Automatic light curve processing for exoplanet identification using machine learning algorithms
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Outros Autores: | |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Revista Brasileira de Iniciação Científica |
Texto Completo: | https://periodicoscientificos.itp.ifsp.edu.br/index.php/rbic/article/view/1403 |
Resumo: | approaches based on machine learning techniques have been proposed in the literature to assist in the detection of exoplanets through automated processing of light curves. Despite advancements, traditional machine learning algorithms have not yet been fully studied for this task. Therefore, in this work, we proposed the definition of a baseline through an extensive experimental evaluation involving 16 algorithms with different parameter settings. To achieve this goal, in this study, data from the Kepler telescope was used, totaling 5302 light curves, each with 60000 records. As the main result of the experimental evaluation, the LightGBM algorithm showed the best performance, with an accuracy rate of 82.92%. |
id |
IFSP-2_430b90c928d3f3b3b127a16996e80299 |
---|---|
oai_identifier_str |
oai:ojs2.periodicosnovo.itp.ifsp.edu.br:article/1403 |
network_acronym_str |
IFSP-2 |
network_name_str |
Revista Brasileira de Iniciação Científica |
repository_id_str |
|
spelling |
Automatic light curve processing for exoplanet identification using machine learning algorithmsProcesamiento automático de curvas de luz para la identificación de exoplanetas por meio de algoritmos de aprendizaje automáticoProcessamento automático de curvas de luz para a identificação de exoplanetas por meio de uso de algoritmos de aprendizado de máquinaastronomia. exoplanetas. aprendizado de máquina. curvas de luz.Ciência da Computaçãoastronomía. exoplaneta. aprendizaje automático. curva de luz.Ciencia de la computaciónastronomy. exoplanet. machine learning. light curve.Computer Scienceapproaches based on machine learning techniques have been proposed in the literature to assist in the detection of exoplanets through automated processing of light curves. Despite advancements, traditional machine learning algorithms have not yet been fully studied for this task. Therefore, in this work, we proposed the definition of a baseline through an extensive experimental evaluation involving 16 algorithms with different parameter settings. To achieve this goal, in this study, data from the Kepler telescope was used, totaling 5302 light curves, each with 60000 records. As the main result of the experimental evaluation, the LightGBM algorithm showed the best performance, with an accuracy rate of 82.92%.se han propuesto en la literatura enfoques basados en técnicas de aprendizaje automático para ayudar en la detección de exoplanetas mediante el procesamiento automatizado de curvas de luz. A pesar de los avances, los algoritmos de aprendizaje automático considerados tradicionales aún no han sido completamente estudiados para esta tarea. Por lo tanto, en este trabajo, propusimos la definición de un punto de referencia a través de una amplia evaluación experimental que involucra 16 algoritmos con diferentes ajustes de parámetros. En este estudio, se utilizaron datos provenientes del telescopio Kepler, sumando un total de 5302 curvas de luz, con 60000 registros cada. Como resultado principal de la evaluación experimental, el algoritmo LightGBM mostró el mejor rendimiento, con una precisión del 82,92%.abordagens baseadas em técnicas de aprendizado de máquina têm sido propostas na literatura para auxiliar a detecção de exoplanetas por meio do processamento automatizado de curvas de luz. Apesar dos avanços, algoritmos de aprendizado de máquina considerados tradicionais ainda não foram completamente estudados para essa tarefa. Portanto, neste trabalho, define-se um baseline por meio de uma ampla avaliação experimental a respeito de 16 algoritmos em diferentes ajustes de parâmetros. Para atingir esse objetivo, utilizaram-se dados provenientes do telescópio Kepler, totalizando 5302 curvas de luz; cada uma com 60000 registros. Como principal resultado da avaliação experimental, o algoritmo LightGBM apresentou o melhor desempenho, com taxa de 82,92%, em termos de acurácia.Revista Brasileira de Iniciação Científica2024-04-05info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionartigo avaliado pelos paresapplication/pdfhttps://periodicoscientificos.itp.ifsp.edu.br/index.php/rbic/article/view/1403Revista Brasileira de Iniciação Científica; Volume 11, 2024 – publicação Contínua; e0240212359-232Xreponame:Revista Brasileira de Iniciação Científicainstname:Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP)instacron:IFSPporhttps://periodicoscientificos.itp.ifsp.edu.br/index.php/rbic/article/view/1403/605Copyright (c) 2024 Revista Brasileira de Iniciação Científicahttps://creativecommons.org/licenses/by-nc-sa/4.0info:eu-repo/semantics/openAccessDourado Macedo, Bruno HenriqueZalewski, Willian2024-04-05T15:05:08Zoai:ojs2.periodicosnovo.itp.ifsp.edu.br:article/1403Revistahttps://periodicos.itp.ifsp.edu.br/index.php/IC/PUBhttps://periodicos.itp.ifsp.edu.br/index.php/IC/oaishigunov.ifsp.edu@gmail.com||revista.hipotese@gmail.com2359-232X2359-232Xopendoar:2024-04-05T15:05:08Revista Brasileira de Iniciação Científica - Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP)false |
