1. Pantheon
  2. Trabalhos Acadêmicos e Técnicos
  3. Trabalhos de Conclusão de Curso de Graduação
  4. Astronomia
Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/27418

Full metadata record
DC FieldValueLanguage
dc.contributor.advisorMoraes, Bruno Azevedo Lemos-
dc.contributor.authorDourado, Andreia Araújo-
dc.date.accessioned2025-10-14T17:29:47Z-
dc.date.available2025-10-16T03:00:10Z-
dc.date.issued2025-09-19-
dc.identifier.citationDOURADO, Andreia Araújo. Medindo catálogo de redshifts fotométricos com o LSST Data Preview 0.2: um estudo de ponta a ponta. 2025. 97 f. Trabalho de conclusão de curso (Bacharelado em Astronomia) - Observatório do Valongo, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2025.pt_BR
dc.identifier.urihttp://hdl.handle.net/11422/27418-
dc.description.sponsorshipBolsa de Iniciação científica PIBICpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectCosmologia observacionalpt_BR
dc.subjectRedshifts fotométricospt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectObservational cosmologypt_BR
dc.subjectPhotometric redshiftspt_BR
dc.subjectMachine learningpt_BR
dc.titleMedindo catálogo de redshifts fotométricos com o LSST Data Preview 0.2: um estudo de ponta a pontapt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/4305350390339076pt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/4900351321656735pt_BR
dc.contributor.advisorCo1Gschwend, Julia de Figueiredo-
dc.contributor.advisorCo1Latteshttp://lattes.cnpq.br/8082257820396084pt_BR
dc.contributor.referee1Menéndez-Delmestre, Karín-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7978912234260055pt_BR
dc.contributor.referee2Reis, Ribamar Rondon de Rezende dos-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5200067866870096pt_BR
dc.description.resumoA estimativa de redshifts fotométricos (photo-z) é uma tarefa fundamental e desafiadora na astronomia observacional moderna, especialmente para levantamentos de galáxias fotométricos em grande escala como o LSST (Legacy Survey of Space and Time). Algoritmos de machine learning têm se destacado como ferramentas promissoras, devido à sua flexibilidade e capacidade de modelar relações complexas e não lineares. Neste trabalho, exploramos as etapas para gerar um catálogo de photo-zs, com aplicação do algoritmo TPZ, baseado na construção de florestas aleatórias de árvores de decisão. Construímos um training set representativo com os dados simulados do LSST DP0.2, aplicando seleções de qualidade. Analisamos o impacto dos hiperparâmetros principais do TPZ e das diferentes escolhas de atributos para treinamento do modelo no resultado final. Mostramos as métricas de viés, dispersão e fração de outliers para os valores previstos de photo-z, além das métricas para avaliar a calibração das PDFs geradas, obtendo resultados consistentes e satisfatórios para o objetivo do nosso estudo. Aplicamos o modelo gerado no conjunto de dados de alta volumetria, através do pipeline pz-compute, desenvolvido pelo LIneA (Laboratório Interinstitucional de e-Astronomia) como parte de sua contribuição para o LSST. Construímos a distribuição de galáxias por redshift da tabela final, e analisamos a performance do algoritmo no cluster de computadores.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentObservatório do Valongopt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIApt_BR
dc.embargo.termsabertopt_BR
Appears in Collections:Astronomia

Files in This Item:
File Description SizeFormat 
AADourado.pdf2.43 MBAdobe PDFView/Open
Show simple item record Recommend this item View Statistics


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.