Machine learning: investigando a relação entre atmosferas biogênicas, exoplanetas e sistemas planetários

Auteurs

  • Luander Bernardes Centro Universitário Estácio de Ribeirão Preto / Instituto Federal de Educação, Ciência e Tecnologia de São Paulo https://orcid.org/0009-0009-0941-975X
  • Anna Carolina Martins Universidade de São Paulo

DOI :

https://doi.org/10.47456/Cad.Astro.v5n1.43184

Mots-clés :

exoplanetas, atmosferas, biogênicas, aprendizado de máquina

Résumé

A proposta da pesquisa foi estudar alguns sistemas planetários em busca de exoplanetas capazes de sustentar atmosferas biogênicas e entender o papel deles nesse contexto. Para essa tarefa, foi considerado o Earth similarity index (ESI), que é um índice de classificação de exoplanetas por similaridade com a Terra, porém, considerando uma perspectiva de modelagem multinível. A caracterização destes sistemas é importante, pois missões astronômicas, cujo objetivo seja identificar marcadores biológicos que denunciem a presença de vida, podem escolher alvos prioritários e eliminar alvos menos promissores. Foram estudados 72 sistemas extrassolares por meio de técnicas não supervisionadas e supervisionadas de machine learning com o objetivo de identificar a formação de clusters e investigar a relação multinível entre planetas e sistemas extrassolares. O trabalho demonstra que, provavelmente, uma ampla variedade de tipos de exoplanetas pode abrigar atmosferas aptas a serem estudadas remotamente, apesar de que esses resultados não consideram as constituições internas reais dos objetos estudados, já que elas são desconhecidas, o que impede uma reconstrução histórica do processo de evolução desses planetas. A abordagem multinível demonstra que aproximadamente 54% da variação do valor do ESI se deve ao efeito das condições do sistema planetário onde está localizado o exoplaneta em estudo.

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Références

[1] M. Mayor e D. Queloz, A Jupiter-mass companion to a solar-type star, Nature 378(6555), 355 (1995). DOI: https://doi.org/10.1038/378355a0

[2] J. F. Kasting, D. P. Whitmire e R. T. Reynolds, Habitable Zones around Main Sequence Stars, Icarus 101(1), 108 (1993). DOI: https://doi.org/10.1006/icar.1993.1010

[3] R. Heller e J. Armstrong, Superhabitable Worlds, Astrobiology 14(1), 50 (2014). DOI: https://doi.org/10.1089/ast.2013.1088

[4] L. Zeng, D. Sasselov e S. Jacobsen, Mass-Radius Relation for Rocky Planets based on PREM, The Astrophysical Journal 819, 127 (2016). DOI: https://doi.org/10.3847/0004-637X/819/2/127

[5] V. Stamenković et al., The influence of pressure-dependent viscosity on the thermal evolution of super-Earths, The Astrophysical Journal 748(1), 41 (2012). DOI: https://doi.org/10.1088/0004-637X/748/1/41

[6] L. Noack e D. Breuer, Plate tectonics on rocky exoplanets: Influence of initial conditions and mantle rheology, Planetary and Space Science 98, 41 (2014). DOI: https://doi.org/10.1016/j.pss.2013.06.020

[7] C. Dorn, L. Noack e A. B. Rozel, Outgassing on stagnant-lid super-Earths, Astronomy & Astrophysics 614, A18 (2018). DOI: https://doi.org/10.1051/0004-6361/201731513

[8] L. Noack, A. Rivoldini e T. Van Hoolst, Volcanism and outgassing of stagnant-lid planets: Implications for the habitable zone, Physics of the Earth and Planetary Interiors 269, 40 (2017). DOI: https://doi.org/10.1016/j.pepi.2017.05.010

[9] National Aeronautics and Space Administration (NASA), NASA Exoplanet Archive, Página da internet. Disponível em https://exoplanetarchive.ipac.caltech.edu/index.html, acesso em mar. 2024.

[10] D. Schulze-Makuch et al., A Two-Tiered Approach to Assessing the Habitability of Exoplanets, Astrobiology 11(10), 1041 (2011). DOI: https://doi.org/10.1089/ast.2010.0592

[11] L. P. Fávero e P. Belfiore, Manual de análise de dados: estatística e modelagem multivariada com excel, SPSS e stata (Elsevier, Rio de Janeiro, 2017).

[12] L. Bernardes, Machine Learning: uma ferramenta para o estudo de exoplanetas que podem apresentar atmosferas biogênicas, Monografia (Especialização em Data Science e Analytics), Escola Superior de Agricultura Luiz de Queiroz – Universidade de São Paulo (2023).

[13] J. A. Hartigan e M. A. Wong, Algorithm AS 136: A K-Means Clustering Algorithm, Journal of the Royal Statistical Society. Series C (Applied Statistics) 28(1), 100 (1979). DOI: https://doi.org/10.2307/2346830

[14] R. A. Johnson e D. W. Wichern, Applied multivariate statistical analysis (Pearson Education, 2007), 6a ed.

[15] P. Dangeti, Statistics for Machine Learning (Packt Publishing, 2017).

[16] S. W. Raudenbush e A. S. Bryk, Hierarchical linear models: applications and data analysis methods (Thousand Oaks Sage Publications, 2002).

[17] B. Tabachnick e L. Fidell, Using Multivariate Statistics: Pearson New International Edition (Editora Pearson, 2013).

Téléchargements

Publiée

15-03-2024

Comment citer

[1]
L. Bernardes et A. C. Martins, « Machine learning: investigando a relação entre atmosferas biogênicas, exoplanetas e sistemas planetários », Cad. Astro., vol. 5, nᵒ 1, p. 163–173, mars 2024.

Numéro

Rubrique

Artigos