Un nuovo modello meteorologico spaziale prevede in tempo le tempeste di radiazioni

Un preavviso di due giorni consente agli operatori satellitari di adottare misure di protezione contro le particelle ionizzate

0
778
Indice

Secondo un nuovo articolo pubblicato dalla rivista Space Weather, un nuovo modello computerizzato di apprendimento automatico riesce a prevedere, con precisione, tempeste di radiazioni dannose causate dalle cinture di Van Allen due giorni prima della tempesta; questo ad oggi sarebbe l’avviso più preciso che si abbia mai avuto.

Le tempeste di radiazioni dalle cinture di Van Allen possono danneggiare o addirittura far cadere i satelliti in orbita in media e alta quota sopra la Terra. Prevedere queste tempeste è sempre stata una sfida“, ha affermato Yue Chen, scienziata spaziale presso il Los Alamos National Laboratory e icercatore principale sul progetto finanziato congiuntamente da NASA e NOAA.

Dato che le sonde Van Allen, che hanno fornito dati importanti sulle condizioni meteorologiche spaziali, sono state recentemente deorbitate, non abbiamo più misurazioni dirette su ciò che sta accadendo nella fascia esterna. Il nostro nuovo modello utilizza set di dati esistenti per prevedere i temporali futuri in modo che gli operatori satellitari possano adottare misure di protezione, incluso lo spegnimento temporaneo di parte o addirittura dell’intero satellite, per ridurre al minimo o evitare eventuali danni“.

Questo modello predittivo si basa su un modello precedente che prevedeva con successo tempeste di radiazioni con solo un giorno di anticipo. Questo nuovo modello, chiamato PreMevE 2.0, migliora le previsioni incorporando le velocità del vento solare. Prevede eventi futuri addestrandosi su set di dati esistenti e forniti dai satelliti NOAA per apprendere importanti schemi di comportamento degli elettroni.

Testando il modello con più algoritmi di apprendimento automatico, questo lavoro conferma la prevedibilità degli elettroni MeV, nonché la robustezza dell’utilizzo di osservazioni di elettroni a bassa orbita terrestre per guidare le previsioni“, ha aggiunto Chen. “Inoltre, il framework creatoper questo lavoro ci consente di includere facilmente più parametri di input per prevedere più elettroni energetici nel passaggio successivo“.



Il framework di machine learning sviluppato per PreMevE 2.0 può avere anche altri diversi campi di applicazione, come l’acquisizione di modelli di terremoti tra grandi volumi di dati di serie temporali sismiche, consentendo il rilevamento di piccoli terremoti.

Riferimento: “Forecasting Megaelectron‐Volt Electrons Inside Earth’s Outer Radiation Belt: PreMevE 2.0 Based on Supervised Machine Learning Algorithms” by Rafael Pires de Lima, Yue Chen and Youzuo Lin, 10 February 2020, Space Weather.
DOI: 10.1029/2019SW002399

2