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

Resumo Técnico: Detecção em tempo real de erupções solares a partir de dados VLF baseados no solo

Declaração do Problema
A região D da ionosfera (altitude de 60–90 km) desempenha um papel crítico na absorção de ondas de Alta Frequência (HF), afetando comunicações civis, de radiodifusão e militares. No entanto, o monitoramento contínuo desta região é impossível via satélite ou balão devido à sua baixa altitude. Os sistemas atuais de detecção de erupções baseiam-se principalmente em dados do Satélite Operacional Ambiental Geoestacionário (GOES), que mede diretamente o fluxo de raios-X solares. Embora confiáveis, os alertas do GOES sofrem com uma latência de 4 a 6 minutos e podem saturar em níveis elevados de fluxo (X17). Além disso, sistemas baseados em satélite são vulneráveis a distúrbios do clima espacial. Há uma necessidade de uma alternativa resiliente e baseada no solo que ofereça detecção em tempo real com menor latência e capacidades de verificação independente.

Metodologia
Os autores apresentam um método e um pacote Python, vlf4ions, projetados para detectar e caracterizar erupções solares utilizando dados de Frequência Muito Baixa (VLF, 15–45 kHz) baseados no solo. O sistema monitora ondas VLF propagando-se no guia de onda Terra-ionosfera, onde erupções solares aumentam a densidade eletrônica da região D, alterando a fase e a amplitude da onda.

O fluxo de trabalho consiste em quatro etapas principais:

1. Pré-processamento de Dados: Dados brutos de um receptor AWESOME (Nanc¸ay, França) passam por calibração de amplitude e correção de fase. A correção de fase envolve desenrolamento e remoção de tendência para eliminar inclinações artificiais causadas por deriva de frequência do transmissor, utilizando um parâmetro de deslocamento de frequência ($\delta f$) derivado sem dependência de dados históricos. Um filtro de mediana móvel e um sistema de sinalização (baseado na amplitude do sinal e no ângulo zenital solar) removem ruído e períodos noturnos.
2. Detecção de Erupções: Um algoritmo incremental detecta pontos de ruptura (mudanças de tendência) nos dados de fase VLF. O algoritmo minimiza o critério de verossimilhança ($L$) para determinar se um novo ponto de dados segue a tendência existente ou introduz uma ruptura. Um ponto de ruptura é confirmado se a melhoria da verossimilhança exceder um limite definido pelo usuário ($\delta$).
3. Classificação e Estimativa: Os pontos de ruptura detectados são classificados como períodos tranquilos, início de erupção, máximo ou decaimento com base na inclinação e variação da fase ($\Delta\Phi$). Para estimar o fluxo de raios-X solar, o sistema emprega uma abordagem probabilística usando estatística bayesiana. Combina Funções de Densidade de Probabilidade (PDFs) derivadas das variações de fase de múltiplos transmissores (por exemplo, NRK, NAA, NSY, GQD) para calcular a probabilidade posterior do fluxo de raios-X.
4. Perfilamento de Densidade Eletrônica: O sistema estima perfis de densidade eletrônica da região D comparando amplitude e fase VLF medidas contra valores modelados do Propagador de Modo de Onda Longa (LMP), utilizando os parâmetros do perfil de Wait ($h'$ e $\beta$).

Principais Resultados
O método foi validado usando um ano de dados (novembro de 2023 a outubro de 2024) cobrindo 407 erupções das classes M e X.

• Desempenho de Detecção: O sistema detectou 82,7% das erupções das classes M e X. Crucialmente, identificou essas erupções dentro de um quarto do seu tempo de subida, em média. Para erupções isoladas acima de M3, o tempo médio de detecção foi de 0,22 vezes o tempo de subida.
• Latência: O sistema detecta o início de uma erupção aproximadamente 7,1 minutos após o início do aumento do fluxo de raios-X, mas apenas 2,6 minutos após o início do aumento da fase VLF. Isso é mais rápido que a latência típica de 4–6 minutos dos alertas do GOES.
• Estimativa de Fluxo: A combinação de dados de múltiplos transmissores reduz o intervalo de confiança da estimativa do fluxo de raios-X. Embora as PDFs atuais (baseadas em dados de treinamento limitados) tenham intervalos de confiança mais amplos para eventos extremos (por exemplo, [M1,7, X3,6] para NRK), o método estima com sucesso o fluxo dentro de um fator de dois para o conjunto de validação.
• Implementação: O pacote Python vlf4ions processa dados para um único transmissor em menos de um segundo, com estimativas de fluxo e densidade levando no máximo dois segundos, confirmando sua adequação para operação em tempo real.

Significado e Alegações
O artigo afirma que esta abordagem fornece um backup resiliente e baseado no solo para o monitoramento do clima espacial, independente da infraestrutura de satélite. Ao depender exclusivamente de dados baseados no solo, o sistema evita as vulnerabilidades de ativos baseados no espaço (por exemplo, falhas eletrônicas, perda de comunicação) e oferece latência de dados reduzida.

Os autores enfatizam que o sistema não requer conhecimento prévio de perfis de dias tranquilos ou dados externos do GOES para funcionar, tornando-o robusto durante períodos solares ativos. Embora a implementação atual foque em dados de fase, os autores observam que o sistema detecta mudanças na ionização da região D em geral; portanto, pode servir como um sistema de alerta geral para distúrbios ionosféricos. O artigo posiciona o vlf4ions como um passo em direção a uma rede de detecção mais resiliente, capaz de fornecer alertas comparáveis ou mais rápidos que sistemas baseados em satélite, enquanto também oferece estimativas de densidade eletrônica da região D e impactos na absorção de HF. Melhorias futuras sugeridas pelos autores incluem o uso de dados sintéticos de modelos químicos para refinar as PDFs para erupções da classe C e extremas da classe X, e a integração de dados de amplitude para reduzir ainda mais os erros de estimativa.