AUTOMATIZACIÓN DEL PROCESO DE DETECCIÓN Y CLASIFICACIÓN DE ESTRELLAS VARIABLES DE LARGO PERÍODO

Abstract

Las estrellas variables han sido estudiadas ampliamente durante las últimas décadas, logrando grandes avances que han ayudado a entender la evolución estelar y generar una taxonomía bien definida para estas. Sin embargo, existen estrellas variables de baja amplitud que sólo son identificables en el largo período. Las cuales han sido poco estudiadas, debido a las dificultades de adquisición y procesamiento de series tiempo a escalas temporales altas, quedando así una gran cantidad de información sin estudiar y la interrogante de por qué ocurre este comportamiento. Por otro lado, el uso de técnicas de aprendizaje automático ha sido ampliamente aceptado para el estudio de estrellas variables de corto periodo automatizando su clasificación y facilitando el trabajo de astrónomos y astrofísicos. Por lo tanto, se espera que este tipo de técnicas puede ser de gran utilidad para ayudar a estudiar este comportamiento en largo periodo. En este trabajo se propone un proceso que automatice la clasificación de estrellas variables de largo periodo. Este proceso consta de dos grandes etapas, donde la primera de ellas consiste en identificar las estrellas que presenten este comportamiento, mientras que la segunda parte, consiste en realizar una clasificación en base al comportamiento de las diversas características que puedan tener. Los algoritmos de clustering pueden ser de utilidad para realizar esta clasificación, encontrando patrones según el comportamiento de estas. Utilizando el algoritmo K-means y considerando como base las características que son utilizadas para la elaboración del diagrama H-R, se consiguió encontrar un total de 6 grupos claramente definidos.

Variable stars have been studied extensively during the last decades, achieving great advances that have helped to understand stellar evolution and generate a well-defined taxonomy for these. However, there are variable stars of low amplitude that are only identifiable in the long period. Which have been little studied, due to the difficulties of acquisition and processing of time series at high temporal scales, thus leaving a large amount of information without studying and the question of why this behavior occurs. On the other hand, the use of machine learning techniques has been widely accepted for the study of short-period variable stars by automating their classification and facilitating the work of astronomers and astrophysicists. Therefore, it is expected that this type of techniques can be very useful to help study this behavior in a long period. In this work a process is proposed that automates the classification of variable stars of long period. This process consists of two major stages, where the first consists of identifying the stars that exhibit this behavior, while the second part consists of making a classification based on the behavior of the various characteristics that they may have. Clustering algorithms can be useful to perform this classification, finding patterns according to the behavior of these. Using the K-means algorithm and considering as a basis the characteristics that are used for the elaboration of the H-R diagram, it was possible to find a total of 6 clearly defined groups.