Búsqueda de nuevas

subenanas calientes con la

ayuda del Observatorio Virtual

INTRODUCCIÓN

El Observatorio Virtual (VO1, de sus siglas en inglés) ya ha demostrado ser una potente herramienta de detección de nuevos candidatos azules. En particular, la reciente detección de una subenana caliente de helio (He-sdB) (Caballero & Solano, 2007) abre las puertas a la búsqueda masiva de este tipo de objetos en los archivos y servicios del VO.

Las subenanas calientes constituyen un estado evolutivo intermedio entre la Rama de Gigantes y la fase de Enana Blanca (Heber, 1986). Una fracción de estos objetos presentan pulsaciones estelares, lo que nos permite estudiar su estructura interna y con ello comprender mejor su estado evolutivo.

OBJETIVOS

Nuestro objetivo principal es la detección de subenanas calientes no previamente catalogadas haciendo uso de herramientas del VO. En una primera fase exploraremos los campos de observación de los satélites astrosismológicos CoRoT y KEPLER.

METODOLOGÍA

Para un determinado campo de observación hacemos uso del potencial de Aladin2 para seleccionar candidatos a subenanas calientes. Puesto que estas estrellas son objetos azules, el criterio de selección se basa en escoger candidatos con similares propiedades fotométricas. Este proceso de selección consiste en:

-- filtro base de datos 2MASS3: selección de objetos azules (J-K<0.5) y dentro del rango 6<J<15, típico para subenanas calientes (Stark & Wade, 2003).

-- filtro base de datos Tycho4: de la lista de candidatos anterior, seleccionamos aquellos objetos con contrapartida en el catálogo Tycho-2, a menos de 3.5’’ y con VT-K < 0.5.

-- comprobamos que los objetos filtrados no estén ya catalogados dentro de la base de datos de subenanas calientes (Østensen, 2006).

-- comprobamos que los objetos filtrados no estén catalogados como estrellas OB5.

Mostramos un ejemplo de la interfaz gráfica de Aladin en las Figs.1-4, para un campo de 1o. Una vez preparado el script correspondiente , este proceso de identificación de candidatos tarda del orden de 17 s.

REFERENCIAS

Caballero J. A. & Solano E., 2007, ApJ, 665, L151Heber U., 1986, A&A, 155, 33Østensen R., 2006Stark, M.A. & Wade, R., 2003, AJ 126, 14551 VO: http://www.ivoa.net2 Aladin: http://aladin.u-strasbg.fr/aladin.gml3 Vizier Online Data Catalog, II/246

(Cutri R. M et al. 2003)4 Vizier Online Data Catalog, I/259

(Høg E. et al., 2000, A&A, 355, L27)5 Vizier Online Data Catalog, V/125

(Reed C., 2003, AJ, 125, 2531)6Vizier Online Data Catalog, II/282

(Adelman-MacCarthy et al., 2008, ApJS, 175, 297

1Oreiro R., 2,3Rodríguez-López C., 4García-Torres, M., 4Solano E., 3Ulla A. 1: Institute of Astronomy (KULeuven) 2: Laboratoire d’Astrophysique de Toulouse-Tarbes 3: Universidade de Vigo 4: LAEFF-INTA SVO Thematic Network

Fig.1: En rojo, objetos del catálogo 2MASS. Dentro de los cuadrados verdes, objetos de 2MASS a los que se ha aplicado el filtro J-K < 0.5, 6<J<15 3025 objetos filtrados.

Fig.2: Correlación de los objetos filtrados en el paso anterior (en azul) con objetos del catálogo TYCHO, en rojo 85 objetos filtrados

Fig.3: De los objetos anteriores (en rojo), filtramos los que cumplen VT-K < 0.5 (dentro de los cuadrados verdes) 17 objetos filtrados

Fig.4: En rojo, los objetos anteriores que no están catalogados como subenanas calientes. En azul, estrellas OB. En verde, objetos candidatos a subenanas 17 objetos.

TRABAJO FUTURO

Los objetos candidatos a subenanas calientes serán confirmados con la realización de campañas espectroscópicas. Asimismo, hemos comenzado a aplicar técnicas de Minería de Datos para una mejor diferenciación de las subenanas calientes respecto a otros tipos espectrales, como Enanas Blancas o Variables Cataclísmicas. Hemos partido de un conjunto de objetos obtenidos del SDSS6, formado por Enanas Blancas, subenanas calientes y Variables Cataclísmicas. Cada uno de estos objetos viene descrito por el valor de la magnitud en los filtros u, g, r, i y z del SDSS y de todos los colores posibles que surjan a partir de los filtros.

En un primer análisis se han utilizado tres tipos de clasificadores: Naïve-Bayes, SVM (Support Vector Machine) con kernel lineal y polinómico de grado 3 y NN (Nearest Neighbour) con 1 y 5 vecinos. Las matrices de confusión obtenidas indican que los parámetros utilizados no son suficientes para discriminar entre las tres clases de objetos, y por ello continuamos trabajando en una implementación de criterios más eficaz .