miniatura|upright=1.25|Protosupercúmul Hipèrion desvelat mitjançant mesuraments i l'examinació de dades d'arxiu
Astroinformàtica és un concepte per definir un camp d'estudi interdisciplinari que combina l'astronomia, la ciència de dades, l'aprenentatge automàtic, la informàtica i les tecnologies de la informació i la comunicació.Astroinformatics and digitization of astronomical heritage , Nikolay Kirov. The fifth SEEDI International Conference Digitization of cultural and scientific heritage, May 19–20, 2010, Sarajevo. Retrieved 1 November 2012. El camp està estretament relacionat amb l'astroestadística.
L'astronomia basada en dades (DDA, per les seves sigles en anglès) es refereix a l'ús de la ciència de dades en l'astronomia. Es tenen en compte diversos resultats d'observacions telescòpiques i rastreigs celestials, i s'utilitzen enfocaments relacionats amb la mineria de dades i la gestió de grans volums de dades (Big Data) per analitzar, filtrar i normalitzar els conjunts de dades que posteriorment s'utilitzen per fer classificacions, prediccions i deteccions d'anomalies mitjançant enfocaments estadístics avançats, processament digital d'imatges i aprenentatge automàtic. El resultat d'aquests processos és utilitzat per astrònoms i científics espacials per estudiar i identificar patrons, anomalies i moviments a l'espai exterior, així com per establir teories i descobriments al cosmos.
Història La investigació en astroinformàtica se centra principalment a desenvolupar eines, mètodes i aplicacions de ciència computacional, ciència de dades, aprenentatge automàtic i estadística per a la investigació i l'educació en l'astronomia orientada a dades. Els primers esforços en aquesta direcció van incloure el descobriment de dades, el desenvolupament d'estàndards de metadades, el modelatge de dades, el desenvolupament de diccionaris de dades astronòmiques, l'accés a les dades, la recuperació de la informació, la integració de dades i la mineria de dades en les iniciatives d'Observatori Virtual astronòmic. El desenvolupament posterior del camp, juntament amb el suport de la comunitat astronòmica, es va presentar al Consell Nacional de Recerca (Estats Units) el 2009 en el document de posició sobre el «estat de la professió» d'astroinformàtica per a l'Enquesta Decennal d'Astronomia i Astrofísica de 2010. Aquest document de posició va proporcionar la base per a la posterior exposició més detallada del camp a l'article de la revista d'informàtica Astroinformatics: Data-Oriented Astronomy Research and Education.
L'astroinformàtica com a camp d'investigació independent es va inspirar en treballs en els camps de la geoinformàtica, la quimioinformàtica, la bioinformàtica i a través del treball en eScience de Jim Gray a Microsoft Research, el llegat del qual va ser recordat i continuat a través dels Premis Jim Gray eScience.
Tot i que l'objectiu principal de l'astroinformàtica se centra en la gran col·lecció distribuïda a escala mundial de bases de dades astronòmiques digitals, arxius d'imatges i eines d'investigació, el camp reconeix també la importància dels conjunts de dades històriques, utilitzant tecnologies modernes per preservar i analitzar observacions astronòmiques històriques. Alguns professionals de l'astroinformàtica ajuden a digitalitzar observacions i imatges astronòmiques històriques i recents en una gran base de dades per a una recuperació eficaç a través d'interfícies basades en la web.Astroinformatics in Canada, Nicholas M. Ball, David Schade. Retrieved 1 November 2012. Un altre objectiu és ajudar a desenvolupar nous mètodes i programari per als astrònoms, així com facilitar el procés i l'anàlisi de la quantitat de dades en ràpid creixement en el camp de l'astronomia.
L'astroinformàtica es descriu com el «quart paradigma» de la investigació astronòmica. Hi ha moltes àrees d'investigació involucrades amb l'astroinformàtica, com la mineria de dades, l'aprenentatge automàtic, l'estadística, la visualització, la gestió de dades científiques i la ciència semàntica. La mineria de dades i l'aprenentatge automàtic juguen un paper significatiu en l'astroinformàtica com a disciplina d'investigació científica a causa del seu enfocament en el «descobriment de coneixement a partir de dades» (KDD, per les seves sigles en anglès) i l'«aprenentatge a partir de dades».
