Variaciones del campo magnético terrestre y su influencia en parámetros ionosféricos mediante el desarrollo del modelo de dipolo excéntrico y optimización numérica en el Sheffield University Plasmasphere Ionosphere Model- Instituto Nacional de Pesquisas Espaciais (SUPIM-INPE)

Abstract

La presente tesis constituye un aporte al campo de la Meteorología del Espacio (ME) y, particularmente, al estudio y predicción de las condiciones de la ionosfera, mediante la aplicación de técnicas de computación científica, Ciencia de Datos y aprendizaje automático. La Meteorología del Espacio estudia las condiciones y perturbaciones originadas principalmente por la actividad solar y su interacción con el sistema Sol-Tierra, debido a sus posibles efectos sobre sistemas tecnológicos como los sistemas globales de navegación satelital (GNSS), las telecomunicaciones, la aviación, los vehículos espaciales y las redes eléctricas. En este contexto, disponer de modelos capaces de anticipar las condiciones ionosféricas resulta de interés para generar información y alertas que permitan reducir posibles impactos.

El trabajo se centra en el desarrollo de modelos de predicción de corto plazo de la ionosfera, utilizando técnicas de aprendizaje profundo (Deep Learning) y siguiendo los principios de la Ciencia de Datos como metodología para garantizar un tratamiento sistemático y reproducible de la información. La investigación propone un enfoque denominado end-to-end, que comprende diferentes etapas: adquisición de datos provenientes de múltiples fuentes, procesamiento, limpieza, transformación, preparación de los conjuntos de datos, entrenamiento de modelos, evaluación y validación de los resultados. Esta metodología busca además asegurar la trazabilidad tanto de los datos como del código utilizado.

Uno de los principales desafíos abordados es la naturaleza de los datos empleados en Meteorología del Espacio. Estos presentan características heterogéneas, diferentes resoluciones temporales y espaciales, grandes volúmenes de información y períodos con datos faltantes o de disponibilidad limitada. Por esta razón, la tesis destaca la importancia de establecer procedimientos adecuados de adquisición, limpieza y transformación de los datos antes de utilizarlos en los modelos predictivos.

Para el desarrollo de los modelos se emplean técnicas de Inteligencia Artificial y aprendizaje profundo, particularmente redes neuronales aplicadas al análisis de series temporales multivariadas. Se estudian principalmente dos grupos de arquitecturas: las redes neuronales recurrentes LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Unit), y las redes neuronales convolucionales (CNN). Estas técnicas son utilizadas para representar relaciones no lineales, dependencias temporales y comportamientos complejos de la ionosfera que pueden resultar difíciles de reproducir mediante métodos tradicionales.

La investigación contempla dos niveles de aplicación. En primer lugar, se desarrolla un modelo de predicción global, utilizando información correspondiente a diferentes regiones geográficas y condiciones de la ionosfera. En segundo lugar, se desarrolla un modelo de aplicación local para la estación ionosférica de Tucumán, utilizando la estrategia de transfer learning. Esta metodología permite reutilizar el conocimiento adquirido por un modelo previamente entrenado con información global y adaptarlo a una estación particular que dispone de una cantidad más limitada de datos.

Los resultados obtenidos muestran que los modelos basados en aprendizaje profundo permiten realizar pronósticos ionosféricos de corto plazo, incluyendo predicciones con un horizonte de 24 horas. En particular, la estrategia de transfer learning aplicada al caso de Tucumán presentó resultados satisfactorios, obteniendo errores RMSE comprendidos aproximadamente entre 1,99 y 4,89 TECu. Estos resultados muestran que el conocimiento aprendido a partir de información global puede ser transferido y adaptado a condiciones locales con una menor disponibilidad de datos y un costo computacional reducido.

Además del desarrollo de los modelos predictivos, la tesis considera la necesidad de avanzar desde la investigación científica hacia aplicaciones operativas. Para ello, se destaca la importancia de disponer de sistemas capaces de procesar información de manera continua, generar predicciones confiables y transformar los resultados científicos en productos comprensibles y útiles para usuarios no especializados. En este sentido, el trabajo se vincula con el concepto R2O2R (Research to Operation to Research), mediante el cual los resultados de la investigación pueden convertirse en productos operativos y, posteriormente, generar nuevos requerimientos para la investigación científica.

En conclusión, la tesis desarrolla un marco metodológico y computacional para el pronóstico ionosférico de corto plazo, integrando Ciencia de Datos, programación científica y técnicas de aprendizaje profundo. Los resultados obtenidos permiten sostener la viabilidad técnica del enfoque y proporcionan una base para futuras aplicaciones en sistemas de vigilancia de la Meteorología del Espacio. Asimismo, el trabajo establece una línea de investigación vinculada con la Inteligencia Artificial aplicada a la Meteorología del Espacio en el ámbito de la Universidad Nacional de Tucumán y plantea futuras investigaciones relacionadas con nuevas arquitecturas de aprendizaje automático, técnicas de autoatención, modelos estadísticos, infraestructura de Big Data y desarrollo de software científico reproducible.