18 de maio às 10h00
Programa Doutoral | Ciência de Computadores
Provas | Using Machine Learning to Refine Space Weather Models and Infer Its Effects on Earth
Estudante | Ana Filipa Sousa Barros
Data: 18 de maio
Hora: 10h00
Local: Sala FC5 003
Presidente:
Doutor Miguel Tavares Coimbra
Professor Catedrático
Faculdade de Ciências da Universidade do Porto
Arguentes:
Doutora Sabrina Guastavino
Assistant Professor
University of Genova (Italy)
Doutor Ricardo Jorge Maranhas Gafeira
Diretor
Observatório Geofísico e Astronómico da Universidade de Coimbra
Vogais:
Doutora Inês de Castro Dutra
Professora Auxiliar
Faculdade de Ciências da Universidade do Porto
Doutor André Monteiro de Oliveira Restivo (Orientador)
Professor Associado
Faculdade de Engenharia da Universidade do Porto
Resumo:
A integração de tecnologias espaciais em infraestruturas críticas transformou a previsão de space weather de uma atividade académica numa necessidade operacional. Da navegação por GPS às telecomunicações por satélite, a sociedade moderna depende de sistemas vulneráveis à atividade solar, o que cria exigências sem precedentes de previsões solares-terrestres precisas e oportunas. Os modelos operacionais atuais enfrentam, contudo, limitações fundamentais que comprometem a sua eficácia durante eventos significativos.
As simulações magneto hidrodinâmicas(MHD)tradicionais, embora fisicamente abrangentes,revelam bottlenecks computacionais que impedem a sua implementação operacional em tempo real. Estes modelos exigem frequentemente horas ou dias para gerar previsões que as operações de space weather precisam em minutos. A esta dificuldade somam-se a integração de fontes observacionais heterogéneas e a escassez de medições in-situ para validação, o que resulta numa cobertura observacional fragmentada da evolução do vento solar.
Esta tese investiga a hipótese de que:
H: Modelos de aprendizagem computacional (ML) podem simultaneamente melhorar a precisão e a eficiência das previsões do vento solar. Através da aprendizagem de relações não-lineares complexas a partir de dados históricos solares e heliosféricos, estes modelos têm a capacidade de superar abordagens tradicionais baseadas em física em tarefas de previsão a curto e médio prazo. Paralelamente, a investigação explora como estas técnicas apoiam a compreensão das interações do vento solar com a magnetosfera terrestre e das suas manifestações, como a dinâmica das auroras.
Esta investigação desenvolve-se através de seis capítulos complementares que abordam diferentes dimensões do problema. (1) O primeiro estudo concentra-se na otimização neuronal de condições iniciais para simulações MHD, reduzindo o tempo e recursos computacionais usados pela seleção manual de condições de fronteira por especialistas. (2) O segundo emprega técnicas de agrupamento e deteção de anomalias adversárias para melhorar a precisão preditiva através da especialização de modelos e do controlo rigoroso da qualidade de dados. (3) O terceiro estudo desenvolve substitutos neuronais informados pela física que integram leis de conservação diretamente nas arquiteturas de rede, o que permite alcançar inferência rápidas em comprometer a consistência física. (4) O quarto valida estes métodos através da sua implementação operacional na pipeline SWiFT, testando o seu desempenho em condições reais de previsão. (5) O quinto aplica técnicas de aprendizagem computacional a vinte e seis anos de dados de radar EISCAT e OMNI para ajudar a elucidar mecanismos de acoplamento entre o vento solar e a magnetosfera terrestre. (6) O sexto estudo, de natureza multiplataforma e multifacetada, examina a influência da migração do polo magnético terrestre nas fronteiras das auroras boreais ao longo de duas décadas.
A avaliação empírica emprega conjuntos de dados que abrangem múltiplos ciclos solares. Magnetogramas do Solar Dynamics Observatory, observações coronais de múltiplas sondas espaciais, resultados de simulações MULTI-VP, dados in-situ das sondas ACE e DSCOVR posicionadas em L1, e medições de radar terrestres EISCAT constituem o alicerce observacional desta investigação. Experiências controladas e análises comparativas rigorosas asseguram a validação face a referências operacionais estabelecidas.
Os resultados apoiam de forma consistente a hipótese central. A otimização neuronal alcançou reduções estatisticamente significativas no custo computacional das simulações. Os surrogates informados pela física preservaram a conservação de massa e momento MHD com erros quadráticos médios inferiores a 5% relativamente às soluções MULTI-VP. Os tempos de inferência atingiram valores notáveis: 8 ms para redes informadas pela física e 50 ms para operadores neuronais, três a quatro ordens de grandeza mais rápidos que simulações convencionais.
Os testes operacionais no SWiFT confirmaram a robustez dos modelos em diversas condições solares. A análise estatística demonstrou precisão consistentemente elevada quando validada face a observações independentes de sondas espaciais. Os surrogates informados pela física mantiveram desempenho superior comparativamente a abordagens convencionais em múltiplos critérios de avaliação.
A análise ionosférica de longo prazo em quatro regimes árticos distintos: aurora oval, aurora cúspide, campo elétrico elevado e condições de calote polar fio fita para vinte e 6 anos de dados. As dimensões dos efeito, que variaram entre 0,3 e 0,9, demonstram relações quantitativas fortes entre parâmetros do vento solar e comportamento ionosférico. A temperatura do vento solar emergiu como o fator de controlo dominante para fenómenos da calote polar, enquanto as regiões aurorais revelaram dependências multi-paramétricas.
O estudo da migração do polo magnético revelou deslocações sistemáticas das fronteiras das auroras consistentes com as expectativas teóricas. No setor de Svalbard, as observações de radar e campo magnético validaram taxas de migração para o equador de 0,069º por ano para a fronteira polar e 0,041º por ano para a fronteira equatorial.
Este trabalho pretende desafiar as suposições convencionais sobre os compromissos entre eficiência computacional e rigor científico. Os resultados demonstram que a aprendizagem computacional informada pela física pode melhorar simultaneamente ambas as dimensões quando cuidadosamente concebida e implementada. A tese estabelece arquiteturas neuronais informadas pela física como ferramentas viáveis para previsão de space weather. Estas arquiteturas abordam limitações críticas de abordagens anteriores e fornecem vantagens computacionais essenciais para implementação operacional. A capacidade demonstrada de integrar eficiência computacional com rigor físico abre possibilidades para avançar tanto a compreensão científica como as capacidades práticas de previsão. As implicações estendem-se além da space weather e abrangem numerosas aplicações de computação científica que exigem um equilíbrio similar entre eficiência computacional e precisão física.