تحلیل داده محور سیارات فراخورشیدی با رویکرد یادگیری بدون ناظر و غربالگری زیست پذیری

افزایش چشمگیر تعداد سیارات فراخورشیدی کشف شده در سال های اخیر، منجر به تولید مجموعه داده های بزرگ و ناهمگنی شده است که تحلیل آن ها فراتر از روش های کلاسیک اخترفیزیکی بوده و نیازمند رویکردهای داده محور است. در این پژوهش، مجموعه داده ی سیارات فراخورشیدی ماموریت Kepler با تمرکز بر تحلیل آماری و یادگیری ماشین بدون ناظر مورد بررسی قرار گرفته است. پس از انجام مراحل پیش پردازش داده ها و استخراج ویژگی های فیزیکی کلیدی از تحلیل مولفه های اصلی (PCA) به منظور کاهش بعد و شناسایی روندهای غالب در داده ها استفاده شد. همچنین الگوریتم خوشه بندی K-means برای تفکیک سیارات به گروه هایی با ویژگی های داده ای مشابه به کار گرفته شد. در ادامه معیارهای ساده و مبتنی بر اصول فیزیکی برای غربالگری اولیه نامزدهای بالقوه ی زیست پذیر اعمال گردید. نتایج نشان می دهد که ترکیب روش های داده کاوی با تفسیرهای فیزیکی ساده می تواند به شناسایی جمعیت های معنادار سیاره ای و تحلیل آماری زیست پذیری کمک کند. با این حال، تاثیر سوگیری های رصدی ماموریت Kepler و عدم قطعیت موجود در پارامترهای رصدی به عنوان محدودیت های اصلی این رویکرد باقی می مانند.

کلیدواژه ها:

سیارات فراخورشیدی ، تحلیل داده محور ، یادگیری بدون ناظر ، کاهش بعد (PCA) ، زیست پذیری سیارات