Detecção de exoplanetas por trânsitos planetários: fundamentos físicos e desafios computacionais na era do big data

Abstract

A detecção de exoplanetas pelo método de trânsito planetário consolidou-se como a principal técnica de descoberta na exoplanetologia contemporânea, impulsionada por missões espaciais como Kepler* e TESS, que geram volumes massivos de dados astronômicos. Este trabalho tem como objetivo analisar o método de trânsito planetário e discutir como técnicas de ciência de dados contribuem para sua eficácia na era dos grandes volumes de dados. A pesquisa combina revisão bibliográfica sobre os fundamentos físicos do método de trânsito e seus desafios computacionais com procedimentos empíricos utilizando o algoritmo Transit Least Squares em 6.807 curvas de luz do catálogo de Objetos de Interesse da missão *Kepler*, incluindo 2.694 planetas confirmados e 4.113 falsos positivos. Os resultados demonstraram que os falsos positivos alcançaram eficiência média de detecção de sinal (46,47) superior à dos planetas confirmados (41,85), além de valores máximos de 289,69 contra 250,99, evidenciando que a métrica de eficiência de detecção de sinal, isoladamente, não discrimina sinais reais de artefatos periódicos. O processamento das 6.807 curvas de luz demandou aproximadamente quatro meses em hardware convencional, ilustrando os desafios de escala na análise de grandes volumes de dados astronômicos. Os resultados empíricos confirmam as três dimensões dos grandes volumes de dados propostas por Zhang e Zhao: veracidade (60,4% de falsos positivos na amostra), variedade (integração de metadados e séries temporais) e volume (processamento massivo de dados). Embora o Transit Least Squares seja uma ferramenta robusta para detecção de periodicidade, sua integração com classificadores baseados em aprendizado profundo, como redes neurais convolucionais, é essencial para reduzir falsos positivos em fluxos automatizados de detecção de exoplanetas.