Come può un algoritmo prevedere il tempo dell'ionosfera?

L’ionosfera è lo strato dell’atmosfera carico di elettroni, fondamentale per i segnali GPS e le comunicazioni satellitari. Il suo contenuto totale di elettroni (TEC) varia con il ciclo solare di 11 anni e con le stagioni, rendendo difficile la previsione. Un team di ricercatori ha sviluppato un modello basato su una rete neurale chiamata Gated Recurrent Unit (GRU) ottimizzata con una ricerca a griglia. Prima di tutto, hanno riempito i buchi nei dati TEC usando metodi statistici, così da avere una serie temporale completa. Poi hanno creato una finestra scorrevole che combina le misurazioni TEC con due indici di attività solare, come il valore F10.7 e il numero di macchie solari. Questo permette al modello di “vedere” sia le tendenze a lungo termine sia le variazioni più rapide. La ricerca a griglia ha testato diverse profondità della rete, lunghezze dei passi temporali e altri parametri, scegliendo la combinazione più efficace. Il risultato? Un errore medio quadratico (RMSE) di 0,78 TECU per il periodo 2019‑2020, quasi il 70% più basso rispetto ai modelli tradizionali CCIR, URSI e ad altri metodi di machine learning. In pratica, il nuovo modello può anticipare con maggiore precisione le fluttuazioni dell’ionosfera, migliorando la stabilità di GPS, telecomunicazioni e previsioni del meteo spaziale.

Il Total Electron Content (TEC) è una misura integrata del numero di elettroni lungo una colonna verticale dell’ionosfera, espressa in TECU (1 TECU = 10^16 elettroni/m²). Viene ricavato da segnali di navigazione satellitare, che subiscono ritardi proporzionali al TEC. Le variazioni di TEC dipendono da fenomeni solari (es. flussi di radiazione UV, eruzioni solari) e da processi atmosferici (es. onde di gravità). Il modello proposto utilizza una Gated Recurrent Unit, una variante delle reti ricorrenti che incorpora porte di aggiornamento e reset per gestire meglio le dipendenze a lungo termine. La struttura è composta da uno strato di input, uno o più strati GRU e uno strato denso di output che fornisce la previsione TEC. Per ottimizzare le prestazioni, è stato impiegato un algoritmo di grid search che esplora combinazioni di: profondità della rete (numero di strati GRU), dimensione della finestra temporale (numero di passi precedenti considerati), dimensione del batch, tasso di apprendimento e funzione di attivazione. I dati di addestramento includono serie temporali multivariate: TEC osservato, indice F10.7 (misura della radioemissione solare a 10,7 cm) e numero di macchie solari, entrambi indicatori di attività solare. La finestra scorrevole è impostata a 24 ore con passo orario, consentendo al modello di catturare cicli giornalieri e variazioni stagionali. La valutazione è stata effettuata con il Root Mean Square Error (RMSE) e il Mean Absolute Error (MAE). Il modello GRU ha raggiunto RMSE = 0,78 TECU, superando di gran lunga i modelli CCIR (RMSE ≈ 2,9 TECU) e URSI (RMSE ≈ 2,8 TECU), nonché approcci di regressione lineare e Random Forest (RMSE ≈ 2,0 TECU). L’analisi dei residui mostra una riduzione significativa dei bias stagionali, indicando che la rete ha appreso le componenti cicliche dell’11‑year solar cycle. Questi risultati suggeriscono che l’integrazione di deep learning con ottimizzazione sistematica dei parametri può diventare uno strumento chiave per la modellazione ionosferica, con impatti diretti su sistemi di navigazione, telecomunicazioni e previsioni di space weather. Future work potrebbe includere dati di magnetosfera, modelli di assimilazione in tempo reale e l’estensione a previsioni a più giorni.