Uso de machine learning para classificação espectral estelar

Detalhes bibliográficos
Autor(a) principal: Alves, Júlia Camões
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRJ
Texto Completo: http://hdl.handle.net/11422/19100
Resumo: Bolsa de Iniciação científica CNPQ
id UFRJ_580c1c222a210a291299defa249dc39f
oai_identifier_str oai:pantheon.ufrj.br:11422/19100
network_acronym_str UFRJ
network_name_str Repositório Institucional da UFRJ
repository_id_str
spelling Alves, Júlia Camõeshttp://lattes.cnpq.br/3484071295740741http://lattes.cnpq.br/3579217940130278Rabaça, Carlos Robertohttp://lattes.cnpq.br/6675453037966106Ribeiro, Aline Ramoshttp://lattes.cnpq.br/9942104428312605Marcolino, Wagner Luiz Ferreira2022-11-09T20:18:26Z2023-11-30T03:05:20Z2022-08-19ALVES, Júlia Camões. Uso de machine learning para classificação espectral estelar. 2022. 152 f. Trabalho de conclusão de curso (Bacharelado em Astronomia) - Observatório do Valongo, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2022.http://hdl.handle.net/11422/19100Submitted by Regina Moura (regina@ov.ufrj.br) on 2022-11-09T19:32:28Z No. of bitstreams: 1 JCAlves.pdf: 3915918 bytes, checksum: 1e2e124dde411d746494c94a8e18dcfd (MD5)Approved for entry into archive by Regina Moura (regina@ov.ufrj.br) on 2022-11-09T20:18:26Z (GMT) No. of bitstreams: 1 JCAlves.pdf: 3915918 bytes, checksum: 1e2e124dde411d746494c94a8e18dcfd (MD5)Made available in DSpace on 2022-11-09T20:18:26Z (GMT). No. of bitstreams: 1 JCAlves.pdf: 3915918 bytes, checksum: 1e2e124dde411d746494c94a8e18dcfd (MD5) Previous issue date: 2022-08-19Bolsa de Iniciação científica CNPQBolsa de Iniciação científica FAPERJO presente projeto tem como objetivo analisar a performance de diferentes algoritmos de Machine Learning (ML ou Aprendizado de Máquina), aplicando-os à classificação espectral, um problema clássico em astrofísica estelar. Em particular, o objeto de estudo é a classificação espectral de estrelas de alta massa (> 10M⊙). Estrelas de alta massa são muito raras se comparadas às estrelas do tipo solar e suas trajetórias evolutivas, especialmente pós-Sequência Principal, ainda não são bem compreendidas até hoje (Martins & Palacios, 2013). São objetos de extrema importância, uma vez que são progenitores de supernovas, estrelas de nêutrons, buracos negros e gamma-ray bursts, sendo possivelmente fontes de ondas gravitacionais, quando em sistemas binários. A classificação correta desses objetos é, portanto, uma questão fundamental. Exploramos os algoritmos de ML denominados: K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree Classifier (DTC) e Random Forest Classifier (RFC). Eles foram testados quanto à significância nos resultados finais em quantidades probabilísticas e também na forma como realizam o processo classificatório — caso haja a necessidade de saber como a separação de dados foi feita, por exemplo. Utilizamos espectros óticos de alta resolução de 113 estrelas, de Martins (2018), e também de baixa resolução de 495 estrelas, do Catálogo GOS (Galactic O-Star Catalog) (Apellániz et al., 2016). Para o processo classificatório de tipos espectrais, foram utilizadas as linhas de absorção He I 4471 e He II 4542, e, especialmente, a linha de absorção He II 4686 para a classificação de luminosidade. Encontramos que, de modo geral, os modelos performaram de forma parecida, por mais que possuam mecanismos diferentes para realizar a tarefa de classificação. Quando utilizamos a amostra com espectros de alta e de baixa resolução, vemos claramente uma melhora na capacidade de classificação de tipo espectral, na qual atingimos mais de 85% de classificações corretas para os modelos SVM (86%), DTC (87%) e RFC (87%), e, para o KNN, obtivemos 82%. No entanto, para a classificação de tipo espectral em conjunto a de luminosidade, a capacidade de classificação manteve-se baixa, para os quais o SVM teve o melhor resultado com 66%. Algumas dificuldades encontradas foram a pequena quantidade de dados de alta resolução disponíveis, o que resultou em um número insuficiente de estrelas por classe prejudicando o aprendizado de máquina. A qualidade inferior dos dados de baixa resolução também foi um problema por influenciar diretamente a precisão dos parâmetros utilizados para classificação, aumentando a chance de erro. Com isso, concluímos que por mais que a performance dos modelos não tenha sido ruim no processo de classificação de tipo espectral, a classificação manual ainda é mais segura e precisa e retorna resultados mais acurados devido a análise ser feita em cada espectro. No entanto, acreditamos que caso tivéssemos disponíveis milhares de espectros de alta resolução, os resultados dos modelos seriam ainda melhores.porUniversidade Federal do Rio de JaneiroUFRJBrasilObservatório do ValongoCNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIAAstrofísica estelarEstrelas de alta massaEspectroscopia astronômicaClassificação espectral de estrelasAprendizado de máquinaStellar astrophysicsMassive starsAstronomical spectroscopyStellar spectral classificationMachine learningUso de machine learning para classificação espectral estelarUse of machine learning for stellar spectral classificationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/19100/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINALJCAlves.pdfJCAlves.pdfapplication/pdf3915918http://pantheon.ufrj.br:80/bitstream/11422/19100/1/JCAlves.pdf1e2e124dde411d746494c94a8e18dcfdMD5111422/191002023-11-30 00:05:20.237oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:05:20Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.pt_BR.fl_str_mv Uso de machine learning para classificação espectral estelar
dc.title.alternative.pt_BR.fl_str_mv Use of machine learning for stellar spectral classification
title Uso de machine learning para classificação espectral estelar
spellingShingle Uso de machine learning para classificação espectral estelar
Alves, Júlia Camões
CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA
Astrofísica estelar
Estrelas de alta massa
Espectroscopia astronômica
Classificação espectral de estrelas
Aprendizado de máquina
Stellar astrophysics
Massive stars
Astronomical spectroscopy
Stellar spectral classification
Machine learning
title_short Uso de machine learning para classificação espectral estelar
title_full Uso de machine learning para classificação espectral estelar
title_fullStr Uso de machine learning para classificação espectral estelar
title_full_unstemmed Uso de machine learning para classificação espectral estelar
title_sort Uso de machine learning para classificação espectral estelar
author Alves, Júlia Camões
author_facet Alves, Júlia Camões
author_role author
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/3484071295740741
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/3579217940130278
dc.contributor.author.fl_str_mv Alves, Júlia Camões
dc.contributor.referee1.fl_str_mv Rabaça, Carlos Roberto
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/6675453037966106
dc.contributor.referee2.fl_str_mv Ribeiro, Aline Ramos
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/9942104428312605
dc.contributor.advisor1.fl_str_mv Marcolino, Wagner Luiz Ferreira
contributor_str_mv Rabaça, Carlos Roberto
Ribeiro, Aline Ramos
Marcolino, Wagner Luiz Ferreira
dc.subject.cnpq.fl_str_mv CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA
topic CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA
Astrofísica estelar
Estrelas de alta massa
Espectroscopia astronômica
Classificação espectral de estrelas
Aprendizado de máquina
Stellar astrophysics
Massive stars
Astronomical spectroscopy
Stellar spectral classification
Machine learning
dc.subject.por.fl_str_mv Astrofísica estelar
Estrelas de alta massa
Espectroscopia astronômica
Classificação espectral de estrelas
Aprendizado de máquina
Stellar astrophysics
Massive stars
Astronomical spectroscopy
Stellar spectral classification
Machine learning
description Bolsa de Iniciação científica CNPQ
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-11-09T20:18:26Z
dc.date.issued.fl_str_mv 2022-08-19
dc.date.available.fl_str_mv 2023-11-30T03:05:20Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv ALVES, Júlia Camões. Uso de machine learning para classificação espectral estelar. 2022. 152 f. Trabalho de conclusão de curso (Bacharelado em Astronomia) - Observatório do Valongo, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2022.
dc.identifier.uri.fl_str_mv http://hdl.handle.net/11422/19100
identifier_str_mv ALVES, Júlia Camões. Uso de machine learning para classificação espectral estelar. 2022. 152 f. Trabalho de conclusão de curso (Bacharelado em Astronomia) - Observatório do Valongo, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2022.
url http://hdl.handle.net/11422/19100
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.publisher.initials.fl_str_mv UFRJ
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Observatório do Valongo
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRJ
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Repositório Institucional da UFRJ
collection Repositório Institucional da UFRJ
bitstream.url.fl_str_mv http://pantheon.ufrj.br:80/bitstream/11422/19100/2/license.txt
http://pantheon.ufrj.br:80/bitstream/11422/19100/1/JCAlves.pdf
bitstream.checksum.fl_str_mv dd32849f2bfb22da963c3aac6e26e255
1e2e124dde411d746494c94a8e18dcfd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv
_version_ 1784097269887270912

Registros relacionados