Redshifts fotométricos para o S-PLUS utilizando técnicas de aprendizado de máquina.

O foco deste trabalho é a obtenção de redshifts 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 dois 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 algoritmos comparados neste trabalho, o que apresentou a melhor performance geral foi o baseado em aprendizado profundo. Os redshifts fotométricos obtidos com este método têm precisão de 2.49% para 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 probabilidades é feita, concluindo-se que os algoritmos de aprendizado de máquina apresentam distribuições mais largas quando comparadas às do código BPZ.