Un modello per la miglior previsione di Space Weather
loading

Prevedere i flussi di elettroni in grado di danneggiare le comunicazioni satellitari è oggi una sfida molto grande. Un modello riesce a anticipare le previsioni di un giorno per la fascia esterna


Fonte Yue Chen et al, PreMevE: New Predictive Model for Megaelectron-Volt Electrons Inside Earth's Outer Radiation Belt, Space Weather (2019)


Un nuovo e innovativo modello di previsione space weather riesce a prevedere in maniera molto precisa le tempeste di particelle altamente energetiche che mettono a repentaglio il funzionamento dei satelliti artificiali. Un modello che riesce a fornire un alert un giorno prima che i satellitti vengano messi a rischio dagli elettroni killer nella cintura di Van Allen esterna, posta 8000 miglia sopra la superficie terrestre ed estesa fino a 30 mila miglia. Gli elettroni altamente energetici in questa fascia sono altamente variabili, specialmente durante una tempesta solare quando le particelle provenienti dal Sole entrano nello spazio terrestre rendendo le previsioni molto ardue.

Questo modello collega i punti tra la popolazione di elettroni killer e le misurazioni effettuate da un satellite orbitale geostazionario e da un satellite con periodo di 3.5 anni. Correlando gli elettroni e le misurazioni satellitari in orbita bassa, il team di astronomi è in grado di identificare i triger informativi necessari alle previsioni e di sviluppare un modello affidabile al punto da prevedere i cambiamenti degli elettroni energetici nella cintura esterna.

Per prevedere l'arrivo di tempeste magnetiche gli scienziati tastano le condizioni solari due volte al giorno, tramite mappe disegnate a mano ed etichettate con varie strutture come regioni attive, filamenti e buchi coronali. I telescopi solari, tuttavia, producono una serie di osservazioni in pochi minuti e stare al passo con tutti questi dati consentirebbe sicuramente un miglioramento previsionale ma richiederebbe tantissimo tempo.Un nuovo algoritmo consente oggi di guardare contemporaneamente tutte le immagini prodotte e di individuare modelli nei dati: l'algoritmo identifica le strutture solari e le analizza tramite albero decisionale per distinguere tra diversi tratti. Un pixel alla volte viene deciso, ad esempio, da cosa possa dipendere una maggiore luminosità. Attraverso un processo di autoapprendimento, l'algoritmo distingue sempre meglio e alla svelta, aiutando a comprendere cosa accade sul Sole (J. Marcus Hughes et al, Real-time solar image classification: Assessing spectral, pixel-based approachesJournal of Space Weather and Space Climate - 2019). 

Le variazioni sul Sole riflesse nelle variazioni dell'immagine prodotta dall'algoritmo. Crediti J. Marcus Hughes/CU Boulder, CIRES & NCEI
Le variazioni sul Sole riflesse nelle variazioni dell'immagine prodotta dall'algoritmo. Crediti J. Marcus Hughes/CU Boulder, CIRES & NCEI