Astronomia

Analisi di rilevamento della completezza delle magnitudini delle galassie

Analisi di rilevamento della completezza delle magnitudini delle galassie


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Ho una grandezza dall'osservazione. Vorrei trovare la completezza di rilevamento della grandezza. Voglio tracciare la figura in questo modo in Python

Come tracciare la completezza e l'ampiezza del rilevamento dei miei dati

import numpy as np from astropy.table import Table data=Table.read('magnitude_data.fits') plt.hist('data['NB821'],bins=30)

Per favore fatemi sapere come tracciare in questo modo.


Analisi di rilevamento della completezza delle magnitudini delle galassie - Astronomia

Una nuova ricerca di galassie attive è stata condotta utilizzando il telescopio Schmidt dell'ESO da 1 metro, al fine di costruire un campione di righe di emissione e oggetti in eccesso ultravioletto. La strategia osservativa si è concentrata sull'ottenere un rilevamento più profondo e una migliore completezza su oggetti deboli di magnitudine apparente rispetto a quelli ottenuti nelle indagini precedenti. La procedura di riduzione mira ad un massimo output astrofisico prima di qualsiasi follow-up complementare, quindi ci aspettiamo una facile selezione di obiettivi interessanti dal catalogo delle galassie candidate (che sarà pubblicato in seguito) quando saranno pianificate le osservazioni future. I redshift sono misurati su piastre prismatiche obiettive di Schmidt con una precisione media di 160 km s^-1^ Questa precisione è stata verificata mediante velocità pubblicate fino a 5000 km s^-1^, ma le galassie della riga di emissione rilevate hanno redshift verso l'alto az = 0,06. Le magnitudini R, i colori (U-R), i diametri degli isofoti, la brillantezza superficiale e i parametri morfologici quantitativi sono derivati ​​da lastre dirette bicolore U/R. I colori sono legati al sistema U, R Basilea mediante un confronto statistico della distribuzione cromatica strumentale della stella di campo con la distribuzione cromatica della stella di campo di Basilea a una latitudine galattica simmetrica La precisione del punto zero (UR)_Basel_ è al massimo di magnitudine 0,10 . Le magnitudini R asintotiche sono calibrate nel sistema Cousins ​​con galassie di piccolo diametro ESO-LV e si pensa che siano accurate fino a 0,30 magnitudine. La magnitudo R limite prevista dell'indagine è 18.5 Il presente lavoro si limita a una descrizione della metodologia, illustrata con risultati preliminari ottenuti in due campi.


Analisi di rilevamento della completezza delle magnitudini delle galassie - Astronomia

La profondità del riquadro del rilievo è misurata dal limite di completezza. Viene determinato separatamente per ogni stack e ciascun filtro. La profondità viene anche controllata utilizzando i conteggi di galassie calcolati dopo la produzione di ogni pila, come parte dell'analisi QualityFITS. Tutti i grafici di completezza del conteggio delle galassie sono disponibili dalla tavola sinottica T0007 22 .

Per calcolare il limite di completezza, abbiamo utilizzato simulazioni di immagini prodotte da SkyMaker ( ? ). Immagini silenziose di sorgenti puntiformi (stelle o rigonfiamenti galattici) e simili a dischi (galassie a spirale) sono state simulate combinando modelli sferoidi e dischi, utilizzando rispettivamente profili di luce de Vaucouleur e esponenziali. Le densità del numero di stelle e galassie delle sorgenti simulate corrispondono alle aspettative per i tipici tempi di esposizione CFHTLS. La loro pendenza e normalizzazione si basano su una funzione di luminosità realistica in una cosmologia standard Λ -CDM (per le galassie) e sono prodotte secondo la trasmissione dei filtri MegaCam.

Le sorgenti vengono poi convolute da una PSF che tiene conto della pupilla del telescopio CFHT (specchi e bracci) e di altri componenti della PSF. La PSF è costruita utilizzando la diffrazione e le componenti di aberrazione più semplici del telescopio CFHT, nonché i tipici contributi atmosferici che degradano le lunghe esposizioni. Viene prodotta una serie di simulazioni con PSF FWHM che vanno da 0 . 4 ′′ a 1 . 3 ′′ . Per ogni stack, le immagini simulate con la PSF più vicina nella dimensione FWHM vengono quindi utilizzate per calcolare la completezza finale. Questo metodo “adaptive FWHM” dà luogo a una maggiore dispersione nella distribuzione di completezza rispetto a T0006. La completezza del T0007 comprende sia il tempo di esposizione che l'effetto di profondità, nonché la qualità dell'immagine. La completezza della sorgente puntiforme è quindi più influenzata rispetto a quella degli oggetti estesi.

