@MASTERSTHESIS{ 2023:183675355,
 	title = {IDENTIFICAÇÃO DE SUBANÃS QUENTES EM LEVANTAMENTOS ASTRONÔMICOS},
 	year = {2023},
 	url = "http://localhost:8080/tede/handle/tede/154",
 	abstract = "Apesar de terem sido descritas pela primeira vez no final da década de 70 as estrelas subanãs quentes ainda não são completamente compreendidas, principalmente no que diz respeito às condições necessárias e aos mecanismos responsáveis por sua formação. Um dos maiores impedimentos desse campo está relacionado com a pouca quantidade de objetos catalogados e confirmados, o que dificulta o desenvolvimento e confirmação de possíveis hipóteses em relação a dados observados. Apesar disso, as subanãs quentes são importantes para diversos campos da astronomia e impactam estudos que vão desde a evolução estelar, até as propriedades físicas da nossa e de outras galáxias. Assim, esse trabalho tem como objetivo principal o desenvolvimento de soluções voltadas à identificar novas candidatas à subanãs quentes e com isso expandir os catálogos atuais dessa classe de objetos. Para esse fim são utilizados algoritmos de Aprendizado de Máquina (\textit{Machine Learning}, ou ML), capazes de processar uma grande quantidade de dados de maneira eficiente. Os modelos criados neste trabalho são baseados em algoritmos de \textit{Random Forest} e os dados utilizados nesse processo são as 12 magnitudes fotométricas fornecidas pelo J-PLUS e o S-PLUS. Após cruzar esses dois levantamentos com um catálogo de subanãs quentes confirmadas, foram geradas amostras com cerca de 17 mil objetos (entre estrelas gerais e subanãs quentes) para cada um deles. Com uma cuidadosa otimização de seus hiperparâmetros, os modelos criados obtiveram ótimos resultados nas amostras de teste (Score F1 de 0,88 no J-PLUS e de 0,94 no S-PLUS), e a partir deles foi possível identificar 2896 novas candidatas à subanãs quentes dentro dos dois levantamentos considerados. Além disso, como forma de validação dos algoritmos utilizados, foram desenvolvidos também modelos de previsão de parâmetros estelares ($T_{eff}$, log(g) e Fe/H) baseados em \textit{Random Forest} para objetos do J-PLUS e do S-PLUS. As amostras de desenvolvimento desses modelos foram criadas a partir do cruzamento dos dois levantamentos com dados de parâmetros estelares do LAMOST, resultando em cerca de 211 mil objetos para o J-PLUS e cerca de 66 mil para o S-PLUS. Para essa previsão, testou-se o uso das magnitudes absolutas como variáveis de entrada dos modelos, o que trouxe uma melhora de $\sim30\%$ nas previsões de log(g) dos objetos. Após também realizar uma otimização dos hiperparâmetros, os modelos obtidos neste trabalho demonstraram uma boa performance nas amostras de teste, com erros de $\sim50 K$ para $T_{eff}$, $\sim0,07$ dex para log(g) e $\sim0,08$ dex para [Fe/H]. Por fim, a partir desses estimadores foram criados catálogos de parâmetros estelares para o J-PLUS e o S-PLUS com 3 milhões e 5 milhões de objetos respectivamente.",
 	publisher = {Observatorio Nacional},
 	scholl = {Programa de Pós-Graduação em Astronomia},
 	note = {Divisão de Programas de Pós-Graduação - DIPPG}
}