Inteligencia artificial aplicada a la meteorología del Espacio: pronóstico usando “transfer learning” para Tucumán
CET – Revista de Ciencias Exactas e Ingeniería · 09.03.2026 · 34 (48) · 23
DOI: 10.70198/cet629 ↗Kurz gefasst
Fachartikel in der Zeitschrift CET – Revista de Ciencias Exactas e Ingeniería, online erschienen am 09.03.2026. Verfasst von Jorge Namour und 7 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).
Abstract (Originalsprache)
El pronóstico de las condiciones de la ionosfera es crítico para aplicaciones de meteorología del espacio(ME, o en Inglés, Space Weather - SW) debido a la relación entre el estado de esta región de la altaatmósfera con numerosas tecnologías satelitales como pueden ser las telecomunicaciones. Como encasi todos los subdominios que integran el sistema Sol-Tierra, existen diferentes modelos físicos yempíricos y en los últimos años los métodos basados en inteligencia artificial (IA) han comenzado atener resultados muy significativos en particular en lo referente a aplicaciones operativas. En general,entrenar adecuadamente modelos de IA requiere de un gran volumen de datos con suficientes casosrepresentativos a partir de los cuales se pueda “aprender”. En la mayoría de los casos, tener un conjuntode datos suficientemente grande es crítico para desarrollar modelos adecuados. Sin embargo, en ME,como en otros campos, no siempre se cuenta con conjuntos de datos adecuados y es en este puntocuando técnicas como la transferencia de conocimiento o “transfer learning” es especialmente útil.En este trabajo proponemos el desarrollo de un modelo de IA basado en transferencia de conocimientopara “transferir” lo aprendido en un modelo global del contenido electrónico total (TEC, Total ElectronContent) de la ionosfera a un modelo local para Tucumán. Se muestra como en condiciones calmasesta transferencia logra adaptar y re entrenar con pocos datos de manera adecuada (con erroressimilares) el modelo global al modelo para Tucumán. Sin embargo, para condiciones perturbadas elmodelo no se adecua correctamente por lo que se propone a futuro realizar un mejor estudio de lascaracterísticas utilizadas, mejorar el conjunto de datos y ajustar mejor los hiperparámetros.
Zitieren
APA
Namour, J., Villegas, A., Melendi, Y., Argüelles, N., Paz, M., Asamoah, E., Cesaroni, C., & Molina, M. (2026). Inteligencia artificial aplicada a la meteorología del Espacio: pronóstico usando “transfer learning” para Tucumán. CET – Revista de Ciencias Exactas e Ingeniería, 34(48), 23. https://doi.org/10.70198/cet629
Vancouver
Namour J, Villegas A, Melendi Y, Argüelles N, Paz M, Asamoah E, et al. Inteligencia artificial aplicada a la meteorología del Espacio: pronóstico usando “transfer learning” para Tucumán. CET – Revista de Ciencias Exactas e Ingeniería. 2026;34(48):23. doi:10.70198/cet629
BibTeX
@article{Namour2026,
author = {Namour, Jorge and Villegas, Atuel and Melendi, Yamila and Argüelles, Noelia and Paz, Marcos and Asamoah, Eric and Cesaroni, Claudio and Molina, María},
title = {Inteligencia artificial aplicada a la meteorología del Espacio: pronóstico usando “transfer learning” para Tucumán},
journal = {CET – Revista de Ciencias Exactas e Ingeniería},
year = {2026},
volume = {34},
number = {48},
pages = {23},
doi = {10.70198/cet629}
}
EUVIMED