Il limite di completezza viene quindi derivato dal valore di completezza medio sui campi centrali 10000 × 10000 MegaCam. Le statistiche sono calcolate in ogni campo separatamente e per ogni filtro. L'output è la frazione di sorgenti rilevate e misurate in funzione della grandezza. Le magnitudini all'80% e al 50% di completezza sono fornite per sorgenti puntiformi (stella o rigonfiamento) e per sorgenti estese (dischi).

I valori di completezza 80% e 50% sono calcolati da un processo di fitting automatizzato applicato ai cataloghi di sorgenti reali e simulate senza tuning. Le grandezze limite sono derivate automaticamente da un parametro empirico due ( x 0 α ) funzione di adattamento

(12)

dove x 0 fornisce la posizione di ribaltamento della funzione di completezza e α è la funzione pendenza in x 0 . I parametri ( x 0 α ) si trovano da una minimizzazione standard χ 2. I limiti di completezza del 50% e dell'80% sono derivati ​​da un'interpolazione lineare. Un esempio di adattamento è fornito in Fig. 28. In alcuni casi, l'adattamento e l'interpolazione non sono buoni e il valore di completezza è quindi mal stimato.

Le distribuzioni di completezza su tutti i campi Wide e all'interno di un campo Wide sono presentate nella Tabella ?? . Il pannello di sinistra della Figuraꀩ mostra la distribuzione di completezza per l'intero rilevamento Wide per tutti e quattro i campi. La Figuraꀰ mostra le distribuzioni di completezza per ciascuna delle quattro patch Wide.

Gli istogrammi accoppiati ad un'ispezione dettagliata dei dati mostrano che la dispersione media in completezza è 0 . 20 magnitudini, con variazioni significative da filtro a filtro. La distribuzione di completezza in banda z è più ampia di altri filtri, con una coda che si estende su una grandezza. Al contrario, la distribuzione della banda r è più stretta ( 0,15 mag.). Ciò è dovuto principalmente alle grandi variazioni della luminosità del cielo nel corso degli anni in quella banda fotometrica (righe di emissione OH), causando la profondità variabile sulle osservazioni seguendo un modello di tempo di esposizione fisso. Un comportamento irregolare delle righe di emissione OH porta anche a una correzione più scarsa delle frange, aggravando la situazione in banda z.

La Figuraꀲ mostra una serie di mappe di completezza su tutti i campi Wide. Le mappe vengono prodotte per ogni campo Wide e per ogni filtro.

I pannelli sinistro e destro della Figuraꀱ mostrano che la distribuzione di completezza è dominata dal seeing, sia per le sorgenti puntiformi che per gli oggetti estesi: una migliore qualità dell'immagine corrisponde a immagini più profonde. Rispetto al contributo del seeing, il tempo di esposizione (anche con doppio tempo di esposizione) ha un'influenza minore sulla misurazione della profondità finale. Per la banda u*, l'intervallo di profondità limite è probabilmente ampliato dalla diversità delle condizioni di osservazione (Luna, estinzione, osservazione). Tuttavia, (oltre al tempo di esposizione) il fattore principale che influenza la completezza dell'immagine è il Seeing FWHM.

Il confronto con la completezza di T0006 non è immediato. In T0006, le simulazioni sono state prodotte utilizzando una PSF di FWHM fissa pari a 0,9 arcsec. In T0007, la dimensione PSF simulata corrisponde alla dimensione PSF reale di ogni piastrella. Poiché l'effettiva distribuzione del seeing ha un picco con una qualità dell'immagine migliore di 0,9 arcsec, la completezza misurata da T0007 delle sorgenti puntiformi è più profonda di T0006. Questo aumento di profondità (da circa 0,02 a 0,03 mag in riyz) è quindi in gran parte dovuto alla tecnica di misurazione piuttosto che ai cambiamenti nelle immagini.


Analisi di rilevamento della completezza delle magnitudini delle galassie - Astronomia

Il Two Micron All Sky Survey (2MASS) fornisce il set di dati più completo delle proprietà delle galassie nel vicino infrarosso. Incrociamo la selezione spettroscopica ben definita e altamente completa di oltre 155.000 galassie luminose (r≤ 17,5 mag) nel campione di galassie principali (MGS) Sloan Digital Sky Survey (SDSS) con sorgenti 2MASS per esplorare la natura e la completezza del Selezione 2MASS (banda K) di galassie vicine. Usando le stime della luminosità totale delle galassie direttamente dai cataloghi pubblici 2MASS e SDSS, corrette solo per l'estinzione galattica, troviamo che 2MASS rileva il 90% dell'MGS più luminoso di r = 17 magnitudine. Quantifichiamo la completezza delle galassie 2MASS in termini di proprietà ottiche da SDSS. Per r≤ 16 mag, il 94,6% dell'MGS si trova nel catalogo sorgente esteso 2MASS (XSC). Questi rilevamenti abbracciano la gamma rappresentativa delle proprietà ottiche e del vicino infrarosso, ma con un bias dipendente dalla luminosità della superficie per perdere preferenzialmente le sorgenti all'estremo blu e all'estremità a bassa concentrazione dello spazio dei parametri, che sono coerenti con il tipo più morfologicamente tardivo. popolazione galattica. Una completezza XSC del 97,6 per cento è ottenibile a magnitudini brillanti, con le galassie blu a bassa luminosità superficiale che sono l'unica principale fonte di incompletezza, se si seguono i nostri criteri di abbinamento attenti ed eliminiamo sorgenti SDSS spurie. Concludiamo che il rapido calo della completezza XSC a r > 16 mag riflette il limite di luminosità superficiale dell'algoritmo di rilevamento della sorgente estesa in 2MASS. Di conseguenza, le galassie r > 16 trovate nell'XSC sono sovrarappresentative nei tipi primi rossi e sottorappresentative nei tipi tardivi blu. A r > 16 mag, l'XSC subisce un ulteriore effetto di selezione dal limite di risoluzione spaziale di 2-3 secondi d'arco di 2MASS. Pertanto, nell'intervallo 16 < r≤ 17 mag, 2MASS continua a rilevare il 90% dell'MGS, ma con una frazione crescente che si trova solo nel catalogo point-source (PSC). Nel complesso, un terzo dell'MGS viene rilevato nel PSC 2MASS ma non nell'XSC. È necessaria un'attenta considerazione dei diversi effetti di selezione di 2MASS e SDSS per produrre campioni abbinati utili. Una selezione combinata di K 13,57 e r≤ 16 mag-limitata fornisce l'inventario più rappresentativo delle galassie nel cosmo locale con misurazioni del vicino infrarosso e ottico e una completezza del 92,2 per cento. Utilizzando i dati della seconda versione dei dati SDSS, questo campione contiene 19 143 galassie con uno spostamento verso il rosso medio di 0,052.


Analisi di rilevamento della completezza delle magnitudini delle galassie - Astronomia

GLACiAR è uno strumento Python open source per simulazioni di ripristino e completezza dei sorgenti nelle indagini galattiche. Per una spiegazione più dettagliata, rivedere il documento https://arxiv.org/abs/1805.08985.

Per installare GLACiAR , gli utenti devono scaricare il sorgente da GitHub.

Python e SExtractor sono necessari per eseguire il programma. Consigliamo anche DS9 per visualizzare le immagini.

Suggeriamo agli utenti di scaricare Anaconda https://www.anaconda.com/download/ che include tutti i software necessari per eseguire GLACiAR.

GLACiAR utilizza un modulo che potrebbe non essere incluso nella maggior parte delle installazioni Python, ovvero pysysp.

  1. Scarica il codice sorgente da GitHub
  2. Modificare di conseguenza il file 'parameters.yaml'.
  3. Creare una directory che contenga le immagini per tutti i diversi campi e bande richiesti. In questa directory, GLACiAR creerà una sottocartella "Risultati". Tutti i file creati verranno salvati qui.
  4. Modifica 'dropouts.py' se necessario.
  5. Esegui 'completeness.py'

Modificare il file dei parametri 'parameters.yaml'.

