As redes neurais melhoraram significativamente nossa capacidade de reconstruir a camada atmosférica da Terra, possibilitando resultados muito mais precisos. Isso tem implicações significativas para a navegação por satélite, entre outras aplicações.
A ionosfera, uma região do geoespaço localizada entre 60 e 1.000 quilômetros acima da Terra, interrompe a transmissão do sinal de rádio dos sistemas globais de navegação por satélite (GNSS) devido às suas partículas eletricamente carregadas. Essa interferência representa desafios para a crescente precisão exigida por esses sistemas tanto em pesquisa quanto em aplicações práticas, como direção autônoma ou determinação precisa da órbita de satélites.
Para compensar os atrasos ionosféricos, que são uma importante fonte de erro em aplicações GNSS, podem ser utilizados modelos da ionosfera e sua distribuição de carga dinâmica e flutuante. Um novo modelo ionosférico foi apresentado pelos pesquisadores Artem Smirnov e Yuri Shprits do Centro Alemão de Pesquisa de Geociências GFZ. Este modelo, baseado em redes neurais e 19 anos de dados de medição por satélite, foi publicado na revista Scientific Reports.
Em particular, ele pode reconstruir a ionosfera superior, a parte superior rica em elétrons da ionosfera com muito mais precisão do que antes. É, portanto, também uma base importante para o progresso da pesquisa ionosférica, com aplicações em estudos sobre a propagação de ondas eletromagnéticas ou para a análise de determinados eventos climáticos espaciais, por exemplo.
Antecedentes: Importância e complexidade da ionosfera
A ionosfera da Terra é a região da atmosfera superior que se estende de cerca de 60 a 1000 quilômetros de altitude. Aqui, predominam partículas carregadas como elétrons e íons positivos, causadas pela atividade de radiação do Sol – daí o nome. A ionosfera é importante para muitas aplicações científicas e industriais porque as partículas carregadas influenciam a propagação de ondas eletromagnéticas, como sinais de rádio.
O chamado atraso de propagação ionosférica de sinais de rádio é uma das mais importantes fontes de interferência para a navegação por satélite. Isso é proporcional à densidade de elétrons no espaço percorrido. Portanto, um bom conhecimento da densidade eletrônica pode ajudar na correção dos sinais. Em particular, a região superior da ionosfera, acima de 600 quilômetros, é de interesse, já que 80% dos elétrons estão reunidos nesta chamada ionosfera topside.
O problema é que a densidade eletrônica varia muito – dependendo da longitude e latitude acima da Terra, da hora do dia e do ano e da atividade solar. Isso dificulta sua reconstrução e previsão, base para correção de sinais de rádio, por exemplo.
Modelos anteriores
Existem várias abordagens para modelar a densidade eletrônica na ionosfera, entre outras, o International Reference Ionosphere Model IRI, que é reconhecido desde 2014. É um modelo empírico que estabelece uma relação entre variáveis de entrada e saída com base na análise estatística das observações . No entanto, ainda tem pontos fracos na importante área da ionosfera topside devido à cobertura limitada de observações coletadas anteriormente naquela região.
Recentemente, no entanto, grandes quantidades de dados tornaram-se disponíveis para esta área. Portanto, as abordagens de machine learning (ML) se prestam a derivar regularidades disso, especialmente para relacionamentos não lineares complexos.
Uma nova abordagem usando machine learning e redes neurais
Uma equipe do Centro de Pesquisa Alemão GFZ para Geociências em torno de Artem Smirnov, Ph.D. estudante e primeiro autor do estudo, e Yuri Shprits, chefe da seção “Física Espacial e Clima Espacial” e professor da Universidade de Potsdam, adotaram uma nova abordagem empírica baseada em ML. Para isso, eles usaram dados de missões de satélite de 19 anos, em particular CHAMP, GRACE e GRACE-FO, que foram e são significativamente cooperados pelo GFZ e COSMIC. Os satélites mediram – entre outras coisas – a densidade de elétrons em diferentes faixas de altura da ionosfera e cobrem diferentes horários anuais e locais, bem como ciclos solares.
Com a ajuda de redes neurais, os pesquisadores desenvolveram um modelo para a densidade de elétrons da ionosfera superior, que eles chamam de modelo NET. Eles usaram o chamado método MLP (Multi-Layer Perceptrons), que aprende iterativamente os pesos da rede para reproduzir as distribuições de dados com altíssima precisão.
Os pesquisadores testaram o modelo com medições independentes de outras três missões de satélite.
Avaliação do novo modelo
“Nosso modelo está em notável acordo com as medições: ele pode reconstruir a densidade de elétrons muito bem em todas as faixas de altura da ionosfera superior, ao redor do globo, em todas as épocas do ano e do dia, e em diferentes níveis de atividade solar, e excede significativamente o Modelo de Ionosfera de Referência Internacional IRI em precisão. Além disso, cobre o espaço continuamente”, resume o primeiro autor, Artem Smirnov.
Yuri Shprits acrescenta: “Este estudo representa uma mudança de paradigma na pesquisa ionosférica porque mostra que as densidades ionosféricas podem ser reconstruídas com uma precisão muito alta. O modelo NET reproduz os efeitos de numerosos processos físicos que governam a dinâmica da ionosfera superior e pode ter amplas aplicações na pesquisa ionosférica”.
Possíveis aplicações na pesquisa da ionosfera
Os pesquisadores veem possíveis aplicações, por exemplo, em estudos de propagação de ondas, para calibrar novos conjuntos de dados de densidade de elétrons com deslocamentos de linha de base frequentemente desconhecidos, para reconstruções tomográficas na forma de um modelo de fundo, bem como para analisar eventos climáticos espaciais específicos e realizar longas reconstruções ionosféricas de longo prazo. Além disso, o modelo desenvolvido pode ser conectado a altitudes plasmasféricas e, assim, pode se tornar uma nova opção de topside para o IRI.
A estrutura desenvolvida permite a incorporação perfeita de novos dados e novas fontes de dados. O retreinamento do modelo pode ser feito em um PC padrão e pode ser executado regularmente. No geral, o modelo NET representa uma melhoria significativa em relação aos métodos tradicionais e destaca o potencial dos modelos baseados em redes neurais para fornecer uma representação mais precisa da ionosfera para sistemas de comunicação e navegação que dependem do GNSS.
Publicado em 02/05/2023 01h04
Artigo original:
Estudo original: