Métodos de medição de forma de galáxias livre da PSF para o levantamento J-PAS.

• Ano de defesa: 2023
• Autor(a) principal: Costa, Leonardo Vieira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial intelligence; Convolutional neural networks; Galáxias; Galaxies; Gravitational lensing; Inteligência artificial; J-PAS; Lentes gravitacionais; Medida de forma; Redes neurais convolucionais.; Shape measurement
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/14/14131/tde-22082023-115704/

A partir dos dados do levantamento mini J-PAS, que são os primeiros dados públicos do J-PAS, apresentamos uma otimização da modelagem da PSF usando os {\\it softwares} {\\sc SExtractor} e {\\sc PSFEx}, mais uma série de testes de qualidade do modelo da PSF, como as estatísticas de Rowe e outros testes nulos, que atestam a validade do nosso modelo. Usando o módulo HSM do {\\sc GalSim}, escolhemos o método KSB com Re-Gaussianização para calcular os valores de cisalhamento, dos quais serão usados na calibração da relação massa-observável para contagens de aglomerados de galáxias. Além desse método, usamos técnicas de rede neural convolucional (CNN) para obter valores de cisalhamento corrigidos pela PSF a partir de uma dada imagem da galáxia. Comparamos nossos resultados de cisalhamento com um levantamento mais profundo, o CFHTLenS. Usando o KSB com regaussianização e nossa CNN baseada em uma \\textit, obtemos um coeficiente de correlação de Pearson de $\\sim0.86$ e $\\sim0.88-0.90$, respectivamente. Entretanto, não houve melhoras em incorporar a PSF na CNN. Por fim, discutimos os desafios de introduzir correções da PSF no contexto das CNNs e quais técnicas de aprendizado de máquina devem ser usadas em seu lugar.