Cortes, Juan Pablo Benjamin2025-05-202022https://ridunt.unt.edu.ar/handle/123456789/1475Tabla de contenido: Agradecimientos Capítulo 1: Introducción 1.1 Descripción del Problema 1.2 Breve reseña del estado del Arte 1.3 Hipótesis de trabajo 1.4 Propuesta Capítulo 2: Adquisición de Datos 2.1 Exploración de Datos Capítulo 3: Preprocesamiento de Datos 3.1 Tratamiento de valores nulos 3.2 Escalamiento de Datos Capítulo 4: Selección de Características 4.1 Estudio de Correlación Estandarizar el rango de las variables iniciales Calcular la matriz de covarianza 23 Calcular los vectores y valores propios de la matriz de covarianza Vector de características Reestructurar los datos Capítulo 5: Aprendizaje Profundo aplicado a ME 5.1 NARX 5.2 RNN 5.3 LSTM Funcionamiento de una celda LSTM paso a paso Ventajas de las redes LSTM 5.3 Modelo propuesto Capítulo 6: Modelado y Resultados 6.1 División de datos 6.2 Métodos de selección de hiper parámetros 6.3 Espacio de búsqueda 6.4 Resultados Capítulo 7: ConclusionesDesarrollar 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.esTesis