La quantitat de dades recopilades a partir de rastreigs astronòmics del cel ha passat de gigabytes a terabytes al llarg de la dècada de 2010 i es preveu que creixi en la pròxima dècada a centenars de petabytes amb el Telescopi de Gran Rastreig Sinòptic (LSST) i a exabytes amb el Square Kilometre Array. Aquesta abundància de noves dades permet i alhora desafia la investigació astronòmica eficaç. Per tant, es requereixen nous enfocaments. En part a causa d'això, la ciència basada en dades s'està convertint en una disciplina acadèmica reconeguda. En conseqüència, l'astronomia (i altres disciplines científiques) estan desenvolupant subdisciplines intensives en informació i dades fins a tal punt que aquestes subdisciplines ara s'estan convertint (o ja s'han convertit) en disciplines d'investigació independents i programes acadèmics complets. Tot i que molts instituts d'educació encara no disposen d'un programa d'astroinformàtica, és molt probable que aquests programes es desenvolupin en un futur proper.
La informàtica s'ha definit recentment com l'«ús de dades digitals, informació i serveis relacionats per a la investigació i la generació de coneixement». Tanmateix, la definició habitual o d'ús comú és que la «informàtica és la disciplina d'organitzar, accedir, integrar i extreure dades de múltiples fonts per al descobriment i el suport a la presa de decisions». Per tant, la disciplina de l'astroinformàtica inclou moltes especialitats relacionades de manera natural, com el modelatge de dades, l'organització de dades, etc. També pot incloure mètodes de transformació i normalització per a la integració de dades i la visualització d'informació, així com l'extracció de coneixement, tècniques d'indexació, recuperació d'informació i mètodes de mineria de dades. Els esquemes de classificació (per exemple, taxonomies, ontologies i/o etiquetatge col·laboratiu) més l'astroestadística també hi tindran un paper destacat. Els projectes de ciència ciutadana (com Galaxy Zoo) també contribueixen al descobriment de novetats de gran valor, a la metaetiquetatge de característiques i a la caracterització d'objectes dins de grans conjunts de dades astronòmiques. Totes aquestes especialitats permeten el descobriment científic a través de diverses col·leccions de dades massives, la investigació col·laborativa i la reutilització de dades, tant en entorns d'investigació com d'aprenentatge.
El 2007 es va llançar el projecte Galaxy Zoo per a la classificació morfològica d'un gran nombre de galàxies. En aquest projecte, es van considerar 900.000 imatges per a la seva classificació que van ser presses del Sloan Digital Sky Survey (SDSS) durant els 7 anys anteriors. La tasca consistia a estudiar cada imatge d'una galàxia, classificar-la com a el·líptica o espiral, i determinar si girava o no. L'equip d'astrofísics dirigit per Kevin Schawinski a la Universitat d'Oxford estava a càrrec d'aquest projecte, i Kevin i el seu col·lega Chris Lintott es van adonar que un equip d'aquest tipus tr trigaria entre 3 i 5 anys a completar la feina. A partir d'aquí van tenir la idea d'utilitzar tècniques d'aprenentatge automàtic i ciència de dades per analitzar les imatges i classificar-les.
El 2012 es van presentar dos documents de posició al Consell de la Societat Astronòmica Americana que van conduir a l'establiment de grups de treball formals en astroinformàtica i astroestadística per a la professió de l'astronomia als Estats Units i a altres llocs.
L'astroinformàtica proporciona un context natural per a la integració de l'educació i la investigació. L'experiència de la investigació ara es pot implementar a l'aula per establir i augmentar l'alfabetització digital mitjançant la fàcil reutilització de les dades. També té molts altres usos, com la reutilització de dades d'arxiu per a nous projectes, enllaços entre literatura i dades, recuperació intel·ligent d'informació i molts d'altres.