File dei parametri

  • n_galassie: Numero di galassie da posizionare in ogni iterazione (predefinito = 100). Tipo = int.
  • n_iterazioni: Numero di iterazioni, ovvero il numero di volte in cui la simulazione verrà eseguita su ciascuna immagine per galassie con lo stesso redshift e magnitudine (predefinito = 100).
  • mag_bins: I numeri dei contenitori di grandezza desiderati. Per una simulazione eseguita da m1 = 24,0 a m2 = 25,0 in passi di 0,2 magnitudini, ci saranno 6 bin (predefinito = 20).
  • min_mag: Magnitudine più brillante delle galassie simulate (default = 24,1).
  • max_mag: La magnitudine più debole delle galassie simulate (default = 27,9).
  • z_bin: Il numero di contenitori redshift desiderati. Per una simulazione eseguita da z1 = 9,5 a m2 = 10,5 in passi di 0,2 magnitudini, ci saranno 6 bin (predefinito = 15).
  • min_z: Redshift minimo delle galassie simulate (default = 9.0).
  • max_z: Redshift massimo delle galassie simulate (default = 11.9).
  • n_bande: In quanti filtri sono state osservate le immagini. Se non specificato, genererà un errore.
  • rilevamento_banda: Questa è la fascia in cui vengono identificati gli oggetti. Le immagini scattate in questa banda saranno dove vengono inserite per la prima volta le galassie simulate. Se non specificato, genererà un errore.
  • bande: Nome delle bande. La banda di rilevamento deve andare per prima. Se non specificato, genererà un errore.
  • punti zero: Valore di punto zero corrispondente a ciascuna banda. Il valore predefinito è 25 per ogni banda.
  • guadagni_valori: Valori di guadagno per ogni banda. Se non specificato, genererà un errore.
  • lista_di_campi: File di testo contenente il nome dei campi in cui verrà eseguita la simulazione. Se non specificato, genererà un errore.
  • R_eff: Raggio effettivo in pixel. È il mezzo raggio di luce, i. e., il raggio entro metà della luce emessa dalla galassia è racchiuso (default = 2.5).
  • size_pix: Scala dei pixel per le immagini (default = 0.8).
  • percorso_di_immagini: Directory in cui si trovano le immagini. Il programma creerà una cartella al suo interno con i risultati. Se non specificato, genererà un errore.
  • nome_immagine: Nome delle immagini. Dovrebbero avere tutti lo stesso nome con la band scritta alla fine. Ad esempio: "nome_immagine+band.fits"
  • sersic_indices: Indici sersici per le galassie (default = [1,4]).
  • frazione_tipo_di_galassie: Frazione di galassie corrispondenti agli indici Sérsic dati (default = [0.5,0.5]).
  • min_sn: Rapporto minimo segnale/rumore nella banda di rilevamento per una galassia da considerare rilevata da SExtractor. (predefinito = 8.0)
  • abbandoni: Si o no. Boolean che indica se l'utente desidera eseguire una selezione di esclusione (impostazione predefinita = False).

File necessari per eseguire GLACiAR .

Immagini scientifiche: file con le immagini osservate del sondaggio inclusi tutti i campi e i filtri. In genere include diversi file di ogni tipo, anche se uno di ciascuno è sufficiente.

Elenco: file di testo con i nomi dei campi del sondaggio. Questo elenco viene fornito come parametro di input. La sua lunghezza minima è uno, ovvero il nome di un campo.

Parametri di SExtractor: Come spiegato in precedenza, uno dei passaggi del codice prevede l'esecuzione di SExtractor sulle immagini (originale e con galassie simulate). Per eseguire il software è necessario un file che definisca i parametri. C'è un esempio fornito in SExtractor\_files , ma consigliamo all'utente di cambiarlo in base ai propri dati.

Mappe RMS o mappe del peso: descrivono l'intensità del rumore a ciascun pixel in relazione all'immagine scientifica. Sebbene siano necessari solo se richiesti per i parametri SExtractor, si consiglia vivamente di utilizzarne uno per migliorare il rilevamento della sorgente.

PSF: Immagine della PSF che useremo per convolure con la galassia simulata. Dipende dallo strumento, dal telescopio e dal filtro. Alcuni PSF sono inclusi con GLACiAR , ma gli utenti dovrebbero aggiungere i propri se necessario.

Il codice è composto da diversi moduli che vengono chiamati da un modulo principale, completeness.py . Segue una loro descrizione.

write_conf_files.py : questo modulo è utilizzato in run_sextractor.py e legge il file dei parametri di SExtractor, che ha i criteri per identificare le fonti. Successivamente, scrive nuovi file di configurazione temporanei per ogni banda. Questi vengono utilizzati quando viene eseguito SExtractor.

run_sextractor.py : questo modulo è chiamato da completeness.py e chiama write_conf_files.py per scrivere il file dei parametri di SExtractor per ogni banda. Quindi distingue tra la banda di rilevamento e le altre bande. Funziona prima sulla banda di rilevamento, identifica le fonti ed esegue quindi SExtractor in modalità doppia. Ciò significa che la fotometria viene eseguita sulla posizione delle sorgenti presenti nella banda di rilevamento. Questo è fondamentale in modo che tutte le fonti possano essere confrontate e avere le loro informazioni in tutte le bande.

creation_of_galaxy.py : questo modulo esegue la maggior parte dei processi matematici coinvolti nel codice. Calcola il flusso per ciascuno dei pixel seguendo il profilo Sersic. Di conseguenza, esegue tutte le operazioni richieste per il profilo. Genera anche le posizioni casuali per le sorgenti simulate, genera lo spettro simulato e calcola il flusso previsto per quello spettro in una data banda.

blending.py : identifica lo stato di rilevamento e fusione di una sorgente. Lo fa confrontando le mappe di segmentazione, quelle dell'immagine scientifica originale e quelle con le fonti simulate. Estrae anche le informazioni dai cataloghi quando necessario per confrontare le grandezze per lo stato di fusione. Viene eseguito per ogni iterazione, quindi recupera un elenco con tutte le galassie in quell'iterazione e il loro stato.

dropouts.py : se i parametri dropouts sono impostati su "Sì" dall'utente, questo modulo viene chiamato da blending.py . Questo è un modulo più specifico in quanto è utile solo in caso di abbandono. Quello qui incluso ha i criteri di selezione di BoRG (Bernard et al. 2016), ma può essere modificato. Riceve informazioni sulle grandezze e sullo stato di tutte le sorgenti e quindi, in base ai loro colori e al rapporto segnale/rumore, classifica gli oggetti.

plot_completeness.py : questo modulo produce i grafici. Produce sempre la trama della completezza Cm) in funzione di redshift e magnitudo. A seconda delle esigenze dell'utente, può produrre un appezzamento di S(s,m) e S(s,m)C(m) anche.

completeness.py : modulo principale. Gestisce i file e chiama creation_of_galaxy.py per eseguire le operazioni matematiche per calcolare il flusso per le galassie simulate e le magnitudini previste. Chiama anche run_sextractor.py per eseguire il software di identificazione della sorgente sulle immagini e plot_completeness.py per produrre grafici. Da solo, questo modulo produce le caratteristiche delle galassie artificiali secondo i parametri di input. Apre le immagini, crea i timbri con i flussi calcolati, posiziona le galassie nelle posizioni date e le aggiunge alle immagini scientifiche. Quindi chiama il modulo per eseguire SExtractor e registra le statistiche relative al recupero delle fonti e anche lo stato individuale e le proprietà estratte degli oggetti simulati. Quindi produce le tabelle finali e i grafici.

Per stimare la completezza di un'indagine è necessario quantificare la frazione di galassie che non vengono rilevate. GLACiAR simula galassie artificiali con particolari caratteristiche (inserite dall'utente tramite un file di parametri) e le aggiunge alle immagini del rilievo. Successivamente, un software di identificazione della fonte viene eseguito sulle immagini scientifiche originali e sulle immagini con le fonti simulate. Entrambi i cataloghi vengono confrontati e viene misurata la frazione di galassie artificiali recuperate.

Questo processo viene ripetuto un dato numero di iterazioni per ogni bin di grandezza, bin redshift e numero di campi. Per ogni immagine, c'è anche un numero di galassie collocate in essa.

Un timbro di galassia artificiale viene creato seguendo i parametri forniti dall'utente, come magnitudine, redshift e raggio. Questa fonte viene quindi aggiunta all'immagine scientifica in posizioni casuali e la nuova immagine viene salvata come nuovo file. Questo file viene creato per ogni banda per la quale viene calcolata anche la magnitudo. Per calcolare l'ampiezza attesa in ciascuna banda, il programma genera uno spettro sintetico e quindi misura il flusso atteso in ciascuna banda. Tutte le galassie in un'iterazione hanno la stessa pendenza UV, il che viene fatto per risparmiare tempo.

