Análise de dados fotométricos obtidos através do aprendizado de máquina e da K-d Tree

• Autor(a) principal: Santos, Amanda Farias dos
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-29052023-221306/
• topic: aprendizado de máquina; K-d Tree; K-d Tree; machine learning; Photometric redshift; Redshift fotométrico

Nesta dissertação utilizamos três modelos de aprendizados de máquina (machine learning) para o cálculo do redshift fotométrico de galáxias do catálogo astronômico do Dark Energy Survey (DES). Dois destes modelos são códigos públicos e nós construímos o terceiro modelo a partir de uma interface de programação de deep learning chamada keras. Para o treinamento dos modelos de machine learning, foram utilizadas as informações espectroscópicas das galáxias do catálogo astronômico do VIMOS Public Extragalactic Redshift Survey (VIPERS). Com o intuito de verificar a acurácia dos redshifts fotométricos, foi desenvolvida uma estrutura de dados chamada K-d Tree que separa as galáxias em subconjuntos de acordo com os seus dados fotométricos. Para cada subconjunto foi criado um outro aprendizado de máquina que calcula o quão preciso é o valor do redshift fotométrico calculado pelos três modelos para cada galáxia. Através deste resultado, foi possível excluir galáxias cujo redshift fotométrico está longe do valor do redshift espectroscópico.