Título: Previsão de Explosões Solares com Aprendizado Profundo baseado em Sequências de Magnetogramas e Técnicas de Aumento de Dados
Comissão Examinadora - Titulares
Prof. Dr. André Leon Sampaio Gradvohl (Presidente) - FT/Unicamp
Profa. Dra. Nina Sumiko Tomita Hirata - USP
Dra. Alessandra Abe Pacini - NOAA
Dr. Rafael Duarte Coelho dos Santos - INPE
Dr. Marcos Gomes-Borges - ENGIE
Suplente
Profa. Dra. Marcela Xavier Ribeiro - UFSCAR
Prof. Dr. Paulo José de Aguiar Simões - MACKENZIE
Prof. Dr. Tiago Cinto -IFRS
Local: Sala de Defesa (Prédio da Pós-graduação da FT) https://stream.meet.google.com/stream/eac4d8d4-2540-4be1-9f36-806301ecdc72
Resumo: As explosões solares são liberações intensas de energia eletromagnética que ocorrem normalmente em regiões solares ativas do Sol com fortes campos magnéticos, conhecidas como manchas solares. A radiação de uma explosão solar pode atingir a atmosfera da Terra em poucos minutos. As explosões solares de alta intensidade, como as de classes M e X, podem impactar significativamente as tecnologias e atividades da Terra, incluindo satélites, telecomunicações e sistemas de energia. Portanto, é fundamental desenvolver sistemas de previsão com boas taxas de acerto para explosões solares de alta intensidade. Um modelo de previsão que monitora a evolução de regiões solares ativas pode analisar vários atributos para prever quais regiões podem tornar-se precursoras de explosões solares. As pesquisas recentes têm se concentrado cada vez mais em modelos de aprendizagem profunda que acompanham a evolução destas regiões ativas. No entanto, as explosões de classe M e X são relativamente raras no ciclo solar, resultando em conjuntos de dados desequilibrados que dificultam o desenvolvimento de modelos de previsão eficazes. Para enfrentar esse desafio, propusemos a adoção de modelos baseados em transformers, treinados com o método de ajuste fino para previsão de explosões solares de classes >=M, usando sequências de imagens de magnetogramas visíveis como entrada. Também aplicamos técnicas de aumento de dados, aumentando artificialmente as amostras positivas de explosões solares de classe M e X, para lidar com os desequilíbrios nos conjuntos de treinamento e validação. Nossos modelos ajustados superaram o estado da arte, alcançando um escore de True Skill Statistic (TSS) de aproximadamente 0,8 para explosões >=classe M, no horizonte de previsão de 48 h. Também alcançamos resultados compatíveis com estado da arte (TSS próximo de 0,7) no horizonte de previsão de 24 h. Além disso, as técnicas de aumento de dados empregadas apenas no conjunto de treinamento mantiveram um TSS estável e melhoraram a maioria das métricas secundárias analisadas. Essas melhorias atingiram um aumento de +0.07 e +0.03 pontos no Heidke Skill Score dos respectivos horizontes de previsão de 48 h e 24 h.