Aplicación de una Red Neuronal Artificial LSTM como función no lineal de un modelo NARX para predecir condiciones de la Ionosfera

Abstract

Desarrollar un modelo predictivo para anticipar el comportamiento de la frecuencia crítica foF2 de la capa F2 de la ionósfera, utilizando redes neuronales profundas (LSTM) dentro de una arquitectura NNARX (Nonlinear Autoregressive with Exogenous Inputs), en el contexto de fenómenos de Meteorología del Espacio (Space Weather). Se entrenaron 888 modelos distintos con distintas combinaciones de hiperparámetros. El mejor modelo logró una predicción precisa de foF2 con bajo error (según RMSE). Se evidenció una alta correlación entre las variables exógenas y la frecuencia crítica foF2 durante eventos de Space Weather. Las redes LSTM dentro del modelo NNARX son adecuadas para la predicción de condiciones ionosféricas.El enfoque basado en datos es competitivo frente a modelos físicos tradicionales, especialmente para series temporales complejas y no lineales. Se destaca la importancia de mejorar la cobertura y calidad de datos para futuras aplicaciones.