Mapeamento da ocorrência da cintilação ionosférica no Brasil.

Abstract

RESUMO: A cintilação ionosférica é um fenômeno que afeta a propagação de sinais eletromagnéticos, causando flutuações na intensidade e fase dos sinais de rádio e GNSS (Global Navigation Satellite System). Essas perturbações podem comprometer sistemas essenciais do dia a dia, como navegação por satélite, telecomunicações e monitoramento climático, tornando sua previsão fundamental para minimizar impactos em setores críticos. Dada a complexidade desse fenômeno, impulsionada por fatores como atividade solar, variabilidade geomagnética e irregularidades na ionosfera, torna-se essencial o desenvolvimento de métodos preditivos avançados para compreender e antecipar sua ocorrência. O presente trabalho tem como principal objetivo desenvolver modelos preditivos e métodos de mapeamento espacial para monitorar e antecipar a cintilação ionosférica de amplitude. Para isso, são exploradas técnicas de aprendizado de máquina, considerando as variáveis citadas, que avaliam como essas informações impactam o comportamento do fenômeno. A metodologia adotada estuda a eficácia do uso de algoritmos como Long Short-Term Memory (LSTM), XGBoost e Random Forest para análise e predição. Além disso, foi desenvolvido um sistema web utilizando a linguagem Python e o framework Flask, integrando bibliotecas como Folium e Pandas para visualização geoespacial dos resultados. Os principais achados indicam que os modelos são capazes de prever a cintilação ionosférica com 30 minutos de antecedência, permitindo a visualização dos dados por meio de mapas interativos acessíveis na plataforma web. Por fim , são indicados os direcionamentos para futuras pesquisas.__ABSTRACT: Ionospheric scintillation is a phenomenon that affects the propagation of electromagnetic signals, causing fluctuations in the intensity and phase of radio and GNSS (Global Navigation Satellite System) signals. These disturbances can compromise essential daily systems such as satellite navigation, telecommunications, and climate monitoring, making their prediction fundamental to minimizing impacts in critical sectors. Given the complexity of this phenomenon, driven by factors such as solar activity, geomagnetic variability, and ionospheric irregularities, the development of advanced predictive methods becomes essential to understand and anticipate its occurrence.This study aims to develop predictive models and spatial mapping methods to monitor and anticipate amplitude ionospheric scintillation. To achieve this, machine learning techniques are explored, considering the mentioned variables to evaluate how these factors impact the phenomenon's behavior. The adopted methodology involves the review of the use of algorithms such as Long Short-Term Memory (LSTM), XGBoost, and Random Forest for analysis and prediction. Additionally, a web system was developed using the Python programming language and the Flask framework, integrating libraries such as Folium and Pandas for the geospatial visualization of results.The main findings indicate that the models can predict ionospheric scintillation 30 minutes in advance, allowing data visualization through interactive maps accessible via a web platform. Finally, directions for future research are outlined.