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

Resumo Técnico: t-STEP – Um Modelo Interpretável para Predições de TEC e Estimações de Irregularidades

Definição do Problema
As comunicações do Sistema de Posicionamento Global (GPS) e outras infraestruturas baseadas em satélites são frequentemente comprometidas por gradientes de Conteúdo Eletrônico Total (TEC) ionosférico. Esses gradientes causam avanços de fase, atrasos de grupo e erros de posicionamento que impactam setores que vão desde a agricultura de precisão até a inteligência militar. Embora modelos de aprendizado de máquina (ML) tenham melhorado a precisão da predição do TEC, uma lacuna crítica permanece: os modelos existentes operam tipicamente em resoluções temporais baixas (ex: horárias). Essa cadência impede a derivação precisa de métricas de taxa de variação, especificamente o Índice de Taxa de TEC (ROTI), que são essenciais para diagnosticar irregularidades e transientes ionosféricos. Consequentemente, as abordagens atuais de ML lutam para preservar as morfologias de gradientes súbitos de TEC dentro dos sinais preditos sem treinar explicitamente modelos especializados para cada tipo de transiente.

Metodologia
Os autores apresentam o t-STEP (Temporal Sampling and TEc Prediction), um novo framework baseado em ML projetado para predizer o TEC com uma resolução de 30 segundos. O estudo utiliza um único receptor GPS terrestre localizado no Brasil (5,49°S, 47,49°W) cobrindo o Ciclo Solar 24 (2009–2015).

• Processamento de Dados: O modelo ingere sinais de GPS de dupla frequência para computar o TEC oblíquo (sTEC), que é convertido em TEC vertical (vTEC) usando um modelo de camada fina (thin-shell) ionosférica a 350 km. Para garantir a consistência dos dados, os autores empregaram uma rotina de inferência XGBoost para reconstruir dados de ionosonda ausentes (foF2 e hmF2) a partir das bases de dados Embrace e GIRO DIDBase, utilizando parâmetros solares e geomagnéticos como restrições.
• Engenharia de Atributos (Feature Engineering): O espaço de atributos de entrada inclui covariáveis temporais (codificadas via transformações de Fourier para sazonalidade e ciclos diurnos), informações de IPP de satélite, parâmetros de ionosonda (NmF2, hmF2, foF2) e índices de clima espacial (Kp, SymH, Vx).
• Arquitetura do Modelo: O estudo compara quatro arquiteturas: Long Short-Term Memory (LSTM) com mecanismos de atenção, LightGBM, Categorical Boosting e Random Forest. O LightGBM foi selecionado como o modelo principal devido ao seu desempenho superior em capturar irregularidades. O modelo foi treinado com dados de 2009–2014 e testado no ano de alta atividade solar de 2015.
• Framework de Avaliação: O desempenho foi avaliado usando métricas padrão (RMSE, MAE, R², Coeficiente de Correlação de Concordância) e Dynamic Time Warping (DTW) para avaliar o alinhamento de formas e morfologias de transientes. A interpretabilidade foi alcançada usando SHAP (Shapley Additive exPlanations) para analisar as atribuições de atributos. O modelo foi comparado com a Ionosfera de Referência Internacional (IRI-2020) e um modelo LSTM+Attention.

Principais Contribuições

1. Predição de Alta Resolução: O primeiro desenvolvimento de um modelo de predição de TEC baseado em ML operando em uma cadência de 30 segundos, permitindo a derivação direta de ROT e ROTI a partir dos sinais modelados.
2. Detecção de Irregularidades a partir de Sinais Modelados: A primeira demonstração de detecção de irregularidades de TEC (ROTI) diretamente de um único modelo de predição de TEC de propósito geral, sem treinar modelos redundantes para transientes específicos.
3. Interpretabilidade: Identificação dos principais drivers para a variabilidade do TEC usando análise SHAP, revelando como restrições físicas (como índices de tempestade) influenciam dinamicamente as predições.
4. Workflow Reproduzível: Estabelecimento de um workflow de informática completo para predição de TEC, benchmarking e estimação de irregularidades.

Resultos

• Precisão de Predição: O modelo t-STEP alcançou uma precisão de teste de 91% (R²) com um Erro Médio Absoluto (MAE) de 4,38 TECU durante o período de alta atividade solar de 2015.
• Benchmarking: A variante horária do t-STEP superou o modelo IRI-2020 em aproximadamente 35% em precisão de R², uma redução de 57% nos erros absolutos (MAE) e um ganho de 54% na habilidade de predição.
• Retenção de Irregularidades: Sob três condições distintas de tempestade geomagnética (fraca, moderada e forte), o t-STEP capturou com sucesso as dinâmicas e morfologias significativas de ROTI. Em contraste, o modelo LSTM+Attention, embora competitivo em predição bruta de TEC para tempestades moderadas, falhou em preservar as morfologias de irregularidade, com seus sinais de ROTI aparecendo distorcidos e engolidos por artefatos de ruído.
• Importância de Atributos: A análise SHAP confirmou que o modelo adere às leis físicas. Em condições calmas, atributos temporais e densidade eletrônica (NmF2) dominaram; durante tempestades, o índice SymH aumentou em importância, demonstrando a sensibilidade do modelo à dinâmica do clima espacial.
• Estudos de Ablação: Remover parâmetros derivados de ionosonda (Iz) degradou significativamente a capacidade do modelo de capturar a física das irregularidades, confirmando seu papel como restrições de energia essenciais.

Significância e Alegações
O artigo afirma que o t-STEP demonstra a viabilidade de alcançar a detecção escalável de irregularidades de TEC usando um único modelo unificado. Ao predizer em intervalos de 30 segundos, o modelo preenche a lacuna entre a previsão padrão de TEC e a necessidade de diagnósticos de irregularidade de alta resolução. Os autores postulam que, para tarefas de predição caóticas envolvendo transientes ionosféricos, métodos de ensemble de boosting de gradiente (como o LightGBM) podem superar contrapartes de aprendizado profundo (como o LSTM) na retenção de morfologias de sinal, embora notem que essa hipótese requer validação adicional. O estudo conclui que, embora a implementação atual seja limitada a uma única estação, os resultados fornecem uma base promissora para escalar o modelo para rastrear transientes de pequena escala através de múltiplas estações.