Ora, le nuove informazioni sull'immagine sono pronte per essere estratte. Per fare ciò, exttt esegue prima l'immagine scientifica originale, crea un catalogo e quindi esegue su tutte le nuove immagini con gli stessi parametri di SExtractor.

SExtractor funziona in modalità doppia, questo significa che c'è una banda di identificazione. Tutte le sorgenti vengono prima identificate in questa banda e quindi l'informazione della sorgente (o assenza di) in detta posizione viene calcolata dalle immagini su ciascuna banda.

Il modo in cui vengono confrontati i cataloghi è controllando una griglia centrata nella posizione di input delle galassie. A seconda che sia stata rilevata una sorgente in quella griglia nella mappa di segmentazione dell'immagine scientifica originale o nella mappa di segmentazione dell'immagine scientifica con le galassie artificiali aggiunte, alle galassie artificiali verrà assegnato uno stato. Gli stati possibili sono:

  • Rilevato e isolato.
  • Rilevato e miscelato con un oggetto più debole.
  • Rilevato e miscelato con un oggetto più luminoso.
  • Rilevato al di sotto della soglia S/N.
  • Non rilevati.

Se richiesto dall'utente, il programma può eseguire un criterio di selezione redshift che abbiamo impostato qui come esempio, ed è da Bernard et al (2016.)

Infine, vengono generati grafici per C(m), S(z,m) e C(m)S(z,m).

Il codice produce un insieme di file, immagini e tabelle. Alcuni di essi vengono eliminati per motivi di spazio, mentre altri vengono conservati come risultato finale. Li elenchiamo di seguito in ordine di apparizione.

Le nuove immagini sono le immagini create che contengono i dati originali osservati dal sondaggio con l'aggiunta delle galassie simulate. Ogni iterazione nella simulazione produce un'immagine. Questi vengono salvati e quindi eliminati immediatamente dopo che SExtractor viene eseguito su di essi.

Il processo di identificazione dell'origine genera due serie di file. Uno di questi sono i cataloghi (descritti qui) e l'altro sono le mappe di segmentazione.

I cataloghi includono un elenco con tutte le fonti identificate nelle immagini e i loro parametri. A causa della struttura del codice, il primo file creato per un campo dell'indagine contiene le informazioni delle fonti reali così come viene eseguito sull'immagine scientifica originale. Oltre a ciò, per ogni iterazione della simulazione viene creato un catalogo con le informazioni delle fonti. L'intestazione del catalogo è mostrata di seguito:

  1. NUMBER Numero oggetto in esecuzione
  2. FLUX_ISO Flusso isofotonico [conteggio]
  3. FLUXERR_ISO Errore RMS per il flusso isofotale [conteggio]
  4. MAG_ISO Magnitudine isofotale [mag]
  5. Errore MAGERR_ISO RMS per magnitudo isofotale [mag]
  6. FLUX_APER Vettore di flusso all'interno di aperture circolari fisse [count]
  7. FLUXERR_APER Vettore di errore RMS per i flussi di apertura [count]
  8. MAG_APER Vettore magnitudine apertura fissa [mag]
  9. MAGERR_APER Vettore di errore RMS per mag. [mag]
  10. FLUX_AUTO Flusso all'interno di un'apertura ellittica simile a Kron [count]
  11. FLUXERR_AUTO Errore RMS per il flusso AUTO [conteggio]
  12. MAG_AUTO Magnitudine dell'apertura ellittica simile a Kron [mag]
  13. MAGERR_AUTO Errore RMS per magnitudo AUTO [mag]
  14. KRON_RADIUS Aperture Kron in unità di A o B
  15. BACKGROUND Sfondo in posizione baricentrica [count]
  16. X_IMAGE Posizione oggetto lungo x [pixel]
  17. Y_IMAGE Posizione dell'oggetto lungo y [pixel]
  18. ALPHA_J2000 Ascensione retta del baricentro (J2000) [deg]
  19. DELTA_J2000 Declinazione del baricentro (J2000) [deg]
  20. A_IMAGE Profilo RMS lungo l'asse maggiore [pixel]
  21. B_IMAGE Profilo RMS lungo l'asse minore [pixel]
  22. THETA_IMAGE Angolo di posizione (CCW/x) [gradi]
  23. FWHM_IMAGE FWHM assumendo un nucleo gaussiano [pixel]
  24. FWHM_WORLD FWHM assumendo un nucleo gaussiano [deg]
  25. BANDIERE Estrazione bandiere
  26. Uscita classificatore CLASS_STAR S/G
  27. FLUX_RADIUS Raggi della frazione di luce [pixel]
  • Mappe di segmentazione

