Machine Learning Assisted NEO Discovery and Polarimetric Characterisation with Astronomical Surveys

Resumo Técnico: Detecção Assistida por Machine Learning e Caracterização Polarimétrica de NEOs com Levantamentos Astronômicos

Referência: IAA-PDC-25-04-147, 9ª Conferência de Defesa Planetária da IAA (PDC 2025).

1. O Problema

Os levantamentos astronômicos de grande área são projetados primariamente para ciência galáctica e extragaláctica, não para a detecção de Objetos Próximos à Terra (NEOs). Consequentemente, as aparências de NEOs nessas imagens (que variam de pontos a traços lineares alongados) são frequentemente ignoradas ou mal detectadas.

• Desafios Atuais: Métodos clássicos de detecção (como SourceXtractor e StreakDet) apresentam taxas de recuperação baixas. Por exemplo, no levantamento Kilo-Degree Survey (OmegaCAM), apenas 40% dos NEOs de risco com relação sinal-ruído (S/N) > 3 são recuperados, caindo para 20% na lista completa. A maioria dos NEOs com 3 < S/N < 10 permanece indetectada, mesmo após inspeção visual.
• Complexidade: As imagens contêm diversos artefatos lineares (chuvas de raios cósmicos, satélites, galáxias alongadas, vazamento de carga de CCD), tornando a distinção automática difícil.
• Necessidade de Caracterização: Para defesa planetária, é crucial determinar rapidamente o tamanho e a composição de NEOs, especialmente aqueles com órbitas pouco conhecidas e alto risco de colisão. A fotometria sozinha não resolve a degenerescência entre tamanho e albedo.

2. Metodologia

O grupo de pesquisa (composto por mais de duas dúzias de especialistas de 11 instituições na África do Sul e Europa) propõe uma abordagem integrada baseada em Inteligência Artificial (IA) e Polarimetria:

• Detecção e Classificação por Machine Learning (ML):
  • Desenvolvimento de uma pipeline genérica de software capaz de detectar e classificar traços lineares (NEOs, satélites, etc.) em imagens astronômicas.
  • Arquiteturas Utilizadas:
    • Para o OmegaCAM: Adaptação de redes neurais convolucionais (CNNs) como o TernausNet (evolução do U-Net) para segmentação de imagens únicas.
    • Para o Euclid: Uso de CNNs com seis camadas convolucionais e uma camada densa, treinadas com função de perda YOLO em imagens simuladas.
    • Futuro: Avaliação do uso de Vision Transformers (ViT) para generalização entre diferentes levantamentos (OmegaCAM, Euclid e LSST).
  • Abordagem: Detecção "cega" (blind search) nas imagens brutas, seguida de cruzamento com catálogos de NEOs conhecidos.
• Caracterização Polarimétrica (VSTPOL):
  • Utilização do modo polarimétrico do instrumento OmegaCAM (no telescópio VST), previsto para comissionamento em 2026.
  • Medição da polarização linear da luz refletida, que depende do índice de refração do material superficial e do ângulo de fase.
  • Combinação de dados polarimétricos com fotometria óptica para quebrar a degenerescência entre tamanho e albedo, permitindo estimativas precisas de tamanho e composição.
• Integração de Dados:
  • Conexão da pipeline de detecção com plataformas de Big Data existentes (como o sistema AstroWISE do centro OmegaCEN).
  • Integração com o software de código aberto Tudat para atualização automática de efemérides e validação dinâmica das novas observações.

3. Contribuições Chave

• Pipeline Genérica e Configurável: Desenvolvimento de um componente de software capaz de se adaptar a diferentes levantamentos (OmegaCAM, Euclid, LSST), variando em resolução, qualidade de imagem e profundidade.
• Detecção Multi-Classe: Expansão da detecção de apenas asteroides para uma classificação multi-classe que inclui satélites artificiais e outros traços lineares, melhorando a Consciência Situacional Espacial (SSA).
• Avanço na Polarimetria: Proposta de uso sistemático da polarimetria de campo amplo (VSTPOL) para caracterização rápida de NEOs, uma ferramenta crítica para defesa planetária que ainda não é amplamente explorada em levantamentos de grande escala.
• Otimização de Recursos: Foco em reduzir a intervenção humana ("babysitting"), aumentar a velocidade de processamento e minimizar o consumo energético através de computação eficiente.

4. Resultados (Atuais e Projetados)

• OmegaCAM (Estado da Arte):
  • Métodos clássicos recuperam apenas ~40% dos NEOs de risco com S/N > 3.
  • Abordagem de ML (TernausNet) alcançou 65% de completude para traços com 3 < S/N < 20, superando métodos tradicionais em faixas de brilho mais baixas.
  • A pureza (precisão) da detecção cega por ML é estimada em 44%, indicando a necessidade de filtragem adicional, mas com ganho significativo na descoberta de novos candidatos.
• Euclid (Simulações):
  • A CNN treinada com YOLO supera as pipelines baseadas em segmentação tradicional, detectando asteroides 0,25–0,5 magnitudes mais fracos e objetos de movimento mais lento.
  • Resultado projetado: Um aumento de 50% no número de asteroides detectados em imagens simuladas.
• Potencial de Descoberta: Estima-se que o levantamento Kilo-Degree Survey (OmegaCAM) contenha cerca de 64.000 aparências de asteroides, dos quais a maioria ainda não foi catalogada.

5. Significado e Impacto

• Defesa Planetária: A capacidade de detectar NEOs mais fracos e caracterizar rapidamente seu tamanho e composição (via polarimetria) é vital para avaliar riscos de colisão e planejar missões de desvio. A detecção de NEOs com órbitas incertas e alto risco de colisão a curto prazo é uma aplicação direta.
• Ciência Astronômica:
  • Os dados de astrometria de precisão podem ser usados para testar teorias de gravidade não padrão.
  • A caracterização física detalhada (topologia, composição) ajuda a entender o papel dos impactos de NEOs na entrega de material prebiótico e na indução de mudanças climáticas no passado da Terra.
• Eficiência Operacional: A integração com plataformas de Big Data (como as da ESA e ESO) permite que a descoberta de NEOs ocorra como um subproduto eficiente de levantamentos astronômicos existentes, maximizando o retorno científico e financeiro dos telescópios sem custos adicionais significativos de observação.

Em suma, o trabalho propõe uma mudança de paradigma: de uma detecção manual ou baseada em regras rígidas para uma abordagem automatizada, baseada em IA e polarimetria, integrada a grandes infraestruturas de dados, visando tanto a segurança da Terra quanto avanços na ciência planetária.