Real-time detection of solar flares from ground-based VLF data

Resumen Técnico: Detección en tiempo real de fulguraciones solares a partir de datos VLF basados en tierra

Planteamiento del Problema
La región D de la ionosfera (altitud de 60–90 km) desempeña un papel crítico en la absorción de ondas de Alta Frecuencia (HF), afectando a las comunicaciones civiles, de radiodifusión y militares. Sin embargo, el monitoreo continuo de esta región es imposible mediante satélite o globo debido a su baja altitud. Los sistemas actuales de detección de fulguraciones dependen principalmente de los datos del Satélite Operacional Ambiental Geoestacionario (GOES), que mide directamente el flujo de rayos X solares. Aunque fiables, las alertas de GOES sufren una latencia de 4 a 6 minutos y pueden saturarse a niveles altos de flujo (X17). Además, los sistemas basados en satélites son vulnerables a perturbaciones del clima espacial. Existe la necesidad de una alternativa resiliente basada en tierra que ofrezca detección en tiempo real con menor latencia y capacidades de verificación independiente.

Metodología
Los autores presentan un método y un paquete de Python, vlf4ions, diseñado para detectar y caracterizar fulguraciones solares utilizando datos de Muy Baja Frecuencia (VLF, 15–45 kHz) basados en tierra. El sistema monitorea las ondas VLF que se propagan en la guía de ondas tierra-ionosfera, donde las fulguraciones solares aumentan la densidad electrónica de la región D, alterando la fase y la amplitud de la onda.

El flujo de trabajo consta de cuatro etapas principales:

1. Preprocesamiento de datos: Los datos crudos de un receptor AWESOME (Nanc¸ay, Francia) sufren calibración de amplitud y corrección de fase. La corrección de fase implica el desenrollado y la eliminación de tendencias para eliminar pendientes artificiales causadas por derivas de frecuencia del transmisor, utilizando un parámetro de desplazamiento de frecuencia ($\delta f$) derivado sin depender de datos históricos. Un filtro de mediana móvil y un sistema de marcado (basado en la amplitud de la señal y el ángulo cenital solar) eliminan el ruido y los períodos nocturnos.
2. Detección de fulguraciones: Un algoritmo incremental detecta puntos de ruptura (cambios de tendencia) en los datos de fase VLF. El algoritmo minimiza el criterio de verosimilitud ($L$) para determinar si un nuevo punto de datos sigue la tendencia existente o introduce una ruptura. Un punto de ruptura se confirma si la mejora de la verosimilitud supera un umbral definido por el usuario ($\delta$).
3. Clasificación y estimación: Los puntos de ruptura detectados se clasifican como períodos tranquilos, inicio de fulguración, máximo o decaimiento basándose en la pendiente y la variación de fase ($\Delta\Phi$). Para estimar el flujo de rayos X solar, el sistema emplea un enfoque probabilístico utilizando estadística bayesiana. Combina Funciones de Densidad de Probabilidad (PDF) derivadas de las variaciones de fase de múltiples transmisores (por ejemplo, NRK, NAA, NSY, GQD) para calcular la probabilidad posterior del flujo de rayos X.
4. Perfilado de densidad electrónica: El sistema estima los perfiles de densidad electrónica de la región D comparando la amplitud y la fase VLF medidas con valores modelados del Propagador de Modo de Onda Larga (LMP), utilizando los parámetros del perfil de Wait ($h'$ y $\beta$).

Resultados Clave
El método fue validado utilizando un año de datos (noviembre 2023–octubre 2024) que cubre 407 fulguraciones de clase M y X.

• Rendimiento de detección: El sistema detectó el 82,7 % de las fulguraciones de clase M y X. Crucialmente, identificó estas fulguraciones dentro de una cuarta parte de su tiempo de ascenso en promedio. Para fulguraciones aisladas superiores a M3, el tiempo medio de detección fue 0,22 veces el tiempo de ascenso.
• Latencia: El sistema detecta el inicio de una fulguración aproximadamente 7,1 minutos después de que comience el aumento del flujo de rayos X, pero solo 2,6 minutos después de que comience a elevarse la fase VLF. Esto es más rápido que la latencia típica de 4–6 minutos de las alertas de GOES.
• Estimación de flujo: La combinación de datos de múltiples transmisores reduce el intervalo de confianza del flujo de rayos X estimado. Aunque las PDF actuales (basadas en datos de entrenamiento limitados) tienen intervalos de confianza más amplios para eventos extremos (por ejemplo, [M1,7, X3,6] para NRK), el método estima con éxito el flujo dentro de un factor de dos para el conjunto de validación.
• Implementación: El paquete de Python vlf4ions procesa datos para un solo transmisor en menos de un segundo, con estimaciones de flujo y densidad que tardan un máximo de dos segundos, confirmando su idoneidad para operaciones en tiempo real.

Significado y Afirmaciones
El artículo afirma que este enfoque proporciona una copia de seguridad resiliente basada en tierra para el monitoreo del clima espacial, independiente de la infraestructura satelital. Al depender exclusivamente de datos basados en tierra, el sistema evita las vulnerabilidades de los activos basados en el espacio (por ejemplo, fallos electrónicos, pérdida de comunicación) y ofrece una latencia de datos reducida.

Los autores enfatizan que el sistema no requiere conocimiento previo de perfiles de días tranquilos ni datos externos de GOES para funcionar, lo que lo hace robusto durante períodos solares activos. Si bien la implementación actual se centra en datos de fase, los autores señalan que el sistema detecta cambios en la ionización de la región D en general; por lo tanto, puede servir como un sistema de alerta general para perturbaciones ionosféricas. El artículo posiciona a vlf4ions como un paso hacia una red de detección más resiliente, capaz de proporcionar alertas comparables o más rápidas que los sistemas basados en satélites, ofreciendo al mismo tiempo estimaciones de la densidad electrónica de la región D y los impactos en la absorción HF. Las mejoras futuras sugeridas por los autores incluyen el uso de datos sintéticos de modelos químicos para refinar las PDF para fulguraciones de clase C y extremas de clase X, y la integración de datos de amplitud para reducir aún más los errores de estimación.