Investigadores de la UPM participan en el desarrollo de una nueva metodología basada en métodos de deep learning para predecir el comportamiento futuro del flujo de radiación solar, una magnitud muy relevante para las operaciones espaciales
En un trabajo publicado en la revista Acta Astronautica, investigadores del Departamento de Ingeniería de Sistemas Informáticos de la Universidad Politécnica de Madrid (UPM), en colaboración con la Universidad de Strathclyde (Reino Unido), han desarrollado una nueva metodología que utiliza el aprendizaje profundo para pronosticar el flujo de radiación solar ꟷen concreto, el índice F10.7ꟷ en un horizonte temporal de días, lo que resulta muy relevante a la hora de diseñar y planificar operaciones espaciales.
Fuente: pixabay: https://pixabay.com/es/photos/erupci%c3%b3n-solar-flare-explosi%c3%b3n-67532/
El índice F10.7 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 (LEO, por sus siglas en inglés), 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.
Ejemplo de previsión de 5 días del índice F10.7 generado por N-BEATS. Fuente: UPM.
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”.
El estudio se ha publicado en la revista Acta Astronautica, y ha contado con el apoyo de la UE H2020 MSCA ITN Stardust-R, una red de investigación sobre basura espacial y asteroides.
Rerferencia bibliográfica
Emma Stevenson, Víctor Rodríguez-Fernández, Edmondo Minisci, David Camacho. A deep learning approach to solar radio flux forecasting Acta Astronautica 2021 https://doi.org/10.1016/j.actaastro.2021.08.004
