Um Processo Exploratório para Classificação de Estrelas e Galáxias

• Eduardo Machado CEFET/RJ
• Eduardo Bezerra CEFET/RJ/LIneA
• Ricardo Ogando LIneA
• Marcio Maia LIneA
• Luiz da Costa LIneA
• Angelo Fausti Neto LIneA
• Eduardo Ogasawara CEFET/RJ

DOI: https://doi.org/10.5753/bresci.2015.7209

Resumo

A separação entre estrelas e galáxias é fundamental para estudos galácticos e cosmológicos. Para fontes tênues, o limiar entre ser pontual e extenso fica confuso, dificultando o processo de classificação. O problema se agrava pelo grande volume de dados envolvido em levantamentos como o Dark Energy Survey (DES) e futuramente no Large Synoptic Survey Telescope (LSST). Nesse cenário, o LSST vai varrer o céu inteiro a cada três dias identificando milhões de fontes. Assim, a busca por métodos e processos que realizem a classificação com eficiência e acurácia é fundamental para que a comunidade de astronomia consiga escalar a sua capacidade de analisar os dados do LSST. Visando a preparação para esse contexto, este trabalho propõe a elaboração de um processo exploratório para classificação de estrelas e galáxias baseados na análise de catálogos treinados a partir do levantamento COSMOS.

Palavras-chave: a

Referências

Andreon, S., Gargiulo, G., Longo, G., Tagliaferri, R., and Capuano, N. (2002). Wide field imaging - I. Applications of neural networks to object detection and star/galaxy classification: Wide field imaging - I. Monthly Notices of the Royal Astronomical Society, 319(3):700–716.

Bazell, D. and Peng, Y. (1998). A Comparison of Neural Network Algorithms and Preprocessing Methods for Star-Galaxy Discrimination. The Astrophysical Journal Supplement Series, 116(1):47–55.

Elting, C., Bailer-Jones, C. A. L., Smith, K. W., and Bailer-Jones, C. A. (2008). Photometric Classification of Stars, Galaxies and Quasars in the Sloan Digital Sky Survey DR6 Using Support Vector Machines. pages 9–14. AIP.

Fadely, R., Hogg, D. W., and Willman, B. (2012). Star-Galaxy Classification in Multi-Band Optical Imaging. The Astrophysical Journal, 760(1):15.

Han, J., Kamber, M., and Pei, J. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann, Waltham, Mass., 3 edition edition. 24841.

James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer, 1st ed. 2013. corr. 4th printing 2014 edition edition. 00008.

Lantz, B. (2013). Machine Learning with R. Packt Publishing, Birmingham. 00019.

Mahonen, P. and Frantti, T. (2000). Fuzzy Classifier for Star-Galaxy Separation. The Astrophysical Journal, 541(1):261–263.

Odewahn, S. C., Stockwell, E. B., Pennington, R. L., Humphreys, R. M., and Zumach, W. A. (1992). Automated star/galaxy discrimination with neural networks. The Astronomical Journal, 103:318.

Ogasawara, E., Dias, J., Silva, V., Chirigati, F., de Oliveira, D., Porto, F., Valduriez, P., and Mattoso, M. (2013). Chiron: a parallel engine for algebraic scientific workflows. Concurrency and Computation: Practice and Experience, 25(16):2327–2341. 00015.

O’Keefe, P. J., Gowanlock, M. G., McConnell, S. M., and Patton, D. (2009). Star-Galaxy Classification Using Data Mining Techniques with Considerations for Unbalanced Datasets. In Astronomical Data Analysis Software and Systems XVIII, volume 411, page 318.

Qin, D.-M., Guo, P., Hu, Z.-Y., and Zhao, Y.-H. (2003). Automated Separation of Stars and Normal Galaxies Based on Statistical Mixture Modeling with RBF Neural Networks. Chinese Journal of Astronomy and Astrophysics, 3(3):277–286.

Soumagnac, M. T., Abdalla, F. B., Lahav, O., Kirk, D., Sevilla, I., Bertin, E., Rowe, B. T. P., Annis, J., Busha, M. T., Da Costa, L. N., Frieman, J. A., Gaztanaga, E., Jarvis, M., Lin, H., Percival, W. J., Santiago, B. X., Sabiu, C. G., Wechsler, R. H., Wolz, L.,and Yanny, B. (2013). Star/galaxy separation at faint magnitudes: Application to asimulated Dark Energy Survey. arXiv:1306.5236 [astro-ph]. arXiv: 1306.5236.