Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas

Autores
Baume, Gustavo Luis; Rodríguez, María Jimena; Feinstein Baigorri, Carlos; Gularte Scarone, Ángela Erika
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
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
Materia
Ciencias Astronómicas
methods: data analysis
galaxies: photometry
galaxies: star clusters: general
galaxies: stellar content
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/167837

id SEDICI_9f2fc7c902974fed86a0333df1d451e6
oai_identifier_str oai:sedici.unlp.edu.ar:10915/167837
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Aprendizaje automático para identificar poblaciones estelares en galaxias cercanasBaume, Gustavo LuisRodríguez, María JimenaFeinstein Baigorri, CarlosGularte Scarone, Ángela ErikaCiencias Astronómicasmethods: data analysisgalaxies: photometrygalaxies: star clusters: generalgalaxies: stellar contentSe 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 Astronomía2021info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf116-118http://sedici.unlp.edu.ar/handle/10915/167837spainfo:eu-repo/semantics/altIdentifier/issn/1669-9521info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:44:41Zoai:sedici.unlp.edu.ar:10915/167837Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:44:42.088SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
title Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
spellingShingle Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas
Baume, Gustavo Luis
Ciencias Astronómicas
methods: data analysis
galaxies: photometry
galaxies: star clusters: general
galaxies: stellar content
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
dc.creator.none.fl_str_mv Baume, Gustavo Luis
Rodríguez, María Jimena
Feinstein Baigorri, Carlos
Gularte Scarone, Ángela Erika
author Baume, Gustavo Luis
author_facet Baume, Gustavo Luis
Rodríguez, María Jimena
Feinstein Baigorri, Carlos
Gularte Scarone, Ángela Erika
author_role author
author2 Rodríguez, María Jimena
Feinstein Baigorri, Carlos
Gularte Scarone, Ángela Erika
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Astronómicas
methods: data analysis
galaxies: photometry
galaxies: star clusters: general
galaxies: stellar content
topic Ciencias Astronómicas
methods: data analysis
galaxies: photometry
galaxies: star clusters: general
galaxies: stellar content
dc.description.none.fl_txt_mv 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
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.
publishDate 2021
dc.date.none.fl_str_mv 2021
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/167837
url http://sedici.unlp.edu.ar/handle/10915/167837
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/issn/1669-9521
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
116-118
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616314039042048
score 13.070432