Machine Learning-Based Characterization of Solar p-Mode Frequency Shifts during Solar Cycle 25

Resumo Técnico: Caracterização Baseada em Aprendizado de Máquina dos Desvios de Frequência do Modo-p Solar durante o Ciclo Solar 25

1. Problema e Contexto

O ciclo de atividade solar de aproximadamente 11 anos é monitorado através de vários proxies (indicadores), como o número de manchas solares, o fluxo de rádio de 10,7 cm e tempestades geomagnéticas. Recentemente, estabeleceu-se que as frequências das oscilações acústicas solares (modos-p) também variam ciclicamente em sincronia com a atividade magnética solar.

• O Desafio: Embora a relação entre os desvios de frequência dos modos-p e a atividade solar seja conhecida, não existem métodos robustos para prever esses desvios futuros.
• A Importância: Prever os desvios de frequência é crucial para:
  1. Estabelecer uma ligação quantitativa entre a dinâmica do interior solar e as condições do plasma na coroa e heliosfera (melhorando modelos de "clima espacial").
  2. Fornecer um indicador independente e potencialmente precoce das fases de ascensão e descensão da atividade solar.
• Objetivo do Estudo: Desenvolver e aplicar métodos de análise de séries temporais e aprendizado de máquina para caracterizar e prever os desvios de frequência dos modos-p para o restante do Ciclo Solar 25 e a transição para o Ciclo 26.

2. Metodologia

Os autores utilizaram três abordagens distintas de previsão baseadas em dados históricos (1995–2025) e proxies de atividade solar (Fluxo de Rádio F10 e Número de Manchas Solares - SSN).

A. Dados Utilizados:

• Frequências dos Modos-p: Dados do Global Oscillation Network Group (GONG) de 7 de maio de 1995 a 31 de julho de 2025 (Ciclos 23, 24 e parte do 25).
• Proxies de Atividade: Fluxo de rádio de 10,7 cm (F10) e Número de Manchas Solares (SSN), com dados históricos estendendo-se até 1954.
• Pré-processamento: Todos os dados foram suavizados em intervalos de 9 dias para compatibilidade. Ajustes polinomiais de segundo grau foram aplicados para capturar a relação não linear (saturação) entre os modos-p e os proxies em altos níveis de atividade.

B. Técnicas de Modelagem e Aprendizado de Máquina:
O estudo comparou três metodologias principais para decomposição de sinal e previsão:

1. Wavelet + LGBM (Light Gradient-Boosting Machine):
   • Uso da Transformada Wavelet Discreta (DWT) com a função 'db4' para decompor o sinal em tendência e resíduo.
   • Modelos LGBM treinados separadamente para a tendência e o resíduo.
2. Ensemble LOESS-FFT + LGBM:
   • Combinação de duas técnicas de decomposição: LOESS (suavização local) e FFT (Transformada Rápida de Fourier como filtro passa-baixa).
   • As previsões finais são a média das previsões dos modelos LOESS e FFT.
3. Deep Learning (N-BEATS):
   • Uso da rede neural N-BEATS (Neural Basis Expansion Analysis for Time Series), composta por pilhas de "tendência" e "sazonalidade" para o componente de tendência, e "identidade" para o resíduo.
   • Aplicado apenas nas previsões escaladas baseadas em F10 e SSN, devido à insuficiência de dados históricos diretos dos modos-p para treinar redes profundas diretamente.

C. Estratégia de Validação:

• Divisão dos dados em treino (85%) e teste (15%) mantendo a ordem temporal (sem shuffling).
• Uso de regressão de quantis no LGBM para gerar intervalos de previsão de 90% (5º e 95º percentis).
• Métrica de avaliação: Erro Quadrático Médio (RMSE).

3. Principais Contribuições

• Aplicação Pioneira: Primeira aplicação sistemática de métodos avançados de aprendizado de máquina (LGBM e N-BEATS) especificamente para prever desvios de frequência de modos-p solares.
• Abordagem Multi-Método: Comparação direta entre previsão direta (apenas dados de modos-p) e previsões escaladas (baseadas na correlação com F10 e SSN), validando a consistência entre diferentes proxies.
• Decomposição Híbrida: Integração eficaz de técnicas de decomposição de sinal (Wavelet, LOESS, FFT) com modelos de boosting para lidar com a não linearidade e a sazonalidade complexa dos dados solares.

4. Resultados

• Fase Atual do Ciclo 25: Todas as metodologias indicam que o Ciclo Solar 25 atingiu seu máximo no início de 2025 e está atualmente na fase de descensão.
• Previsão do Mínimo (Ciclo 25/26):
  • Previsão Direta (Wavelet+LGBM): Sugere um mínimo por volta de 2031.
  • Previsão Escalada (via F10 e SSN): Consistentemente aponta para um mínimo em 2030.
  • N-BEATS: Mostrou desempenho inferior na reprodução das oscilações de curto prazo (QBOs), embora tenha seguido a tendência qualitativa geral.
• Duração da Fase de Descensão: A análise sugere que a fase de descensão do Ciclo 25 durará aproximadamente 7 anos, similar ao Ciclo 23, indicando que o Ciclo 25 é mais forte que o Ciclo 24.
• Tabela de Referência: O estudo fornece datas estimadas para mínimos e máximos dos ciclos 23 a 26, consolidando a previsão de um mínimo de frequência de modos-p entre 2030 e 2031.

5. Significado e Conclusão

• Validação de Indicadores: O estudo confirma que os desvios de frequência dos modos-p são um indicador robusto e independente da atividade solar, correlacionando-se fortemente com proxies tradicionais como manchas solares e fluxo de rádio.
• Clima Espacial: A capacidade de prever esses desvios oferece uma nova ferramenta para entender a conexão entre o interior solar e a heliosfera, potencialmente melhorando os modelos de previsão de clima espacial.
• Limitações e Futuro: O estudo reconhece que a série temporal direta dos modos-p (apenas ~2,5 ciclos) é curta para previsões de longo prazo de alta precisão. O modelo N-BEATS falhou em capturar oscilações de curto prazo (QBOs), indicando a necessidade de aprimoramentos futuros nos algoritmos de deep learning.
• Conclusão Final: A combinação de dados heliosismológicos com técnicas modernas de aprendizado de máquina representa um passo significativo em direção a uma monitorização solar mais integrada, permitindo o uso das frequências de oscilação como um indicador adicional e independente para a evolução da atividade solar.