Detección y clasificación morfológica de nebulosas planetarias en imágenes astrofísicas mediante aprendizaje automático

Abstract

[Resumen]: La investigación sobre nebulosas planetarias es esencial para comprender mejor los procesos de evolución estelar. Este proyecto se ha enfocado en el uso de técnicas avanzadas de aprendizaje automático para la segmentación y clasificación automática de estas estructuras en imágenes astrofísicas. Concretamente, se ha diseñado una metodología que integra métodos de segmentación tanto supervisados como no supervisados, permitiendo identificar de forma precisa las nebulosas planetarias en un entorno con grandes desafíos como lo son las imágenes del cielo profundo. El objetivo principal ha sido mejorar la capacidad de los modelos para segmentar correctamente las nebulosas y clasificar su morfología. Los resultados obtenidos en la segmentación han sido prometedores, destacándose por su precisión y sensibilidad en la identificación de las nebulosas frente al ruido del fondo estelar. Sin embargo, la clasificación de estas estructuras según su morfología ha presentado mayores dificultades, principalmente debido a la variabilidad en las formas y tamaños de las nebulosas. Este trabajo ofrece una visión sobre cómo la combinación de técnicas de segmentación avanzadas y el uso de arquitecturas adecuadas en la clasificación puede contribuir a la automatización de estas tareas en la astronomía. Se proponen, además, futuras líneas de investigación para mejorar el rendimiento en la clasificación morfológica, destacando la necesidad de ampliar los conjuntos de datos y explorar nuevas técnicas que permitan una mejor diferenciación entre las nebulosas planetarias.

[Abstract]: The study of planetary nebulae is crucial to furthering our understanding of stellar evolution processes. This project focuses on the use of advanced machine learning techniques for the automatic segmentation and classification of these structures in astrophysical images. Specifically, a methodology combining both supervised and unsupervised segmentation methods has been developed, enabling accurate identification of planetary nebulae in the challenging context of deep sky images. The primary objective was to enhance the models’ ability to accurately segment nebulae and classify their morphology. The segmentation results were promising, demonstrating high precision and sensitivity in identifying nebulae amidst the background noise of star fields. However, classifying these structures according to their morphology proved more challenging, mainly due to the variability in nebulae shapes and sizes. This project provides insight into how the combination of advanced segmentation techniques and appropriate architectures for classification can contribute to automating these tasks in astronomy. Future research directions are proposed to improve performance in morphological classification, highlighting the need for larger datasets and the exploration of new techniques that allow better differentiation between planetary nebulae.