Metodologia Les dades obtingudes dels rastreigs del cel es sotmeten primer a un preprocessament de dades. En aquest procés, s'eliminen les redundàncies i es filtren. A més, es realitza una extracció de característiques sobre aquest conjunt de dades filtrat, que posteriorment es processa. A continuació es llisten alguns dels rastreigs celestials més destacats:
El Palomar Digital Sky Survey (DPOSS) El Two-Micron All Sky Survey (2MASS) El Green Bank Telescope (GBT) El Galaxy Evolution Explorer (GALEX) El Sloan Digital Sky Survey (SDSS) El SkyMapper Southern Sky Survey (SMSS) El Panoramic Survey Telescope and Rapid Response System (PanSTARRS) El Large Synoptic Survey Telescope (LSST) El Square Kilometer Array (SKA)
La mida de les dades dels rastreigs celestials esmentats anteriorment oscil·la entre els 3 TB i gairebé els 4,6 EB. A més, les tasques de mineria de dades que participen en la gestió i manipulació de les dades inclouen mètodes com la classificació, la regressió, l'agrupament (clustering), la detecció d'anomalies i l'anàlisi de sèries temporals. Hi ha diversos enfocaments i aplicacions per a cadascun d'aquests mètodes en la realització de les tasques.
Classificació La classificació s'utilitza per a identificacions i categoritzacions específiques de dades astronòmiques, com la classificació espectral, la classificació fotomètrica, la classificació morfològica i la classificació de l'activitat solar. Els enfocaments de les tècniques de classificació es llisten a continuació:
Xarxa neuronal artificial (ANN) Màquina de vectors de suport (SVM) Quantificació de vectors d'aprenentatge (LVQ) Arbre de decisió Bosc aleatori (Random Forest) k veïns més propers Xarxes bayesianes naïves Xarxa de funcions de base radial Procés gaussià Taula de decisió Arbre de decisió alternatiu (ADTree)
Regressió La regressió s'utilitza per fer prediccions basades en les dades recuperades mitjançant tendències estadístiques i modelatge estadístic. S'utilitzen diferents aplicacions d'aquesta tècnica per a l'obtenció de desplaçaments cap al roig fotomètrics i mesuraments de paràmetres físics de les estrelles. Els enfocaments es llisten a continuació:
Xarxa neuronal artificial (ANN) Regressió de vectors de suport (SVR) Arbre de decisió Bosc aleatori (Random Forest) Regressió pels k veïns més propers Regressió kernel Regressió per components principals (PCR) Procés gaussià Regressió per mínims quadrats (LSR) Regressió per mínims quadrats parcials
Agrupament (Clustering) L'agrupament és la classificació d'objectes basant-se en una mètrica de mesura de semblança. S'utilitza en astronomia tant per a la classificació com per a la detecció d'objectes especials o rars. Els enfocaments es llisten a continuació:
Anàlisi de components principals (PCA) DBSCAN Agrupament per k-mitjanes (k-means) OPTICS Model de la telaranya (Cobweb) Mapa autoorganitzat (SOM) Esperança-Maximització Agrupament jeràrquic AutoClass Model de mescla gaussiana (GMM)
Detecció d'anomalies La detecció d'anomalies s'utilitza per detectar irregularitats en el conjunt de dades. Tanmateix, aquesta tècnica s'utilitza aquí per detectar objectes rars o especials. S'utilitzen els següents enfocaments:
Anàlisi de components principals (PCA) Agrupament per k-mitjanes (k-means) Esperança-Maximització Agrupament jeràrquic SVM d'una classe
Anàlisi de sèries temporals L'anàlisi de sèries temporals ajuda a analitzar tendències i predir resultats al llarg del temps. S'utilitza per a la predicció de tendències i la detecció de novetats (detecció de dades desconegudes). Els enfocaments utilitzats aquí son:
Xarxa neuronal artificial (ANN) Regressió de vectors de suport (SVR)