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

Resumen

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.