Clasificación de objetos celestes empleando datos de las misiones Gaia y Euclid

Abstract

[Resumen]: El auge de las misiones espaciales orientadas a la recopilación de grandes volúmenes de datos ha abierto nuevas oportunidades en el análisis automatizado de objetos astronómicos. Este Trabajo Fin de Grado se centra en el desarrollo y evaluación de modelos de aprendizaje automático para la clasificación de objetos celestes —principalmente estrellas, galaxias y cuásares— utilizando datos procedentes de las misiones Gaia y Euclid. La misión Gaia proporciona espectros en el visible mediante los coeficientes BP y RP, mientras que Euclid aporta información complementaria en el espectro infrarrojo cercano. Se han diseñado y probado distintos modelos de clasificación, tanto supervisados como no supervisados, evaluando su rendimiento mediante métricas específicas y visualizaciones. El objetivo principal es analizar si la combinación de datos espectrales de ambas misiones permite mejorar la capacidad de los modelos para identificar y clasificar objetos celestes de forma precisa, y comprobar el valor añadido que ofrece la información infrarroja en este contexto.

[Abstract]: The rise of space missions focused on collecting large volumes of data has opened new opportunities for the automated analysis of astronomical objects. This Final Degree Project focuses on the development and evaluation of machine learning models for the classification of celestial objects —mainly stars, galaxies, and quasars— using data from the Gaia and Euclid missions. The Gaia mission provides visible spectrum data through BP and RP coefficients, while Euclid offers complementary information in the near infrared spectrum. Several classification models, both supervised and unsupervised, have been designed and tested, evaluating their performance using specific metrics and visualizations. The main objective is to analyze whether the combination of spectral data from both missions improves the models’ ability to accurately identify and classify celestial objects, and to assess the added value of infrared information in this context.