Uso de machine learning para classificação espectral estelar

Alves, Júlia Camões

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/19100

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Marcolino, Wagner Luiz Ferreira	-
dc.contributor.author	Alves, Júlia Camões	-
dc.date.accessioned	2022-11-09T20:18:26Z	-
dc.date.available	2023-12-21T03:09:34Z	-
dc.date.issued	2022-08-19	-
dc.identifier.citation	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.	pt_BR
dc.identifier.uri	http://hdl.handle.net/11422/19100	-
dc.description.sponsorship	Bolsa de Iniciação científica CNPQ	pt_BR
dc.description.sponsorship	Bolsa de Iniciação científica FAPERJ	pt_BR
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Astrofísica estelar	pt_BR
dc.subject	Estrelas de alta massa	pt_BR
dc.subject	Espectroscopia astronômica	pt_BR
dc.subject	Classificação espectral de estrelas	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Stellar astrophysics	pt_BR
dc.subject	Massive stars	pt_BR
dc.subject	Astronomical spectroscopy	pt_BR
dc.subject	Stellar spectral classification	pt_BR
dc.subject	Machine learning	pt_BR
dc.title	Uso de machine learning para classificação espectral estelar	pt_BR
dc.title.alternative	Use of machine learning for stellar spectral classification	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/3484071295740741	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/3579217940130278	pt_BR
dc.contributor.referee1	Rabaça, Carlos Roberto	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/6675453037966106	pt_BR
dc.contributor.referee2	Ribeiro, Aline Ramos	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/9942104428312605	pt_BR
dc.description.resumo	O 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.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Observatório do Valongo	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Astronomia

Files in This Item:

File	Description	Size	Format
JCAlves.pdf		3.82 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository