O Levantamento de Desvio Para o Vermelho Extragaláctico Público VIMOS (VIPERS). Uma classificação de máquinas de vetor de suporte de galáxias, estrelas e AGNs

O objetivo deste trabalho é desenvolver um método abrangente para classificar fontes em grandes levantamentos do céu e aplicamos as técnicas ao Levantamento de Desvio Para o Vermelho Extragaláctico Público VIMOS (VIPERS). Usando os dados ópticos (u*, g', r', i') e NIR (z', Ks), desenvolvemos um classificador, baseado em fotometria de banda larga, para identificar estrelas, AGNs e galáxias, melhorando a pureza da amostra VIPERS. Algoritmos de aprendizado supervisionado com Máquina de Vetores de Suporte (SVM) permitem a classificação automática de objetos em duas ou mais classes com base em um espaço de parâmetros multidimensional. Neste trabalho, ajustamos a SVM para classificar estrelas, AGNs e galáxias, e aplicamos essa classificação aos dados do VIPERS. Treinamos a SVM usando fontes confirmadas espectroscopicamente dos levantamentos VIPERS e VVDS. Testamos dois classificadores SVM e concluímos que incluir dados NIR pode melhorar significativamente a eficiência do classificador. A auto-verificação do melhor classificador óptico + NIR mostrou uma precisão de 97% na classificação de galáxias, 97 para estrelas e 95 para AGNs no espaço de cores 5-dimensional. No teste com fontes VIPERS com 99% de confiança no desvio para o vermelho, o classificador apresenta uma precisão igual a 94% para galáxias, 93% para estrelas e 82% para AGNs. O método foi aplicado a fontes com espectros de baixa qualidade para verificar sua classificação, aumentando assim a segurança das medições para quase 4.900 objetos. Concluímos que o algoritmo SVM treinado em uma amostra cuidadosamente selecionada de galáxias, AGNs e estrelas supera métodos simples de seleção cor-cor, e pode ser considerado um método de classificação muito eficiente, particularmente adequado para levantamentos grandes modernos.