Dos autores Elcio Abdalla, Filipe Abdalla, Alessandro Marins, Amilcar Queiroz, Rafael Ribeiro, Alex S C Souza.
Publicado em Monthly Notices of the Royal Astronomical Society. Acesse AQUI.
--
Resumo (traduzido do artigo):
Para obter parâmetros cosmológicos a partir de levantamentos fotométricos, precisamos estimar a distribuição do desvio para o vermelho fotométrico no céu com excelente precisão. Utilizamos e aplicamos três métodos diferentes de aprendizado de máquina aos dados públicos do Dark Energy Survey Release 2 (DR2): (a) rede neural artificial para desvios para o vermelho fotométricos (ANNz2); (b) processos gaussianos para desvios para o vermelho fotométricos (GPz); e (c) Keras, uma interface de programação de aplicativos de aprendizado profundo em Python. Comparamos essas diferentes técnicas aplicadas a dados de treinamento obtidos do levantamento VIPERS (Visible Multi-Object Spectrograph Public Extragalactic Redshift Survey). Para lidar com a incompletude do catálogo VIPERS, utilizamos uma estrutura de dados de particionamento espacial (árvore K-d) para estimar a confiabilidade dos desvios para o vermelho fotométricos obtidos. Construímos um catálogo robusto à falta de dados de treinamento em certas regiões do espaço de cores. Utilizamos os dados fotométricos para criar mapas de sobredensidade em função da distribuição de desvios para o vermelho para mais de 500 milhões de galáxias. Esses mapas dividem o céu em várias fatias de redshift semelhantes a cebolas, que podem ser facilmente usadas para estimativa de parâmetros cosmológicos. Em cada fatia angular, criamos e apresentamos mapas da distribuição angular de galáxias nessa fatia, bem como uma estimativa da distribuição de redshift, relacionada à distribuição de galáxias dessa fatia, que é recuperada dos métodos de estimativa de redshif, obtemos uma subamostra de galáxias do DES, que correspondem bem à amostra VIPERS com uma precisão dos redshifts fotométricos com um e uma taxa de outliers catastróficos da ordem de 3%.