dc.title.none.fl_str_mv |
Automatic light curve processing for exoplanet identification using machine learning algorithms Procesamiento automático de curvas de luz para la identificación de exoplanetas por meio de algoritmos de aprendizaje automático Processamento automático de curvas de luz para a identificação de exoplanetas por meio de uso de algoritmos de aprendizado de máquina |
title |
Automatic light curve processing for exoplanet identification using machine learning algorithms |
spellingShingle |
Automatic light curve processing for exoplanet identification using machine learning algorithms Dourado Macedo, Bruno Henrique astronomia. exoplanetas. aprendizado de máquina. curvas de luz. Ciência da Computação astronomía. exoplaneta. aprendizaje automático. curva de luz. Ciencia de la computación astronomy. exoplanet. machine learning. light curve. Computer Science |
title_short |
Automatic light curve processing for exoplanet identification using machine learning algorithms |
title_full |
Automatic light curve processing for exoplanet identification using machine learning algorithms |
title_fullStr |
Automatic light curve processing for exoplanet identification using machine learning algorithms |
title_full_unstemmed |
Automatic light curve processing for exoplanet identification using machine learning algorithms |
title_sort |
Automatic light curve processing for exoplanet identification using machine learning algorithms |
author |
Dourado Macedo, Bruno Henrique |
author_facet |
Dourado Macedo, Bruno Henrique Zalewski, Willian |
author_role |
author |
author2 |
Zalewski, Willian |
author2_role |
author |
dc.contributor.author.fl_str_mv |
Dourado Macedo, Bruno Henrique Zalewski, Willian |
dc.subject.por.fl_str_mv |
astronomia. exoplanetas. aprendizado de máquina. curvas de luz. Ciência da Computação astronomía. exoplaneta. aprendizaje automático. curva de luz. Ciencia de la computación astronomy. exoplanet. machine learning. light curve. Computer Science |
topic |
astronomia. exoplanetas. aprendizado de máquina. curvas de luz. Ciência da Computação astronomía. exoplaneta. aprendizaje automático. curva de luz. Ciencia de la computación astronomy. exoplanet. machine learning. light curve. Computer Science |
description |
approaches based on machine learning techniques have been proposed in the literature to assist in the detection of exoplanets through automated processing of light curves. Despite advancements, traditional machine learning algorithms have not yet been fully studied for this task. Therefore, in this work, we proposed the definition of a baseline through an extensive experimental evaluation involving 16 algorithms with different parameter settings. To achieve this goal, in this study, data from the Kepler telescope was used, totaling 5302 light curves, each with 60000 records. As the main result of the experimental evaluation, the LightGBM algorithm showed the best performance, with an accuracy rate of 82.92%. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-04-05 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion artigo avaliado pelos pares |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://periodicoscientificos.itp.ifsp.edu.br/index.php/rbic/article/view/1403 |
url |
https://periodicoscientificos.itp.ifsp.edu.br/index.php/rbic/article/view/1403 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://periodicoscientificos.itp.ifsp.edu.br/index.php/rbic/article/view/1403/605 |
dc.rights.driver.fl_str_mv |
Copyright (c) 2024 Revista Brasileira de Iniciação Científica https://creativecommons.org/licenses/by-nc-sa/4.0 info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Copyright (c) 2024 Revista Brasileira de Iniciação Científica https://creativecommons.org/licenses/by-nc-sa/4.0 |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Revista Brasileira de Iniciação Científica |
publisher.none.fl_str_mv |
Revista Brasileira de Iniciação Científica |
dc.source.none.fl_str_mv |
Revista Brasileira de Iniciação Científica; Volume 11, 2024 – publicação Contínua; e024021 2359-232X reponame:Revista Brasileira de Iniciação Científica instname:Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP) instacron:IFSP |
instname_str |
Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP) |
instacron_str |
IFSP |
institution |
IFSP |
reponame_str |
Revista Brasileira de Iniciação Científica |
collection |
Revista Brasileira de Iniciação Científica |
repository.name.fl_str_mv |
Revista Brasileira de Iniciação Científica - Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP) |
repository.mail.fl_str_mv |
shigunov.ifsp.edu@gmail.com||revista.hipotese@gmail.com |
_version_ |
1798951679144493056 |