Machine learning aplicado a astronomía

Abstract

El patrimonio astronómico histórico constituye una fuente invaluable de información científica. Diversos observatorios del mundo conservan colecciones extensas de placas fotográficas y espectroscópicas obtenidas durante los siglos XIX y XX. Sin embargo, su digitalización y procesamiento automático representan un desafío técnico significativo, especialmente en el caso de placas espectroscópicas, cuya estructura interna requiere tareas complejas de segmentación, extracción y calibración. Esta línea de investigación aborda el diseño e implementación de un sistema integral para la digitalización y procesamiento automático de placas espectroscópicas históricas. El trabajo integra técnicas de detección basadas en redes neuronales convolucionales, algoritmos de extracción de espectros unidimensionales y métodos de calibración automática en longitud de onda mediante alineamiento temporal (Dynamic Time Warping). Como resultado se desarrolló PlateUNLP, una plataforma web de código abierto que permite gestionar proyectos de digitalización, automatizar la obtención de metadatos, segmentar observaciones y espectros, extraer señales espectrales y realizar su calibración automática. Los resultados experimentales muestran desempeños competitivos en detección y valores de IoU superiores a 0.9 en configuraciones óptimas de calibración, validando la viabilidad del enfoque propuesto.