Machine Learning Assisted NEO Discovery and Polarimetric Characterisation with Astronomical Surveys

Resumen Técnico: Detección de NEOs Asistida por Aprendizaje Automático y Caracterización Polarimétrica con Sondeos Astronómicos

1. Planteamiento del Problema
Los sondeos astronómicos de gran área, diseñados principalmente para la ciencia galáctica y extragaláctica, capturan inadvertidamente una gran cantidad de objetos del sistema solar, incluidos Objetos Cercanos a la Tierra (NEO). Sin embargo, la detección y clasificación automática de estos objetos presentan desafíos significativos:

• Diversidad morfológica: Los NEOs aparecen en las imágenes como desde puntos difusos (PSF) hasta características lineales elongadas que abarcan cientos de píxeles.
• Ruido y falsos positivos: Las imágenes contienen múltiples artefactos lineales (rayos cósmicos, estelas de satélites, sangrado de CCD, estrellas elongadas) que dificultan la distinción entre NEOs y ruido.
• Ineficiencia de métodos clásicos: Los métodos tradicionales (como SourceXtractor y StreakDet) tienen tasas de recuperación bajas (20-40% para NEOs en listas de riesgo con S/N > 3) y fallan en detectar la mayoría de los objetos con una relación señal-ruido (S/N) entre 3 y 10, incluso tras inspección visual.
• Falta de caracterización rápida: Para la defensa planetaria, es crucial determinar rápidamente el tamaño y la composición de un NEO con conocimiento orbital limitado, algo que la fotometría óptica por sí sola no puede resolver debido a la degeneración entre tamaño y albedo.

2. Metodología
El consorcio, compuesto por más de dos docenas de expertos de 11 instituciones en Sudáfrica y Europa, propone un enfoque integral que combina aprendizaje automático (ML) y polarimetría:

• Detección y Clasificación con ML:
  • Se busca desarrollar una tubería (pipeline) genérica y configurable para sondeos como OmegaCAM (VST), Euclid y LSST.
  • Se utiliza Redes Neuronales Convolucionales (CNN) avanzadas, inspiradas en arquitecturas como TernausNet (evolución de UNET) y modelos entrenados con funciones de pérdida YOLO.
  • El objetivo es la detección "ciega" de características lineales (estelas) en imágenes astronómicas, clasificando NEOs, satélites y otros artefactos.
  • Se planea la transición hacia Transformers de Visión (Vision Transformers) para mejorar la generalización entre diferentes sondeos.
• Caracterización Polarimétrica (VSTPOL):
  • Se integra el modo polarimétrico de OmegaCAM (VSTPOL), previsto para su puesta en marcha en 2026.
  • Se mide la polarización lineal en ángulos de fase grandes (hasta >90°), donde la señal puede alcanzar el 10-30%.
  • La combinación de datos polarimétricos con fotometría óptica permite romper la degeneración tamaño-albedo, estimando composición y tamaño sin necesidad de espectroscopía o infrarrojo térmico inmediato.
• Integración de Plataformas de Datos:
  • La tubería se diseña para integrarse en plataformas de Big Data existentes (como AstroWISE en OmegaCEN, Groningen) para minimizar la intervención humana ("babysitting") y optimizar el consumo energético.
  • Se vincula con el software de estimación de órbitas de código abierto Tudat para actualizaciones automáticas de efemérides.

3. Contribuciones Clave

• Pipeline Genérico Multi-Sondeo: Desarrollo de un software modular capaz de adaptarse a diferentes resoluciones espaciales, calidad de imagen y profundidad de sondeos (OmegaCAM, Euclid, LSST).
• Mejora en la Detección "Ciega": Superación de los métodos tradicionales mediante ML para recuperar NEOs débiles (S/N 3-20) y lentos que pasan desapercibidos.
• Caracterización Rápida para Defensa Planetaria: Propuesta de un método que combina polarimetría y fotometría para restringir rápidamente las propiedades físicas de NEOs con órbitas inciertas, vital en escenarios de riesgo de colisión inminente.
• Sinergia Interdisciplinaria: Unificación de la defensa planetaria con la ciencia astronómica general, aprovechando la infraestructura de datos de misiones como Euclid y ESO.

4. Resultados y Estado Actual

• OmegaCAM:
  • Se estima que 1 de cada 20 NEOs aparece en los datos de OmegaCAM con S/N > 3, y el 70% de estos son estelas bien resueltas.
  • Un enfoque previo con TernausNet logró un 65% de completitud para estelas con S/N entre 3 y 20, superando a los métodos clásicos, aunque con una pureza del 44% (falsos positivos).
  • Los métodos clásicos actuales solo recuperan el 20-40% de los NEOs de riesgo, dejando la mayoría de los objetos en el rango de S/N 3-10 sin detectar.
• Euclid:
  • Se espera detectar ~15,000 asteroides cercanos a la Tierra.
  • Un CNN entrenado con imágenes simuladas de Euclid supera a las tuberías de segmentación tradicionales, detectando asteroides 0.25–0.5 magnitudes más débiles y objetos más lentos, aumentando el número de detecciones en un 50%.
• Futuro: Se está trabajando en la generalización de la detección a múltiples clases de objetos (satélites, meteoros) y en la implementación de Vision Transformers.

5. Significancia
Este trabajo es fundamental para la Defensa Planetaria y la Conciencia Situacional del Espacio (SSA):

• Eficiencia Operativa: Automatiza la minería de datos en archivos astronómicos masivos, permitiendo identificar amenazas potenciales que los métodos manuales o tradicionales ignoran.
• Respuesta Rápida: La capacidad de caracterizar composición y tamaño rápidamente mediante polarimetría es crucial para planificar misiones de desviación o mitigación ante objetos con órbitas poco conocidas.
• Sostenibilidad y Escalabilidad: Al integrar estas herramientas en plataformas de Big Data existentes y optimizar el consumo energético, se crea un modelo escalable y sostenible para el futuro manejo de datos astronómicos (incluyendo el LSST).
• Ciencia Adicional: Más allá de la defensa, los datos de astrometría de precisión y polarimetría contribuyen a pruebas de gravedad no estándar y al estudio del papel de los impactos en el cambio climático y el origen de la vida.