Teareduce: a Python package with utilities for teaching reduction techniques in Astronomy

Resumen Técnico de Teareduce: un paquete de Python con utilidades para la enseñanza de técnicas de reducción en Astronomía

Planteamiento del Problema
Si bien Python se ha convertido en el ecosistema estándar para el procesamiento de datos astronómicos —respaldado por paquetes robustos como Astropy, NumPy y SciPy—, la enseñanza de la mecánica subyacente de la reducción de imágenes sigue siendo un desafío. Las herramientas establecidas como ccdproc ofrecen soluciones de propósito general que a menudo abstraen las operaciones específicas requeridas en los flujos de trabajo de reducción tradicionales. En consecuencia, los estudiantes de cursos de nivel de Máster pueden utilizar estas herramientas sin comprender plenamente los algoritmos o la lógica que impulsa el proceso de reducción. Además, las necesidades pedagógicas específicas, como navegar las discrepancias históricas entre las convenciones de indexación de FITS y Python o realizar pasos de calibración específicos, no siempre son abordadas por las librerías de propósito general de una manera que facilite el aprendizaje profundo.

Metodología
Los autores desarrollaron teareduce, un paquete de Python diseñado explícitamente como una herramienta instructiva para el curso de "Técnicas Experimentales en Astrofísica" (TEA) de la Universidad Complutense de Madrid. En lugar de funcionar como una suite de reducción integral y de grado de producción, teareduce proporciona un conjunto curado de clases y funciones que aíslan pasos específicos en el flujo de trabajo de reducción de imágenes astronómicas. El paquete está construido sobre el stack existente de Python científico (Astropy, NumPy, SciPy, Matplotlib) y está acompañado de cuadernos de Jupyter para demostrar su uso.

Los componentes metodológicos clave incluyen:

• Abstracción de Indexación: Para abordar la fuente común de errores respecto a la indexación de FITS (basada en 1) versus la de Python (basada en 0), el paquete introduce las clases SliceRegion1D, SliceRegion2D y SliceRegion3D. Estas permiten a los usuarios definir regiones de corte utilizando cualquiera de las dos convenciones y acceder a los atributos correspondientes (.fits o .python) de forma transparente.
• Calibración de Longitud de Onda: La clase TeaWaveCalibration facilita la corrección de la distorsión C y la calibración de longitud de onda. Soporta la identificación interactiva de líneas de arco, la detección automática de picos en espectros 2D y el cálculo de correcciones polinómicas. La calibración resultante puede aplicarse tanto a arreglos de NumPy como a objetos CCDData de Astropy.
• Ajuste de Spline Adaptativo: Para manejar situaciones donde los ajustes polinómicos carecen de la flexibilidad necesaria, el paquete incluye AdaptiveLSQUnivariateSpline. Esta clase realiza un ajuste de spline suave sin requerir la ubicación predefinida de los nudos; en su lugar, utiliza la minimización numérica para ajustar automáticamente las posiciones de los nudos basándose en un número de nudos intermedios especificado por el usuario.
• Eliminación de Rayos Cósmicos: El paquete ofrece dos enfoques para la mitigación de rayos cósmicos:
  1. tea-cleanest: Una herramienta interactiva inspirada en el código cleanest pero que utiliza el algoritmo L.A. Cosmic (van Dokkum 2001) para la detección. Permite el marcado y la corrección manual de píxeles.
  2. cr2images: Una función para la eliminación automática cuando se dispone de dos exposiciones equivalentes, reemplazando los píxeles afectados por rayos cósmicos en una imagen con la señal de la otra.

Contribuciones Clave
La contribución principal de este trabajo es la provisión de un recurso educativo especializado que cierra la brecha entre las herramientas de reducción de datos de alto nivel y los algoritmos fundamentales que los estudiantes deben comprender.

• Transparencia Educativa: Al exponer el código fuente para pasos de reducción específicos, el paquete permite a los estudiantes examinar, modificar y comprender las operaciones realizadas durante la reducción de imágenes, en lugar de tratarlas como "cajas negras".
• Pedagogía Práctica: El paquete introduce enfoques alternativos para tareas estándar que los autores han encontrado más prácticos para la instrucción de nivel de Máster, como el manejo específico de las convenciones de indexación y la colocación de nudos adaptativos en el ajuste de splines.
• Integración: Se integra perfectamente con el ecosistema más amplio de Astropy, asegurando que las habilidades aprendidas con teareduce sean transferibles a los flujos de trabajo de investigación estándar.

Resultos
El artículo no presenta nuevos resultados científicos derivados de observaciones astronómicas, sino que reporta el despliegue exitoso del software como ayuda didáctica. El paquete está disponible públicamente en GitHub con documentación y cuadernos de Jupyter. Ha sido implementado en las clases prácticas del Máster en Astrofísica de la Universidad Complutense de Madrid, donde los estudiantes lo utilizan para procesar imágenes adquiridas con el instrumento CAFOS en el telescopio de 2.2m del Observatorio de Calar Alto. La herramienta soporta el flujo de trabajo completo, desde la propuesta de observación hasta el análisis de datos, dentro del currículo del curso.

Significancia
Los autores posicionan a teareduce como una herramienta modesta pero necesaria para la educación astronómica. Su significancia no radica en superar a las pipelines de reducción establecidas para la investigación, sino en su capacidad para desmitificar el proceso de reducción para los estudiantes. Al proporcionar un conjunto de utilidades transparentes, editables y específicas, el paquete tiene como objetivo profundizar la comprensión de las operaciones realizadas durante la reducción de imágenes astronómicas. El trabajo reconoce que, si bien existen herramientas de propósito general, estas no siempre sirven al objetivo pedagógico específico de enseñar el "cómo" y el "por qué" de las técnicas de reducción, un vacío que teareduce está diseñado para llenar.