Búsqueda de nuevas subenanas calientes con la ayuda del Observatorio Virtual INTRODUCCIÓN El Observatorio Virtual (VO 1, 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 Aladin 2 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 2MASS 3 : 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 Tycho 4 : de la lista de candidatos anterior, seleccionamos aquellos objetos con contrapartida en el catálogo Tycho-2, a menos de 3.5’’ y con V T -K < 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 OB 5. Mostramos un ejemplo de la interfaz gráfica de Aladin en las Figs.1-4, para un campo de 1 o. 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, L151 Heber U., 1986, A&A, 155, 33 Østensen R., 2006 Stark, M.A. & Wade, R., 2003, AJ 126, VO: 2 Aladin: 3 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)‏ 6 Vizier Online Data Catalog, II/282 (Adelman-MacCarthy et al., 2008, ApJS, 175, Oreiro R., 2,3 Rodríguez-López C., 4 García-Torres, M., 4 Solano E., 3 Ulla 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 V T -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 SDSS 6, 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.