Identificación de candidatas a estrellas Be utilizando redes neuronales

Autores
Aidelman, Yael; Escudero, Carlos; Ronchetti, Franco; Quiroga, Facundo; Granada, Anahi; Lanzarini, Laura
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Fil: Aidelman, Yael. Departamento de Espectroscopía, Facultad de Ciencias Astronómicas y Geofísicas, Universidad Nacional de La Plata Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina. Instituto de Astrofísica de La Plata (CCT La Plata - CONICET, UNLP), Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina
Fil: Escudero, Carlos. Instituto de Astrofísica de La Plata (CCT La Plata - CONICET, UNLP), Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina
Fil: Ronchetti, Franco. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina. Comision de Investigaciones Cientıficas de la Provincia de Buenos Aires, Argentina
Fil: Quiroga, Facundo. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina.
Fil: Granada, Anahi. Universidad Nacional de Rio Negro. Río Negro; Argentina.
Fil: Lanzarini, Laura. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina.
Astronomical databases currently provide large volumes of spectroscopic and photometric information. In particular, as photometric data is relatively easier to obtain due to the shorter use time of the telescope, there is an increasing need to use those data in order to automatically identify specific objects and study them in detail afterwards. In this work, we focus on the photometric identification of Be stars, early-type stars with Hα line in emission. These kind of objects are very interest for understanding the evolution of fast rotating stars, and also for the study of the physics of circumstellar disks. For their identification, we use photometric (VPHAS+, 2MASS, AlWISE) and spectroscopic (LAMOST) databases, together with machine learning techniques, such as neural networks. Our results show that using the reddening-free Q indices as features provides a significant improvement in the photometric identification of Be stars.
Las bases de datos astronómicas proporcionan actualmente grandes volúmenes de información espectroscópica y fotométrica. En particular, los datos fotométricos resultan relativamente más fáciles de obtener debido al menor tiempo de uso del telescopio, con lo cual existe una creciente necesidad de utilizarlos para identificar automáticamente objetos específicos y luego estudiarlos en detalle. En este trabajo, nos centramos en la identificación fotométrica de estrellas Be, objetos tempranos que presentan la línea Hα en emisión. Este tipo de objeto es de interés para el entendimiento de la evolución de estrellas en alta rotación, y también para el estudio de la física de discos circunestelares. Para su identificación, utilizamos datos fotométricos (VPHAS+,2MASS y AllWISE) y espectroscópicos (LAMOST), junto con técnicas de aprendizaje automático, como las redes neuronales. Nuestros resultados muestran que utilizar los índices Q libres de enrojecimiento como descriptores, proporcionan una mejora significativa en la identificación fotométrica de estrellas Be.
Materia
Astronomía
methods: data analysis
stars: emission-line, Be
survey
Astronomía
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
RID-UNRN (UNRN)
Institución
Universidad Nacional de Río Negro
OAI Identificador
oai:rid.unrn.edu.ar:20.500.12049/8990

id RIDUNRN_8222bcba82b0eaeb48e322892f11f9d4
oai_identifier_str oai:rid.unrn.edu.ar:20.500.12049/8990
network_acronym_str RIDUNRN
repository_id_str 4369
network_name_str RID-UNRN (UNRN)
spelling Identificación de candidatas a estrellas Be utilizando redes neuronalesAidelman, YaelEscudero, CarlosRonchetti, FrancoQuiroga, FacundoGranada, AnahiLanzarini, LauraAstronomíamethods: data analysisstars: emission-line, BesurveyAstronomíaFil: Aidelman, Yael. Departamento de Espectroscopía, Facultad de Ciencias Astronómicas y Geofísicas, Universidad Nacional de La Plata Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina. Instituto de Astrofísica de La Plata (CCT La Plata - CONICET, UNLP), Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, ArgentinaFil: Escudero, Carlos. Instituto de Astrofísica de La Plata (CCT La Plata - CONICET, UNLP), Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, ArgentinaFil: Ronchetti, Franco. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina. Comision de Investigaciones Cientıficas de la Provincia de Buenos Aires, ArgentinaFil: Quiroga, Facundo. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina.Fil: Granada, Anahi. Universidad Nacional de Rio Negro. Río Negro; Argentina.Fil: Lanzarini, Laura. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina.Astronomical databases currently provide large volumes of spectroscopic and photometric information. In particular, as photometric data is relatively easier to obtain due to the shorter use time of the telescope, there is an increasing need to use those data in order to automatically identify specific objects and study them in detail afterwards. In this work, we focus on the photometric identification of Be stars, early-type stars with Hα line in emission. These kind of objects are very interest for understanding the evolution of fast rotating stars, and also for the study of the physics of circumstellar disks. For their identification, we use photometric (VPHAS+, 2MASS, AlWISE) and spectroscopic (LAMOST) databases, together with machine learning techniques, such as neural networks. Our results show that using the reddening-free Q indices as features provides a significant improvement in the photometric identification of Be stars.Las bases de datos astronómicas proporcionan actualmente grandes volúmenes de información espectroscópica y fotométrica. En particular, los datos fotométricos resultan relativamente más fáciles de obtener debido al menor tiempo de uso del telescopio, con lo cual existe una creciente necesidad de utilizarlos para identificar automáticamente objetos específicos y luego estudiarlos en detalle. En este trabajo, nos centramos en la identificación fotométrica de estrellas Be, objetos tempranos que presentan la línea Hα en emisión. Este tipo de objeto es de interés para el entendimiento de la evolución de estrellas en alta rotación, y también para el estudio de la física de discos circunestelares. Para su identificación, utilizamos datos fotométricos (VPHAS+,2MASS y AllWISE) y espectroscópicos (LAMOST), junto con técnicas de aprendizaje automático, como las redes neuronales. Nuestros resultados muestran que utilizar los índices Q libres de enrojecimiento como descriptores, proporcionan una mejora significativa en la identificación fotométrica de estrellas Be.Asociación Argentina de Astronomía2021-07-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfAidelman et al. (2021) Identificación de candidatas a estrellas Be utilizando redes neuronales. Boletín de la Asociación Argentina de Astronomía; 62; 1-31669-9521http://astronomiaargentina.fcaglp.unlp.edu.ar/b62/2021BAAA...62...62A.pdfhttp://rid.unrn.edu.ar/handle/20.500.12049/8990spa62Boletín de la Asociación Argentina de Astronomíainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/reponame:RID-UNRN (UNRN)instname:Universidad Nacional de Río Negro2025-09-29T14:29:13Zoai:rid.unrn.edu.ar:20.500.12049/8990instacron:UNRNInstitucionalhttps://rid.unrn.edu.ar/jspui/Universidad públicaNo correspondehttps://rid.unrn.edu.ar/oai/snrdrid@unrn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:43692025-09-29 14:29:13.345RID-UNRN (UNRN) - Universidad Nacional de Río Negrofalse
dc.title.none.fl_str_mv Identificación de candidatas a estrellas Be utilizando redes neuronales
title Identificación de candidatas a estrellas Be utilizando redes neuronales
spellingShingle Identificación de candidatas a estrellas Be utilizando redes neuronales
Aidelman, Yael
Astronomía
methods: data analysis
stars: emission-line, Be
survey
Astronomía
title_short Identificación de candidatas a estrellas Be utilizando redes neuronales
title_full Identificación de candidatas a estrellas Be utilizando redes neuronales
title_fullStr Identificación de candidatas a estrellas Be utilizando redes neuronales
title_full_unstemmed Identificación de candidatas a estrellas Be utilizando redes neuronales
title_sort Identificación de candidatas a estrellas Be utilizando redes neuronales
dc.creator.none.fl_str_mv Aidelman, Yael
Escudero, Carlos
Ronchetti, Franco
Quiroga, Facundo
Granada, Anahi
Lanzarini, Laura
author Aidelman, Yael
author_facet Aidelman, Yael
Escudero, Carlos
Ronchetti, Franco
Quiroga, Facundo
Granada, Anahi
Lanzarini, Laura
author_role author
author2 Escudero, Carlos
Ronchetti, Franco
Quiroga, Facundo
Granada, Anahi
Lanzarini, Laura
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Astronomía
methods: data analysis
stars: emission-line, Be
survey
Astronomía
topic Astronomía
methods: data analysis
stars: emission-line, Be
survey
Astronomía
dc.description.none.fl_txt_mv Fil: Aidelman, Yael. Departamento de Espectroscopía, Facultad de Ciencias Astronómicas y Geofísicas, Universidad Nacional de La Plata Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina. Instituto de Astrofísica de La Plata (CCT La Plata - CONICET, UNLP), Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina
Fil: Escudero, Carlos. Instituto de Astrofísica de La Plata (CCT La Plata - CONICET, UNLP), Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina
Fil: Ronchetti, Franco. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina. Comision de Investigaciones Cientıficas de la Provincia de Buenos Aires, Argentina
Fil: Quiroga, Facundo. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina.