Una mappa di segmentazione è una mappa con la definizione della posizione di una fonte e dei suoi confini trovati da un software di identificazione della fonte. In questo caso, sono prodotti da SExtractor. Per GLACiAR , possono essere classificate in due gruppi: le mappe di segmentazione dalle immagini scientifiche originali dell'indagine e quelle dalle immagini che includono le galassie simulate.

Insieme ai vecchi cataloghi delle fonti viene creata una mappa di segmentazione. Questo è un file .fits e viene mantenuto.

Le immagini con le galassie simulate produrranno nuove mappe di segmentazione con le stesse caratteristiche. L'unica differenza con il catalogo sopra descritto è l'inclusione delle nuove fonti rilevate. Questo file viene scartato per risparmiare spazio.

I principali risultati prodotti da GLACiAR possono essere riassunti in tre tabelle. Questi contengono le informazioni delle galassie inserite, incluse le loro proprietà di input e anche il loro stato e proprietà di output. Sono descritti di seguito.

La prima tabella contiene informazioni sulla statistica dei risultati in termini di fonti recuperate e di drop out (se specificato). Conta la quantità di sorgenti inserite per bin redshift e bin di grandezza e tiene traccia della quantità che corrisponde a ogni stato di rilevamento. Calcola inoltre l'ammontare dei recuperi totali su tutte le sorgenti simulate inserite, C(m). Se applicabile, conta il numero di dropout per ogni bin e calcola la frazione di questi sulla quantità totale di galassie inserite S(z,m) e sui dropout recuperati nell'intervallo di redshift richiesto sul numero di galassie simulate recuperate C(m)S(z,m). Di seguito un esempio della sua struttura con una breve descrizione delle colonne.

  1. z: Input redshift della galassia simulata.
  2. m: valore mediano del bin di magnitudine.
  3. N_Obj: Numero di oggetti inseriti per il corrispondente redshift e bin di grandezza in tutte le iterazioni.
  4. S(0): Numero di sorgenti artificiali recuperate da exttt che erano isolati.
  5. S(2,1): Numero di sorgenti artificiali recuperate che sono state fuse con un oggetto più debole.
  6. S(-1): Numero di sorgenti artificiali recuperate che sono state fuse con un oggetto più luminoso.
  7. S(-2): Numero di sorgenti artificiali che sono state rilevate da exttt con $S/N$ al di sotto della soglia richiesta.
  8. S(-3): Numero di sorgenti artificiali che non sono state rilevate da exttt.
  9. N_Rec: Numero di sorgenti artificiali recuperate, S(0)+S(2,1).
  10. N_Drop: numero di sorgenti artificiali che hanno superato i criteri di selezione dell'abbandono.
  11. Rec: Frazione di sorgenti artificiali non recuperate : N_Rec/N_Obj.
  12. Drop: Frazione di sorgenti artificiali che ha superato i criteri di selezione: N_Drop/N_Obj.

Complementare alla tabella precedente, l'algoritmo produce una tabella con ciascuna delle sorgenti inserite, le loro posizioni, l'ampiezza di ingresso, lo stato di blending e lo stato di rilevamento. Vengono prodotte diverse tabelle (una per ogni step di redshift) con tutte le galassie che sono state collocate nelle simulazioni a quel redshift. Fornisce una panoramica per comprendere le caratteristiche o le ragioni per rilevare o perdere un oggetto. Fornisce anche la loro grandezza rilevata nella banda di rilevamento e la loro dimensione. In sintesi, ci fornisce informazioni su come viene rilevata questa fonte invece delle informazioni di input su di essa.

