Los eventos de meteorología del espacio pueden tener distintas consecuencias en la tierra, entre ellas se encuentra el efecto que causa en la ionosfera que es la parte de la atmósfera terrestre ionizada que puede afectar la propagación de ondas electromagnéticas. Por esto nos interesa estudiar y predecir el estado de la ionosfera para tomar decisiones ante posibles problemas en las telecomunicaciones (por ejemplo en los enlaces de comunicación entre los satélites con estaciones en tierra, en comunicaciones de HF, etc).
Uno de los parámetros más interesantes es la denominada frecuencia crítica de la capa F2 (foF2) de la ionósfera. En este trabajo se muestra el modelo obtenido usando LSTM para predecir a corto plazo (3 hs) foF2 teniendo en cuenta diferentes variables externas al sistema. Mostramos todas las etapas del pipeline de datos de este proyecto incluyendo: adquisición de datos, exploración y limpieza de datos, selección de características, implementación del modelado y los resultados obtenidos. La implementación se realiza usando librerías como Numpy, Scikit-learn y Keras entre otras.
Topics
Machine Learning, Modelos Predictivos, Series Temporales