Inteligencia Artificial para el pronóstico del flujo de radiación solar

Un grupo de científicos muestran el desarrollo de una nueva metodología que utiliza el aprendizaje profundo para pronosticar el flujo de radiación solar.

Dado que el arrastre atmosférico es una de las fuentes de incertidumbre más destacadas en la predicción de la órbita de los satélites en la órbita terrestre baja, la modelización precisa de este índice es de gran importancia para ayudar a predecir las posiciones de los satélites y la basura espacial, así como para asegurar que no se produzcan colisiones. La metodología seguida por el grupo de investigación de la UPM para el desarrollo de este modelo se basa en el uso de métodos de aprendizaje profundo, deep learning, más concretamente, en un nuevo enfoque basado en Redes Residuales Profundas. Este método, basado en la arquitectura de redes neuronales N-BEATS, ha resultado ser eficaz en la predicción de valores puntuales hasta 27 días en el futuro, así como en la estimación de la incertidumbre en la predicción utilizando un conjunto (o ensemble) de modelos.

En un trabajo publicado en la revista Acta Astronautica, un grupo de científicos muestran el desarrollo de una nueva metodología que utiliza el aprendizaje profundo (una modalidad de inteligencia artificial) para pronosticar el flujo de radiación solar, en concreto, el índice F10.7, en un horizonte temporal de días, lo que resulta muy relevante a la hora de diseñar y planificar operaciones espaciales.

El trabajo es obra de Emma Stevenson, Víctor Rodríguez-Fernández y David Camacho, de la Universidad Politécnica de Madrid (UPM) en España, así como Edmondo Minisci, de la Universidad de Strathclyde en el Reino Unido.

La Inteligencia Artificial o IA aplicada a la tecnología espacial nos da como resultado la herramienta del futuro. La Inteligencia Artificial tiene aplicaciones avanzadas en el sector espacial. Actualmente se utiliza para detectar nuevos planetas, predecir climas espaciales (tormentas solares, vientos radioactivos, etc); automatización de satélites y también en robots capaces de realizar tareas complejas en órbita, meteoritos u otros planetas.

Una de las  tareas de mayor relevancia en este momento de la IA tiene que ver con la capacidad de reacción contra el tiempo de latencia de la comunicación entre el espacio-tierra e interespacial. Esto significa que si un vehículo lunar está ejecutando una misión y de pronto se encuentra con un fenómeno no esperado, debe tomar una decisión inmediata. El problema es que actualmente la señal de la Tierra a la Luna tarda varios minutos; este retraso ocasionaría el fracaso de la misión si no se cuenta con un sistema automatizado de reacción que considere todas la variables. Lo mismo sucede en constelaciones de varios satélites que necesitan cambiar de órbita para evitar colisiones o maniobrar para establecer una mejor conexión con los sensores remotos aquí en la Tierra.

Otro de los problemas que resuelve la Inteligencia Artificial en el sector espacial, es el procesamiento y análisis de datos. La NASA recibe y almacena aproximadamente 2 gigabites de datos cada 15 segundos entre toda su flota espacial; sin embargo, solo se analizan una fracción de esos datos por falta de recursos humanos, tecnológicos y económicos.

El nuevo telescopio James Webb, transmitirá 458 gigabits de datos cada día y será tan poderoso que podremos ver a través del tiempo, literalmente, gracias al uso de la IA. Este telescopio, nombrado así en honor a James E. Webb, administrador de la NASA de 1961 a 1968 y que fue vital en el desarrollo del programa Apollo, permitirá observar el universo hace 100 millones de años luego del Big Bang. Esto es un fenómeno que tiene que ver con la velocidad a la que viaja la luz en el espacio.

El índice F10.7 que es el indicador que se busca pronosticar, es una medida de la intensidad de las emisiones de radiación solar ultravioleta con una longitud de onda de 10,7 cm y se utiliza como un indicador de la actividad solar, siendo uno de los principales responsables de los cambios de la densidad atmosférica, y por lo tanto, del arrastre atmosférico.

Dado que el arrastre atmosférico es una de las fuentes de incertidumbre más destacadas en la predicción de la órbita de los satélites en la órbita terrestre baja, la modelización precisa de este índice es de gran importancia para ayudar a predecir las posiciones de los satélites y la basura espacial, así como para asegurar que no se produzcan colisiones.

La metodología seguida por el grupo de investigación de la UPM para el desarrollo de este modelo se basa en el uso de métodos de aprendizaje profundo, deep learning, más concretamente, en un nuevo enfoque basado en Redes Residuales Profundas. Este método, basado en la arquitectura de redes neuronales N-BEATS, ha resultado ser eficaz en la predicción de valores puntuales hasta 27 días en el futuro, así como en la estimación de la incertidumbre en la predicción utilizando un conjunto (o ensemble) de modelos.

El equipo de investigación ha comprobado también que el modelo N-BEATS mejora los resultados de dos modelos de predicción disponibles para operadores espaciales: uno estadístico (proporcionado por BGS, ESA), y otro de una red neuronal más simple que utiliza información del flujo solar en múltiples longitudes de onda (por CLS, CNES).

En opinión de los investigadores de la UPM: “Con un número creciente de empresas privadas que ofrecen servicios en el espacio, los resultados de este estudio son importantes para la industria espacial, ya que pueden utilizarse para desarrollar herramientas que permitan prever las condiciones de arrastre en un futuro próximo y hacer predicciones de órbita más precisas”.

 

Fuente: https://noticiasdelaciencia.com/art/43556/la-inteligencia-artificial-aprende-a-predecir-el-flujo-solar

Doctor Fisión

Doctor Fision

Divulgador científico especialista en física y astrofísica, y apasionado de la ciencia en general. Autor del bestseller "El Universo Explicado" y de "La Nueva Carrera Espacial". Tiene más de 3 millones de seguidores en redes sociales.

Continúa leyendo