Machine learning aplicado a astronomía

Autores
Ronchetti, Franco; Quiroga, Facundo Manuel; Ponte Ahón, Santiago Andrés; Ríos, Gastón Gustavo; Dal Bianco, Pedro Alejandro; Stanchi, Oscar Agustín; Seery, Juan Martín; Aidelman, Yael Judith; Gamen, Roberto Claudio; Lanzarini, Laura Cristina; Hasperué, Waldo
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Visión por computadora
Digitalización de patrimonio
Placas espectroscópicas
Deep learning
Dynamic time warping
Procesamiento de señales
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:10915/195753
Acceder
id SEDICI_f1ed57c46ac68c44861a7d78badc9031
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195753
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Machine learning aplicado a astronomíaRonchetti, FrancoQuiroga, Facundo ManuelPonte Ahón, Santiago AndrésRíos, Gastón GustavoDal Bianco, Pedro AlejandroStanchi, Oscar AgustínSeery, Juan MartínAidelman, Yael JudithGamen, Roberto ClaudioLanzarini, Laura CristinaHasperué, WaldoCiencias InformáticasVisión por computadoraDigitalización de patrimonioPlacas espectroscópicasDeep learningDynamic time warpingProcesamiento de señalesEl 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.Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf161-164http://sedici.unlp.edu.ar/handle/10915/195753spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info: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:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195753Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.796SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Machine learning aplicado a astronomía
title Machine learning aplicado a astronomía
spellingShingle Machine learning aplicado a astronomía
Ronchetti, Franco
Ciencias Informáticas
Visión por computadora
Digitalización de patrimonio
Placas espectroscópicas
Deep learning
Dynamic time warping
Procesamiento de señales
title_short Machine learning aplicado a astronomía
title_full Machine learning aplicado a astronomía
title_fullStr Machine learning aplicado a astronomía
title_full_unstemmed Machine learning aplicado a astronomía
title_sort Machine learning aplicado a astronomía
dc.creator.none.fl_str_mv Ronchetti, Franco
Quiroga, Facundo Manuel
Ponte Ahón, Santiago Andrés
Ríos, Gastón Gustavo
Dal Bianco, Pedro Alejandro
Stanchi, Oscar Agustín
Seery, Juan Martín
Aidelman, Yael Judith
Gamen, Roberto Claudio
Lanzarini, Laura Cristina
Hasperué, Waldo
author Ronchetti, Franco
author_facet Ronchetti, Franco
Quiroga, Facundo Manuel
Ponte Ahón, Santiago Andrés
Ríos, Gastón Gustavo
Dal Bianco, Pedro Alejandro
Stanchi, Oscar Agustín
Seery, Juan Martín
Aidelman, Yael Judith
Gamen, Roberto Claudio
Lanzarini, Laura Cristina
Hasperué, Waldo
author_role author
author2 Quiroga, Facundo Manuel
Ponte Ahón, Santiago Andrés
Ríos, Gastón Gustavo
Dal Bianco, Pedro Alejandro
Stanchi, Oscar Agustín
Seery, Juan Martín
Aidelman, Yael Judith
Gamen, Roberto Claudio
Lanzarini, Laura Cristina
Hasperué, Waldo
author2_role author
author
author
author
author
author
author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Visión por computadora
Digitalización de patrimonio
Placas espectroscópicas
Deep learning
Dynamic time warping
Procesamiento de señales
topic Ciencias Informáticas
Visión por computadora
Digitalización de patrimonio
Placas espectroscópicas
Deep learning
Dynamic time warping
Procesamiento de señales
dc.description.none.fl_txt_mv 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.
Red de Universidades con Carreras en Informática
description 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.
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195753
url http://sedici.unlp.edu.ar/handle/10915/195753
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
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
161-164
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_ 1868982611645300736
score 13.365483

Publicaciones similares