo máximo solar, ofreciendo herramientas más confiables para mitigar los impactos de la meteorología espacial en sistemas dependientes de la tecnología. |
|
