@PHDTHESIS{ 2025:1820565866,
 	title = {“APRENDIZADO DE MÁQUINA APLICADO A FOTOMETRIA MULTIBANDA”},
 	year = {2025},
 	url = "http://localhost:8080/tede/handle/tede/220",
 	abstract = "A determinação precisa dos parâmetros atmosféricos estelares é uma tarefa central
 em astrofísica, já que a temperatura efetiva (Teff ), a gravidade superficial (log g) e a
 metalicidade (rFe{Hs) constituem os principais observáveis que descrevem a estrutura e
 a evolução estelar. Tradicionalmente, essas quantidades são derivadas da espectroscopia,
 mas o crescimento no volume de dados de grandes levantamentos tem motivado a ex-
 ploração de alternativas que aproveitem sua ampla cobertura. Técnicas de inteligência
 artificial (IA) e aprendizado de máquina (ML) são particularmente úteis nesse contexto,
 pois podem mapear padrões complexos entre fotometria e parâmetros físicos, permitindo
 inferências precisas para grandes amostras.
 Este trabalho desenvolve um framework de ML para estimar Teff , log g e rFe{Hs de
 estrelas do levantamento fotométrico multibanda J-PLUS, integrando também dados dos
 catálogos Gaia e CatWISE, bem como espectroscopia do levantamento LAMOST. Os
 modelos utilizam o algoritmo de gradient boosting LightGBM e são treinados com cores
 corrigidas de extinção e magnitudes absolutas. Uma estratégia sistemática de seleção de
 features foi implementada para identificar features mais relevantes, totalizando 67, 27 e
 35 para Teff , log g e rFe{Hs, respectivamente. Reduções adicionais não justificam a perda
 de informação, de forma que esses foram os conjuntos de features adotados.
 Os valores previstos foram comparados com os do LAMOST, resultando em erros
 absolutos médios competitivos de 42 K em Teff , 0,06 dex em log g e 0,06 dex em rFe{Hs.
 A aplicação a uma amostra selecionada de 154 membros de aglomerados abertos e grupos
 co-móveis demonstra que as metalicidades dos aglomerados em geral concordam com os
 reportados na literatura, embora as medidas sejam em média ligeiramente subestimadas
 (´0, 12 dex). Além da análise individual das estrelas, a abordagem fornece assim um
 método uniforme com base em IA, fotometria e incertezas para se estimarem metalicidades
 de aglomerados quando a espectroscopia não está disponível, possibilitando follow ups
 fundamentados e estudos comparativos entre aglomerados.
 Para o futuro, perspectivas incluem explorar combinações adicionais de índices de
 cores e previsões de outros parâmetros relevantes, como rα{Fes, fundamental no estudo da
 evolução química da Galáxia. Como a metodologia se baseia em princípios generalizáveis
 de ML e na combinação de fotometria multibanda com astrometria, pode ser aplicada a
 levantamentos semelhantes, como o S-PLUS e o J-PAS, ampliando seu impacto futuro e
 fortalecendo o papel de métodos orientados por IA na astrofísica estelar moderna.",
 	publisher = {Observatorio Nacional},
 	scholl = {Programa de Pós-Graduação em Astronomia},
 	note = {Divisão de Programas de Pós-Graduação - DIPPG}
}