Un nuovo modello di computer ad apprendimento automatico prevede con precisione le tempeste di radiazioni dannose causate dalle fasce di Van Allen due giorni prima della tempesta, l'avviso più avanzato fino ad oggi, secondo un nuovo articolo sulla rivista Meteo spaziale .

"Le tempeste di radiazioni dalle fasce di Van Allen possono danneggiare o addirittura mettere fuori uso i satelliti in orbita ad altitudini medie e alte sopra la Terra, ma prevedere queste tempeste è sempre stata una sfida, " ha detto Yue Chen, uno scienziato spaziale al Los Alamos National Laboratory e investigatore principale del progetto finanziato congiuntamente dalla NASA e dalla NOAA. "Dato che le sonde di Van Allen, che ha fornito dati importanti sulla meteorologia spaziale, recentemente de-orbita, non abbiamo più misurazioni dirette su ciò che sta accadendo nella fascia di radiazione elettronica esterna. Il nostro nuovo modello utilizza i set di dati esistenti per "apprendere" i modelli e prevedere le tempeste future in modo che gli operatori satellitari possano adottare misure protettive, compreso lo spegnimento temporaneo di parte o addirittura dell'intero satellite per evitare danni".

Questo modello predittivo per gli elettroni megaelettronvolt (MeV) all'interno della fascia esterna di Van Allen della Terra si basa su un modello precedente che prevedeva con successo le tempeste di radiazioni con un giorno di anticipo. Questo nuovo modello, chiamato PreMevE 2.0, migliora le previsioni incorporando le velocità del vento solare a monte. Prevede gli eventi futuri addestrandosi sui set di dati esistenti dai satelliti NOAA e Los Alamos per apprendere importanti modelli di comportamento degli elettroni.

"Con l'aspettativa che modelli simili possano rivelarsi in futuro, il nostro modello è in grado di fare previsioni catturando alcune firme critiche come precursori di quegli eventi futuri, " ha spiegato Youzuo Lin, uno scienziato computazionale a Los Alamos che ha sviluppato gli algoritmi di apprendimento automatico per il modello.

"Testando il modello con più algoritmi di apprendimento automatico, questo lavoro conferma la prevedibilità degli elettroni MeV, così come la robustezza dell'utilizzo di osservazioni di elettroni a bassa orbita terrestre per guidare le previsioni, " aggiunse Chen. "Inoltre, il quadro creato in questo lavoro ci consente di includere facilmente più parametri di input per prevedere più elettroni energetici nella fase successiva".

Il framework di machine learning sviluppato per PreMevE 2.0 può essere applicato anche a molte ampie applicazioni che utilizzano misurazioni legate al tempo, come l'acquisizione di modelli di terremoti tra grandi volumi di dati di serie temporali sismiche, consentendo il rilevamento di piccoli terremoti fuori dagli ambienti rumorosi.