Fil: Granada, Anahi. Universidad Nacional de Rio Negro. Río Negro; Argentina.
Fil: Lanzarini, Laura. Instituto de Investigacion en Informatica LIDI, CIC–UNLP, Argentina.
Astronomical databases currently provide large volumes of spectroscopic and photometric information. In particular, as photometric data is relatively easier to obtain due to the shorter use time of the telescope, there is an increasing need to use those data in order to automatically identify specific objects and study them in detail afterwards. In this work, we focus on the photometric identification of Be stars, early-type stars with Hα line in emission. These kind of objects are very interest for understanding the evolution of fast rotating stars, and also for the study of the physics of circumstellar disks. For their identification, we use photometric (VPHAS+, 2MASS, AlWISE) and spectroscopic (LAMOST) databases, together with machine learning techniques, such as neural networks. Our results show that using the reddening-free Q indices as features provides a significant improvement in the photometric identification of Be stars.
Las bases de datos astronómicas proporcionan actualmente grandes volúmenes de información espectroscópica y fotométrica. En particular, los datos fotométricos resultan relativamente más fáciles de obtener debido al menor tiempo de uso del telescopio, con lo cual existe una creciente necesidad de utilizarlos para identificar automáticamente objetos específicos y luego estudiarlos en detalle. En este trabajo, nos centramos en la identificación fotométrica de estrellas Be, objetos tempranos que presentan la línea Hα en emisión. Este tipo de objeto es de interés para el entendimiento de la evolución de estrellas en alta rotación, y también para el estudio de la física de discos circunestelares. Para su identificación, utilizamos datos fotométricos (VPHAS+,2MASS y AllWISE) y espectroscópicos (LAMOST), junto con técnicas de aprendizaje automático, como las redes neuronales. Nuestros resultados muestran que utilizar los índices Q libres de enrojecimiento como descriptores, proporcionan una mejora significativa en la identificación fotométrica de estrellas Be.
description Fil: Aidelman, Yael. Departamento de Espectroscopía, Facultad de Ciencias Astronómicas y Geofísicas, Universidad Nacional de La Plata Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina. Instituto de Astrofísica de La Plata (CCT La Plata - CONICET, UNLP), Paseo del Bosque S/N, La Plata, B1900FWA, Buenos Aires, Argentina
publishDate 2021
dc.date.none.fl_str_mv 2021-07-01
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv Aidelman et al. (2021) Identificación de candidatas a estrellas Be utilizando redes neuronales. Boletín de la Asociación Argentina de Astronomía; 62; 1-3
1669-9521
http://astronomiaargentina.fcaglp.unlp.edu.ar/b62/2021BAAA...62...62A.pdf
http://rid.unrn.edu.ar/handle/20.500.12049/8990
identifier_str_mv Aidelman et al. (2021) Identificación de candidatas a estrellas Be utilizando redes neuronales. Boletín de la Asociación Argentina de Astronomía; 62; 1-3
1669-9521
url http://astronomiaargentina.fcaglp.unlp.edu.ar/b62/2021BAAA...62...62A.pdf
http://rid.unrn.edu.ar/handle/20.500.12049/8990
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv 62
Boletín de la Asociación Argentina de Astronomía
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Asociación Argentina de Astronomía
publisher.none.fl_str_mv Asociación Argentina de Astronomía
dc.source.none.fl_str_mv reponame:RID-UNRN (UNRN)
instname:Universidad Nacional de Río Negro
reponame_str RID-UNRN (UNRN)
collection RID-UNRN (UNRN)
instname_str Universidad Nacional de Río Negro
repository.name.fl_str_mv RID-UNRN (UNRN) - Universidad Nacional de Río Negro
repository.mail.fl_str_mv rid@unrn.edu.ar
_version_ 1844621615308996608
score 12.559606