Inteligencia artificial aplicada a la meteorología del espacio: pronóstico usando “transfer learning” para Tucumán

Abstract

El pronóstico de las condiciones de la ionosfera es crítico para aplicaciones de meteorología del espacio (ME, o en Inglés, Space Weather - SW) debido a la relación entre el estado de esta región de la alta atmósfera con numerosas tecnologías satelitales como pueden ser las telecomunicaciones. Como en casi todos los subdominios que integran el sistema Sol-Tierra, existen diferentes modelos físicos y empíricos y en los últimos años los métodos basados en inteligencia artificial (IA) han comenzado a tener resultados muy significativos en particular en lo referente a aplicaciones operativas. En general, entrenar adecuadamente modelos de IA requiere de un gran volumen de datos con suficientes casos representativos a partir de los cuales se pueda “aprender”. En la mayoría de los casos, tener un conjunto de datos suficientemente grande es crítico para desarrollar modelos adecuados. Sin embargo, en ME, como en otros campos, no siempre se cuenta con conjuntos de datos adecuados y es en este punto cuando técnicas como la transferencia de conocimiento o “transfer learning” es especialmente útil. En este trabajo proponemos el desarrollo de un modelo de IA basado en transferencia de conocimiento para “transferir” lo aprendido en un modelo global del contenido electrónico total (TEC, Total Electron Content) de la ionosfera a un modelo local para Tucumán. Se muestra como en condiciones calmas esta transferencia logra adaptar y re entrenar con pocos datos de manera adecuada (con errores similares) el modelo global al modelo para Tucumán. Sin embargo, para condiciones perturbadas el modelo no se adecua correctamente por lo que se propone a futuro realizar un mejor estudio de las características utilizadas, mejorar el conjunto de datos y ajustar mejor los hiperparámetros.Forecasting ionospheric conditions is critical for Space Weather (SW) applications due to the relationship between the state of this upper atmospheric region and numerous satellite technologies such as telecommunications. As in nearly all subdomains that comprise the Sun-Earth system, there exist different physical and empirical models, and in recent years methods based on artificial intelligence (AI) have begun to yield highly significant results, particularly regarding operational applications. In general, properly training AI models requires a large volume of data with sufficient representative cases from which to "learn." In most cases, having a sufficiently large dataset is critical for developing adequate models. However, in Space Weather, as in other fields, adequate datasets are not always available, and it is at this point when techniques such as transfer learning become especially useful. In this work, we propose the development of an AI model based on transfer learning to "transfer" the knowledge learned from a global model of the ionospheric Total Electron Content (TEC) to a local model for Tucumán. We show how under quiet conditions this transfer successfully adapts and retrains the global model to the Tucumán model adequately with little data (with similar errors). However, under disturbed conditions the model does not adapt correctly, so we propose for future work to conduct a better study of the features used, improve the dataset, and better adjust the hyperparameters.