Photometric redshifts for S-PLUS using machine Learning techniques (2019)
- Authors:
- Autor USP: LIMA, ERIK VINICIUS RODRIGUES DE - IAG
- Unidade: IAG
- Sigla do Departamento: AGA
- Subjects: FOTOMETRIA; GALÁXIAS
- Agências de fomento:
- Language: Português
- Abstract: O foco deste trabalho é a ontenção de reshifts fotométricos de galáxias utilizando os códigos de aprendizado de máquina ANNz2, GPz e modelos de aprendizado profundo feitos com o Keras. Nós aproveitamos a excelente oportunidade que o novo mapeamento multicor do céu austral, chamado Southern Photometric Local Universe Survey (S-PLUS, oferece ao utilizar um sistema único de filtros, composto por cinco filtros largos e sete filtros estreitos. Além do uso das magnitudes, também é possível utilizar características não fotométricas em métodos de aprendizado de máquina, como o tamanho dos objetos, sua largura à meia altura e seu brilho superficial, de forma a melhorar os resultados. Para este trabalho, foram usados dados provenientes do Data Release 1 do S-PLUS, unido à outros grandes projetos, o Data Release 15 do Sloan Digital Sky Survey (SDSS) e o catálogo unWISE do Wide-field Infrared Survey Explorer (WISE), na região da Stripe-82. Dentre os três algorítmos comparados neste trabalho, o que apresentou a melhor performance geral foi baseado em aprendizado profundo. Os redshifts fotométricos obtidos com este método têm precisão ("SIGMA.NMAD") de 2.49% para as galáxias com magnitude r entre 16 e 21, com viés igual a 0.4% e fração de outliers de 0.64%. Em comparação com o método utilizado atualmente para a estimativa de redshifts fotométricos no S-PLUS, o código de ajuste de templates BPZ, foi constatado que os métodos de aprendizado de máquina têm precisão superior, viés inferior e menor fração de outliers. Uma análise das funções de distribuição de probalilidades é feita, concluindo-se que os algoritmos de aprendizado de máquina apresentam mais largas quando comparadas às do código BPZ.
- Imprenta:
- Data da defesa: 29.10.2019
-
ABNT
LIMA, Erik Vinicius Rodrigues de. Photometric redshifts for S-PLUS using machine Learning techniques. 2019. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2019. . Acesso em: 07 fev. 2026. -
APA
Lima, E. V. R. de. (2019). Photometric redshifts for S-PLUS using machine Learning techniques (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. -
NLM
Lima EVR de. Photometric redshifts for S-PLUS using machine Learning techniques. 2019 ;[citado 2026 fev. 07 ] -
Vancouver
Lima EVR de. Photometric redshifts for S-PLUS using machine Learning techniques. 2019 ;[citado 2026 fev. 07 ] - Photometric redshifts for the S-PLUS Survey: Is machine learning up to the task?
- The Quasar Catalogue for S-PLUS DR4 (QuCatS) and the estimation of photometric redshifts
- On the discovery of stars, quasars, and galaxies in the Southern Hemisphere with S-PLUS DR2
- Assessing the photometric redshift precision of the S-PLUS survey: the Stripe-82 as a test-case
- The Southern Photometric Local Universe Survey (S-PLUS): improved SEDs, morphologies, and redshifts with 12 optical filters
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
