Método de predicción a corto-plazo de foF2 basado en modelado neuroborroso para su aplicación en sistemas de comunicación por satélite de alta precisión

Abstract

En los últimos años se está prestando una atención detallada a la influencia que la ionosfera ejerce en la determinación de la posición mediante el uso de sistemas globales de navegación por satélite. En este campo, la predicción a corto-plazo de las condiciones ionosféricas está adquiriendo una gran relevancia. En este trabajo se presenta una metodología para predecir con 1- 24 horas de adelanto la frecuencia crítica de la capa F2 de la ionosfera, foF2. El método propuesto está basado en técnicas de inteligencia artificial, concretamente, en modelado neuroborroso. Estas técnicas no han sido muy utilizadas en modelado ionosférico, y su potencialidad y eficacia en este campo están aún por descubrir. La capacidad natural que las técnicas neuroborrosas muestran para modelar sistemas complejos no lineales justifica su aplicación. Los modelos neuroborrosos desarrollados se han aplicado, usando observaciones de foF2 de la Estación de Slough, para predecir (1-24 horas de adelanto) bajo condiciones de calma o moderada actividad geomagnética. Los resultados obtenidos muestran una desviación relativa media entre las observaciones reales y las predichas entre el 4 y 10%, lo que es bastante aceptable desde un punto de vista práctico. Una primera evaluación del método para modelar foF2 durante periodos de tormentas severas ha mostrado que las predicciones son eficientes únicamente a muy corto plazo (1-3 horas). El objetivo final será comprobar la eficiencia del modelado neuroborroso para predecir con más de 3 horas de adelanto durante periodos perturbados.

Nowadays, a special attention is being given to the ionosphere influence on the position determination using global navigation satellite system. In this framework, short-term forecasting of ionospheric conditions is gaining a new importance. This work presents a new methodology to predict with 1-24 hours in advance the ionospheric F2-layer critical frequency, foF2. The proposed method is based on artificial intelligence techniques, specifically, on neuro-fuzzy modelling. Neuro-fuzzy techniques have not been extensively used in ionospheric modelling but its application in this field can be efficient and provide successful results. It is well known by scientific community the natural capability that these techniques show to model highly non-linear and complex systems. The method has been tested under quiet and moderately geomagnetic conditions using foF2 data from Slough ionosonde station, providing foF2 forecast (1-24 hours in advance) with relative mean deviation between 4-10%, which is quiet acceptable from practical point of view. A first evaluation of neurofuzzy techniques to model foF2 during severe storm periods has revealed good prediction accuracy for only small (less than 3 hours) lead time prediction. The final purpose will be to check the efficiency of neurofuzzy modelling to predict foF2 with more than 3 hours in advance during disturbed geomagnetic activity periods.