t-STEP: An interpretable model for Total Electron Content predictions and irregularities estimations

Resumen Técnico: t-STEP – Un Modelo Interpretable para Predicciones de TEC y Estimaciones de Irregularidades

Planteamiento del Problema
Las comunicaciones del Sistema de Posicionamiento Global (GPS) y otras infraestructuras basadas en satélites se ven frecuentemente comprometidas por gradientes de Contenido Electrónico Total (TEC) ionosférico. Estos gradientes causan avances de fase, retrasos de grupo y errores de posicionamiento que impactan sectores que van desde la agricultura de precisión hasta la inteligencia militar. Si bien los modelos de aprendizaje automático (ML) han mejorado la precisión de la predicción del TEC, persiste una brecha crítica: los modelos existentes operan típicamente a resoluciones temporales bajas (por ejemplo, por hora). Esta cadencia impide la derivación precisa de métricas de tasa de cambio, específicamente el Índice de Tasa de TEC (ROTI), que son esenciales para diagnosticar irregularidades y transitorios ionosféricos. En consecuencia, los enfoques actuales de ML tienen dificultades para preservar las morfologías de los gradientes de TEC repentinos dentro de las señales predichas sin entrenar explícitamente modelos especializados para cada tipo de transitorio.

Metodología
Los autores presentan t-STEP (Muestreo Temporal y Predicción de TEC), un novedoso marco basado en ML diseñado para predecir el TEC con una resolución de 30 segundos. El estudio utiliza un único receptor GPS terrestre ubicado en Brasil (5.49°S, 47.49°W) que cubre el Ciclo Solar 24 (2009–2015).

• Procesamiento de Datos: El modelo ingiere señales de GPS de doble frecuencia para calcular el TEC oblicuo (sTEC), el cual se convierte en TEC vertical (vTEC) utilizando un modelo ionosférico de capa delgada a 350 km. Para asegurar la consistencia de los datos, los autores emplearon una rutina de inferencia XGBoost para reconstruir los datos faltantes de la ionosonda (foF2 y hmF2) a partir de las bases de datos Embrace y GIRO DIDBase, utilizando parámetros solares y geomagnéticos como restricciones.
• Ingeniería de Características: El espacio de características de entrada incluye covariables temporales (codificadas mediante transformaciones de Fourier para estacionalidad y ciclos diurnos), información de IPP de satélite, parámetros de ionosonda (NmF2, hmF2, foF2) e índices de clima espacial (Kp, SymH, Vx).
• Arquitectura del Modelo: El estudio compara cuatro arquitecturas: Memoria de Corto Plazo de Largo Plazo (LSTM) con mecanismos de atención, LightGBM, Categorical Boosting y Random Forest. Se seleccionó LightGBM como el modelo principal debido a su desempeño superior en la captura de irregularidades. El modelo fue entrenado con datos de 2009–2014 y probado en el año de alta actividad solar de 2015.
• Marco de Evaluación: El desempeño se evaluó utilizando métricas estándar (RMSE, MAE, R², Coeficiente de Correlación de Concordancia) y Dynamic Time Warping (DTW) para evaluar la alineación de las formas y morfologías de los transitorios. La interpretabilidad se logró mediante SHAP (Explicaciones de Shapley Aditivas) para analizar las atribuciones de las características. El modelo se comparó con la Ionosfera de Referencia Internacional (IRI-2020) y un modelo LSTM+Attention.

Contribuciones Clave

1. Predicción de Alta Resolución: El primer desarrollo de un modelo de predicción de TEC basado en ML que opera con una cadencia de 30 segundos, permitiendo la derivación directa de ROT y ROTI a partir de las señales modeladas.
2. Detección de Irregularidades a partir de Señales Modeladas: La primera demostración de detección de irregularidades de TEC (ROTI) directamente desde un único modelo de predicción de TEC de propósito general, sin necesidad de entrenar modelos redundantes para transitorios específicos.
3. Interpretabilidad: Identificación de los impulsores clave de la variabilidad del TEC mediante el análisis SHAP, revelando cómo las restricciones físicas (como los índices de tormenta) influyen dinámicamente en las predicciones.
4. Flujo de Trabajo Reproducible: Establecimiento de un flujo de trabajo de informática completo para la predicción de TEC, el benchmarking y la estimación de irregularidades.

Resultados

• Precisión de la Predicción: El modelo t-STEP alcanzó una precisión de prueba de 91% (R²) con un Error Absoluto Medio (MAE) de 4.38 TECU durante el periodo de alta actividad solar de 2015.
• Benchmarking: La variante horaria de t-STEP superó al modelo IRI-2020 aproximadamente en un 35% en la precisión de R², una reducción del 57% en los errores absolutos (MAE) y una ganancia del 54% en la capacidad de predicción.
• Retención de Irregularidades: Bajo tres condiciones distintas de tormentas geomagnéticas (débil, moderada y fuerte), t-STEP capturó con éxito la dinámica y las morfologías significativas de ROTI. En contraste, el modelo LSTM+Attention, aunque competitivo en la predicción de TEC bruto para tormentas moderadas, falló en preservar las morfologías de las irregularidades, presentando señales de ROTI distorsionadas y envueltas en artefactos de ruido.
• Importancia de las Características: El análisis SHAP confirmó que el modelo se adhiere a las leyes físicas. Durante condiciones de calma, las características temporales y la densidad electrónica (NmF2) dominaron; durante las tormentas, el índice SymH aumentó en importancia, demostando la sensibilidad del modelo a la dinámica del clima espacial.
• Estudios de Ablación: La eliminación de los parámetros derivados de la ionosonda (Iz) degradó significativamente la capacidad del modelo para capturar la física de las irregularidades, confirmando su papel como restricciones de energía esenciales.

Significancia y Reivindicaciones
El artículo afirma que t-STEP demuestra la viabilidad de lograr la detección escalable de irregularidades de TEC utilizando un modelo único y unificado. Al predecir en intervalos de 30 segundos, el modelo cierra la brecha entre el pronóstico estándar de TEC y la necesidad de diagnósticos de irregularidades de alta resolución. Los autores postulan que para tareas de predicción caóticas que involucran transitorios ionosféricos, los métodos de ensamble de gradiente aumentado (como LightGBM) pueden superar a sus contrapartes de aprendizaje profundo (como LSTM) en la retención de las morfologías de la señal, aunque señalan que esta hipótesis requiere mayor validación. El estudio concluye que, si bien la implementación actual está limitada a una sola estación, los resultados proporcionan una base prometedora para escalar el modelo para rastrear transitorios de pequeña escala a través de múltiples estaciones.