Un nouveau modèle informatique d'apprentissage automatique prédit avec précision les tempêtes de radiations dommageables causées par les ceintures de Van Allen deux jours avant la tempête, l'avis le plus avancé à ce jour, selon un nouvel article dans la revue Météo spatiale .

"Les tempêtes de rayonnement des ceintures de Van Allen peuvent endommager ou même assommer des satellites en orbite à moyenne et haute altitude au-dessus de la Terre, mais prédire ces tempêtes a toujours été un défi, " a déclaré Yue Chen, un scientifique de l'espace au Laboratoire national de Los Alamos et chercheur principal sur le projet financé conjointement par la NASA et la NOAA. "Étant donné que les sondes Van Allen, qui a fourni des données importantes sur la météo spatiale, récemment désorbité, nous n'avons plus de mesures directes sur ce qui se passe dans la ceinture externe de rayonnement électronique. Notre nouveau modèle utilise des ensembles de données existants pour « apprendre » les modèles et prédire les futures tempêtes afin que les opérateurs de satellites puissent prendre des mesures de protection, y compris l'arrêt temporaire d'une partie ou même de l'ensemble du satellite pour éviter tout dommage."

Ce modèle prédictif pour les électrons mégaélectron-volt (MeV) à l'intérieur de la ceinture externe de Van Allen de la Terre s'appuie sur un modèle précédent qui avait prédit avec succès les tempêtes de rayonnement un jour à l'avance. Ce nouveau modèle, appelé PreMevE 2.0, améliore les prévisions en intégrant les vitesses du vent solaire en amont. Il prédit les événements futurs en s'entraînant sur les ensembles de données existants des satellites NOAA et Los Alamos pour apprendre des modèles importants de comportement des électrons.

"Dans l'espoir que des modèles similaires puissent se révéler à l'avenir, notre modèle est capable de faire des prédictions en capturant certaines signatures critiques en tant que précurseur de ces événements futurs, " a expliqué Youzuo Lin, un informaticien à Los Alamos qui a développé les algorithmes d'apprentissage automatique pour le modèle.

"En testant le modèle avec plusieurs algorithmes d'apprentissage automatique, ce travail confirme la prévisibilité des électrons MeV, ainsi que la robustesse de l'utilisation des observations d'électrons en orbite terrestre basse pour conduire des prédictions, " ajouta Chen. " De plus, le cadre mis en place dans ce travail nous permet d'inclure facilement plus de paramètres d'entrée pour prédire des électrons plus énergétiques dans l'étape suivante."

Le cadre d'apprentissage automatique développé pour PreMevE 2.0 peut également être appliqué à de nombreuses applications larges qui utilisent des mesures liées au temps, telles que la capture de modèles de tremblements de terre parmi de grands volumes de données de séries chronologiques sismiques, permettant la détection de petits séismes hors des environnements bruyants.