Hasta ahora, la única formar de monitorizar de manera consistente el hemisferio del Sol no visible (farside de aquí en adelante) desde la Tierra es el uso de métodos heliosísmicos. Estos métodos interpretan las oscilaciones del hemisferio visible (nearside de aquí en adelante) para inferir la actividad del farside, que es de gran importancia en las predicciones de meteorología espacial. Aunque estos métodos muestran un buen rendimiento en la detección de regiones grandes y fuertes, no consiguen inferir señales de actividad menor. Además, no pueden predecir la intensidad del campo magnético ni la polaridad de las regiones activas del farside. Esta tesis investiga el uso de métodos de machine learning para mejorar las capacidades de la detección heliosísmica de la actividad del farside.
El primer objetivo de esta tesis es la evaluación del funcionamiento de la red neuronal FarNet. Esta red fue desarrollada antes del comienzo de esta tesis, para detectar regiones activas en mapas sísmicos del farside. Estos mapas sísmicos se generan a partir de datos Doppler adquiridos del nearside mediante la aplicación de holografía heliosísmica, una de las principales técnicas del campo de la heliosismología local. Utilizamos observaciones directas del farside en el extremo ultravioleta (EUV), tomadas por los satélites STEREO, como indicador de actividad y las comparamos con las predicciones del método heliosísmico estándar y de la red neuronal FarNet. Nuestros resultados demuestran la mejora de FarNet con respecto al método estándar, ya que FarNet logra más detecciones reales para el mismo porcentaje de falsos positivos sobre el total de detecciones (reales y falsos positivos).
El segundo objetivo de la tesis es la mejora del modelo de machine learning usado para detectar regiones activas del farside. Esto se logró mediante la adición de dropout, módulos LSTM convolucionales y mecanismos de atención sobre FarNet. Además, empleamos nuevos sets de entrenamiento, utilizando las máscaras EUV de STEREO como targets. Esto último permitió la aplicación de la red a un rango más amplio de longitud, cubriendo todo el farside en lugar de una región limitada a 120 grados. La nueva versión de la red se llamó FarNet-II. A través de un estudio de cross-validation, demostramos que la superposición de los resultados de FarNet-II con las máscaras de actividad es mayor que la lograda por el método heliosísmico estándar y por FarNet.
Posteriormente, desarrollamos una versión modificada de FarNet-II que puede predecir magnetogramas del farside, incluida la intensidad y la polaridad del campo magnético, en lugar de simplemente determinar la ubicación de las regiones activas. Esta última versión utiliza como inputs los mismos mapas sísmicos empleados por versiones anteriores de la red.
La tesis finaliza con un estudio de anomalías encontradas en mapas sísmicos del farside, que no cumplen con el modelo nominal de relación entre el campo magnético y los datos sísmicos. Este estudio aporta nuevos conocimientos sobre la interacción entre las ondas acústicas que se propagan desde el interior del Sol hasta la superficie, en las que se basa la detección de actividad en el farside mediante métodos heliosísmicos, y los campos magnéticos fotosféricos.
En resumen, esta tesis explora diferentes métodos de machine learning para detectar actividad en el farside del Sol. Todos ellos se basan en la interpretación de datos sísmicos obtenidos de observaciones hechas en el nearside. También investigamos la relación entre las señales sísmicas de las regiones activas y el campo magnético. Finalmente, se muestran las conclusiones y se presentan ideas para futuras investigaciones.