Resumen:
La radiación cósmica que ingresa al sistema solar y llega hasta la tierra proveniente del espacio exterior experimenta variaciones en su intensidad como consecuencia de la actividad solar. Estas variaciones se calculan a partir de datos de cuentas de rayos cósmicos secundarios, registrados por monitores de neutrones ubicados en diferentes regiones en tierra.
Una vez obtenidos los valores de variación en la modulación, se hacen pronósticos de prueba utilizando un modelo predictivo basado en deep learning llamado DeepAR, el cual pertenece a la biblioteca de Python GluonTS. La precisión de los resultados que arroja el modelo se analiza a partir de dos métodos distintos. El primero es el error MASE, utilizado comúnmente en la evaluación de pronósticos basado en la comparación entre los valores calculados y los valores reales del fenómeno en un segmento de tiempo con datos conocidos. El segundo es el cálculo de la semblanza a partir de la transformada wavelet, que permite estimar la correlación entre dos curvas, para lo cual se utilizaron también datos del número de manchas promedio observadas en la superficie del Sol. Ambos métodos se emplearon de forma complementaria con la finalidad de determinar qué tan viable puede ser la aplicación del modelo en este tipo de datos.
En general, se identifica que los pronósticos son más acertados mientras mayor sea el número de datos que se utiliza en el entrenamiento del modelo, lo cual concuerda con el fundamento teórico del aprendizaje automático. Se estima que conforme aumente la cantidad de datos de cuentas en los monitores de neutrones en el mundo, se podrán obtener mejores resultados a partir de este método debido a que los algoritmos basados en deep learning continúan incrementando su eficiencia conforme aumenta el número de datos disponibles
para el entrenamiento del modelo.
Finalmente se proponen pronósticos a futuro para los valores calculados con los datos de cada estación, con longitud suficiente para cubrir al menos un ciclo solar de 11 años.
Descripción:
Es una tesis escrita de manera individual que aborda la aplicación de una librería de python para el análisis de series temporales basada en deep learning en ciencias espaciales, específicamente para pronosticar la variación en la modulación de rayos cósmicos.
