Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas

Se ha realizado un estudio de diferentes poblaciones estelares en galaxias cercanas. Este se ha basado en datos fotométricos multibanda obtenidos con el Hubble Space Telescope. En el análisis se han aplicado técnicas de aprendizaje automático no supervisado a fin de reconocer tanto las poblaciones e...

Descripción completa

Detalles Bibliográficos
Autores principales: Baume, Gustavo Luis, Rodríguez, María Jimena, Feinstein Baigorri, Carlos, Gularte Scarone, Ángela Erika
Formato: Articulo
Lenguaje:Español
Publicado: 2021
Materias:
Ciencias Astronómicas
methods: data analysis
galaxies: photometry
galaxies: star clusters: general
galaxies: stellar content
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/167837
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-167837
record_format dspace
spelling I19-R120-10915-1678372024-07-05T20:03:12Z http://sedici.unlp.edu.ar/handle/10915/167837 Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas Baume, Gustavo Luis Rodríguez, María Jimena Feinstein Baigorri, Carlos Gularte Scarone, Ángela Erika 2021 2024-07-05T18:36:46Z es Ciencias Astronómicas methods: data analysis galaxies: photometry galaxies: star clusters: general galaxies: stellar content Se ha realizado un estudio de diferentes poblaciones estelares en galaxias cercanas. Este se ha basado en datos fotométricos multibanda obtenidos con el Hubble Space Telescope. En el análisis se han aplicado técnicas de aprendizaje automático no supervisado a fin de reconocer tanto las poblaciones estelares, como los grupos de estrellas en la población más joven. En ambos casos se han utilizado diferentes algoritmos de agrupamiento y se ha evaluado la eficiencia de los mismos. La metodología aplicada ha permitido llevar a cabo la tarea evitando el uso de criterios preconcebidos. Adicionalmente, se ha logrado caracterizar la distribución espacial de cada una de las poblaciones estelares considerando sus similitudes con una estructura de tipo fractal. De esta forma, ha sido posible identificar a las poblaciones mas jóvenes con una estructura jerárquica y a las poblaciones mas evolucionadas con distribuciones homogéneas, salvo fluctuaciones a muy gran escala. A study of different stellar populations in nearby galaxies has been carried out. This has been based on multi-band photometric data obtained with the Hubble Space Telescope. In the analysis, unsupervised machine learning techniques have been applied in order to recognize both the stellar populations and the groups of stars in the youngest population. In both cases, different clustering algorithms have been used and their efficiency has been evaluated. The applied methodology has allowed to carry out the task without the need for preconceived criteria. Additionally, it has been possible to characterize the spatial distribution of each of the stellar populations considering their similarities with a fractal-type structure. In this way, it has been possible to identify the youngest populations with a hierarchical structure and the more evolved populations with homogeneous distributions, except for fluctuations on a very large scale. Asociación Argentina de Astronomía Articulo Articulo http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 116-118
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Astronómicas
methods: data analysis
galaxies: photometry
galaxies: star clusters: general
galaxies: stellar content
spellingShingle Ciencias Astronómicas
methods: data analysis
galaxies: photometry
galaxies: star clusters: general
galaxies: stellar content
Baume, Gustavo Luis
Rodríguez, María Jimena
Feinstein Baigorri, Carlos
Gularte Scarone, Ángela Erika
Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
topic_facet Ciencias Astronómicas
methods: data analysis
galaxies: photometry
galaxies: star clusters: general
galaxies: stellar content
description Se ha realizado un estudio de diferentes poblaciones estelares en galaxias cercanas. Este se ha basado en datos fotométricos multibanda obtenidos con el Hubble Space Telescope. En el análisis se han aplicado técnicas de aprendizaje automático no supervisado a fin de reconocer tanto las poblaciones estelares, como los grupos de estrellas en la población más joven. En ambos casos se han utilizado diferentes algoritmos de agrupamiento y se ha evaluado la eficiencia de los mismos. La metodología aplicada ha permitido llevar a cabo la tarea evitando el uso de criterios preconcebidos. Adicionalmente, se ha logrado caracterizar la distribución espacial de cada una de las poblaciones estelares considerando sus similitudes con una estructura de tipo fractal. De esta forma, ha sido posible identificar a las poblaciones mas jóvenes con una estructura jerárquica y a las poblaciones mas evolucionadas con distribuciones homogéneas, salvo fluctuaciones a muy gran escala.
format Articulo
Articulo
author Baume, Gustavo Luis
Rodríguez, María Jimena
Feinstein Baigorri, Carlos
Gularte Scarone, Ángela Erika
author_facet Baume, Gustavo Luis
Rodríguez, María Jimena
Feinstein Baigorri, Carlos
Gularte Scarone, Ángela Erika
author_sort Baume, Gustavo Luis
title Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
title_short Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
title_full Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
title_fullStr Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
title_full_unstemmed Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
title_sort aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
publishDate 2021
url http://sedici.unlp.edu.ar/handle/10915/167837
work_keys_str_mv AT baumegustavoluis aprendizajeautomaticoparaidentificarpoblacionesestelaresengalaxiascercanas
AT rodriguezmariajimena aprendizajeautomaticoparaidentificarpoblacionesestelaresengalaxiascercanas
AT feinsteinbaigorricarlos aprendizajeautomaticoparaidentificarpoblacionesestelaresengalaxiascercanas
AT gulartescaroneangelaerika aprendizajeautomaticoparaidentificarpoblacionesestelaresengalaxiascercanas
_version_ 1807223573815754752

Ejemplares similares