| Tesis Doctorales de la Universidad de Alcalá |
| INTERPRETABLE SOLAR WIND FORECASTING
FROM CORONAL HOLE INFORMATION | | Autor/a | Cobos Maestre, Mario | | Departamento | Automática | | Director/a | Fernández Barrero, David | | Codirector/a | Flores Soriano, Manuel | | Fecha de depósito | 25-11-2025 | | Periodo de exposición pública | 26 de noviembre a 10 de diciembre de 2025 | | Fecha de defensa | Sin especificar | | Programa | Investigación espacial y astrobiología (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Debido a su proximidad al Sol, la Tierra está continuamente expuesta a la actividad
solar. En particular, el viento solar, corrientes de partículas cargadas emitidas
constantemente por el Sol, desempeña un papel fundamental en la configuración del
entorno electromagnético terrestre. Por ello, una monitorización y predicción fiables de
las condiciones del viento solar son esenciales para mitigar los riesgos asociados a eventos
de Meteorología Espacial.
Esta tesis presenta el desarrollo de un modelo pre-operativo e interpretable de
predicción del viento solar basado en Aprendizaje Automático. Este modelo tiene como
objetivo un adelanto en la predicción de cinco días, y ofrece información respecto a la
precisión de sus propias predicciones en tiempo de ejecución.
En primer lugar, se introduce un marco automatizado de optimización de
hiperparámetros para mejorar la estabilidad y fiabilidad del entrenamiento de modelos.
A continuación, se propone un nuevo enfoque de predicción mediante una red neuronal
profunda bayesiana, denominada BaLNet, diseñada específicamente para predecir la
velocidad del viento solar con estimaciones de incertidumbre calibradas. Las predicciones
realizadas por BaLNet presentan una correlación de 0.94 con las observaciones de
velocidad de viento solar disponible. En comparación, el mejor valor obtenido en el mismo
conjunto de datos por el estado del arte es de 0.15. BaLNet obtiene mejoras equivalentes
en todas las medidas de evaluación utilizadas, representando un incremento notable en
capacidad predictiva respecto a métodos anteriores.
Finalmente, se amplían y adaptan técnicas existentes de interpretabilidad para modelos
tipo “caja negra” al contexto de regresión bayesiana. Nuestros resultados muestran que
BaLNet distingue eficazmente entre regímenes de viento solar lento y rápido, aprendiendo
estrategias diferenciadas para cada uno que se alinean con el comportamiento físico
conocido. |
|
