Aplicación de técnicas de aprendizaje automático para evaluar y predecir la actividad geomagnética solar en las comunicaciones

Abstract

Las tormentas geomagnéticas solares pueden causar daños a satélites y provocar apagones eléctricos en la Tierra. Existen índices, como el Kp, que miden la intensidad de las perturbaciones geomagnéticas en un cierto periodo de tiempo. En este proyecto se entrenan y optimizan dos modelos de aprendizaje automático, uno basado en redes Long Short-Term Memory (LSTM) y otro basado en redes convolucionales, para la predicción de valores futuros del índice Kp. Para ello, se hace uso de datos públicos sobre las medidas del Kp y de otras variables que utilizamos como entradas de los modelos. Estos modelos se utilizan conjuntamente para robustecer las predicciones. El objetivo del trabajo es la creación de una aplicación interactiva que sea capaz de utilizar los dos modelos mencionados para detectar anomalías en sus predicciones y alertar así de las tormentas solares. Finalmente, conseguimos cumplir con los objetivos del proyecto, creando una aplicación capaz de clasificar los días por colores como los de un semáforo, en función de la certeza con la que afirma que ha habido tormenta solar. De hecho, consigue clasificar de amarillo o rojo, que representan una mayor probabilidad de tormenta, todos los días en los que hay al menos un periodo de tormenta electromagnética. Además, la aplicación incluye los datos originales del Kp para poder contrastarlos con los resultados de la aplicación.

Geomagnetic storms can cause damages to satellites and power outages in Earth. There are indices, such as the Kp index, which measure the magnitude of the geomagnetic disturbances over a period of time. In this project two different machine learning models are trained and optimized in order to predict future Kp index values. The first one is based on Long Short-Term Memory (LSTM) recurrent neural networks. The second one is based on convolutional neural networks. Public data containing measures of the Kp index as well as other variables used as inputs of the models are utilized. The two previously mentioned models are then used jointly to improve their predictions. The aim of this project is to create an interactive application capable of using both models to detect outliers in their predictions and use them to alert of solar storms. Finally, all objectives set for the project are met, creating an application capable of classifying days with different colors, based on the colors of a traffic light, depending on how certain it is that there has been a storm. In fact, it successfully classifies as yellow or red, which represent a higher probability of there being a storm, every day with at least one period of solar storms. Furthermore, the application displays the original Kp data so that the user can compare it to the results of the application.