Enhancing astrometric registration of Chinese historical Astronomical Digital Plates with deep learning

Resumo Técnico: Aprimoramento do Registro Astrométrico de Placas Astronômicas Históricas Chinesas com Aprendizado Profundo

1. Problema e Contexto

A China possui um vasto acervo de placas astronômicas noturnas históricas, coletadas sistematicamente desde 1900 e digitalizadas com alta precisão. No entanto, o registro astrométrico (alinhamento com catálogos modernos como o Gaia) de muitas dessas placas falhou devido a condições de armazenamento subótimas e deterioração ambiental.

• Desafios Específicos: Riscos, degradação da emulsão, fundos desiguais e variações de exposição dificultam a detecção confiável de fontes estelares.
• Limitações de Métodos Anteriores: Abordagens tradicionais, que utilizavam o SExtractor para extração de fontes seguido por classificadores de Machine Learning (como SVM - Support Vector Machines) baseados em parâmetros fotométricos, conseguiram calibrar apenas uma parte do acervo.
• O Gap: Após os esforços anteriores, ainda restavam 2.530 placas de exposição única sem calibração astrométrica. Muitas delas continham artefatos que eram erroneamente classificados como estrelas, impedindo o casamento (matching) com o catálogo de referência.

2. Metodologia

Os autores propuseram um pipeline aprimorado baseado em Deep Learning, especificamente utilizando uma arquitetura Transformer para a classificação de fontes.

• Fluxo de Trabalho:
  1. Extração de Fontes: Uso do SExtractor para identificar todas as fontes de intensidade significativas nas imagens digitalizadas.
  2. Classificação de Fontes Estelares (O Núcleo da Solução):
     • Em vez de usar apenas parâmetros fotométricos, o método utiliza "recortes" (cutouts) de imagens de 64x64 pixels das fontes detectadas.
     • Modelo Base: Um Swin Transformer (uma arquitetura de Vision Transformer com janelas deslocadas) foi treinado para distinguir entre fontes estelares reais e artefatos (riscos, poeira, emulsão defeituosa).
     • Treinamento: O modelo foi treinado em um conjunto de dados balanceado derivado de 15.696 placas já calibradas (de 5 observatórios chineses), onde as etiquetas foram validadas pelo cruzamento com o catálogo Gaia DR2.
  3. Estratégia de Ajuste Fino (Fine-tuning):
     • Reconhecendo que as condições de observação variam entre telescópios e observatórios, o modelo base pode não ser ideal para placas específicas.
     • Para placas onde o modelo base falha, foi implementada uma estratégia de fine-tuning supervisionado. Subconjuntos de 5 placas com condições físicas comparáveis (mesmo telescópio, tempo de exposição) foram usados para adaptar o modelo base a essas condições específicas.
  4. Casamento Astrométrico: As fontes classificadas como "confiáveis" são então usadas para o alinhamento com o Astrometry.net e refinamento com o Gaia DR3.

3. Contribuições Chave

• Aplicação de Transformers em Placas Históricas: Introdução bem-sucedida de uma arquitetura Swin Transformer para a classificação binária de fontes em imagens de placas fotográficas degradadas, superando a performance de métodos baseados em características manuais (SVM).
• Pipeline Híbrido (Base + Ajuste Fino): Desenvolvimento de uma abordagem em duas etapas que combina um modelo base robusto com modelos especializados por condição de observação, maximizando a taxa de sucesso em dados heterogêneos.
• Recuperação de Dados Históricos: Capacidade de processar e calibrar placas que anteriormente eram consideradas inutilizáveis devido à sua qualidade degradada (Grades 2 e 3).

4. Resultados

O estudo foi aplicado a 1.883 placas que permaneceram sem calibração (excluindo aquelas com danos irreparáveis ou alvos astronômicos grandes como a Lua).

• Desempenho do Modelo Base:
  • O modelo base alcançou uma precisão de 85,13% na validação.
  • Permitiu o registro astrométrico de 1.083 placas.
• Desempenho do Modelo com Ajuste Fino (Fine-tune):
  • A aplicação de modelos ajustados para condições específicas melhorou significativamente a precisão e a recall em telescópios específicos (ex: aumento de precisão de 26% para 66% no telescópio de 40cm do SHAO).
  • Permitiu o registro de 270 placas adicionais que falharam com o modelo base.
• Total Recuperado:
  • Um total de 1.353 placas foram submetidas com sucesso ao registro astrométrico.
  • Taxa de Sucesso Global: 71,9% das placas testadas foram calibradas.
  • Resiliência a Danos: O pipeline demonstrou robustez notável em placas com defeitos moderados (Grade 3, até 50% da área afetada), alcançando uma taxa de sucesso de 68,3%, comparável à de placas com defeitos menores (Grade 2, 67,9%).
• Falhas Remanescentes: 630 placas ainda não foram calibradas. A análise indicou que as falhas devem-se a defeitos ópticos intrínsecos (foco desfocado, campos estelares extremamente densos, rastros mecânicos) ou danos físicos severos que obscurecem completamente o sinal da fonte, tornando a classificação impossível mesmo com IA.

5. Significância e Impacto

• Valor Científico Aumentado: A recuperação de 1.353 placas adiciona um volume significativo de dados históricos ao acervo digitalizado, permitindo estudos de longo prazo em astronomia de domínio temporal (variabilidade estelar, movimento próprio, etc.).
• Eficiência no Processamento de Arquivos: O pipeline automatizado e baseado em IA reduz drasticamente a necessidade de intervenção manual para filtrar fontes, acelerando o processamento de grandes arquivos históricos.
• Escalabilidade: A metodologia proposta é escalável para outros projetos de digitalização de placas ao redor do mundo, oferecendo uma solução robusta para lidar com a degradação inevitável de materiais fotográficos antigos.
• Futuro: Os autores sugerem que, no futuro, modelos de detecção de objetos (como YOLO) poderiam ser integrados para criar um sistema end-to-end, eliminando a dependência do SExtractor e dos classificadores separados.

Conclusão: O trabalho demonstra que o aprendizado profundo, especificamente Transformers, é uma ferramenta superior para a classificação de fontes em imagens astronômicas degradadas, permitindo a recuperação de dados históricos que antes eram considerados perdidos para a ciência astrométrica.