Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Santos, Amanda Farias dos |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/43/43134/tde-29052023-221306/
|
Resumo: |
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. |