  1. Mag iniziale: magnitudo corrispondente al flusso in ingresso per la stella. Questo non è lo stesso di Input Magnitude poiché la grandezza di input cambia a seconda del valore beta e delle dimensioni dell'oggetto.
  2. Iterazione: numero di iterazione.
  3. Numero ID: Numero di identificazione fornito da SExtractor dopo che è stato eseguito sull'immagine con le galassie simulate. Questo numero è unico per ogni iterazione per una data grandezza e redshift.
  4. Magnitudine in ingresso: Magnitudo corrispondente al flusso aggiunto all'interno di tutti i pixel che la sorgente include.
  5. Magnitudine di uscita: magnitudo della sorgente trovata con SExtractor dopo che è stata eseguita sull'immagine con le galassie simulate.
  6. Stato ID: numero intero che indica se una fonte è stata recuperata e/o combinata.

Viene prodotta un'ultima tabella, utile per la selezione del redshift. Dato che il numero di bande è variabile, questa tabella viene rilasciata in una rappresentazione binaria compatta specifica di Python (usando il modulo pickle). Contiene l'ID dell'oggetto, la grandezza di input, lo stato, le grandezze in tutte le bande e anche il S/N per ogni banda. Questo è un file importante per le stime/tecniche di selezione del redshift. Simile alle tabelle precedenti, contiene informazioni sulle caratteristiche di output/misurate degli oggetti rilevati. Contiene tutte le magnitudini in diverse bande, quindi è particolarmente utile per le stime fotometriche. A differenza delle altre due tabelle, questo non è un file ASCII in quanto non è efficiente e richiede troppe risorse.

GLACiAR produce anche un grafico della completezza e due grafici aggiuntivi se i parametri booleani dei dropout sono impostati su True. Il primo grafico corrisponde alla funzione di completezza C(m) in funzione della grandezza e del redshift. Il secondo e il terzo grafico sono S(z,m) e S(z,m)C(m). Questa viene prodotta solo nel caso venga applicata la tecnica del dropout, ma viste le tabelle prodotte da GLACiAR è facilmente calcolabile con i cataloghi definitivi.


Analisi di rilevamento della completezza delle magnitudini delle galassie - Astronomia

Questo SHAPLEY-AMES REVISIONATO (RSA) Il catalogo fornisce un campione particolarmente utile per gli studi statistici perché la copertura della velocità è quasi completa e perché la funzione di completezza del catalogo f (m) è ben determinato (pagina 4). Le funzioni di luminosità e densità delle galassie vicine possono essere ottenute dal RSA dati dai calcoli del bias (Sandage, Tammann e Yahil, 1979 Tammann, Yahil e Sandage, 1979 Yahil, Sandage e Tammann, 1980) che partono dalle distribuzioni apparenti di velocità, magnitudini apparenti e magnitudini assolute. Poiché le distribuzioni sono di per sé di interesse generale, ne riassumiamo alcune in questa sezione.

Distribuzione dei tipi morfologici

Gli istogrammi dei tipi sono riportati in Figura 1, suddivisi in famiglie ordinarie e barrate. I tipi nel catalogo principale hanno una suddivisione un po' più fine rispetto a quella mostrata in questa figura, poiché abbiamo combinato i casi di transizione (come E/S0, S0/a, Sab, Sbc) con i gruppi principali. In quei casi in cui il tipo è in dubbio e dove sono date due possibilità [come NGC 3390, elencato come tipo S03(8) o (Sb)], la galassia è stata contata due volte, una in ogni contenitore. Quindi la somma dei numeri è maggiore delle 1246 voci del catalogo.

La distribuzione delle tipologie è la seguente:

Notare le pochissime galassie di tipo Sd, SBd e successive. Ciò è dovuto interamente alla distorsione osservativa nell'apparente magnitudine limitata RSA causato dalla magnitudine assoluta media più debole di questi tipi rispetto a Sc, SBc e alle galassie precedenti. La densità dei tipi Sd e successivi per unità di volume di spazio, infatti, domina la vera distribuzione (vedi Tammann et al., 1979).

Distribuzione delle velocità

La distribuzione delle velocità v0, ovvero ridotto al baricentro del Gruppo Locale, è mostrato in Figura 2, suddiviso in intervalli di 250 km/s. Solo nove galassie delle 1245 elencate hanno velocità negative, e queste si trovano nel Gruppo Locale o si trovano entro 4° dal centro dell'Ammasso della Vergine. I casi della Vergine sono chiaramente nella coda della distribuzione della velocità viriale di quel cluster.

Questo diagramma di distribuzione osservato contiene le informazioni che, insieme alla distribuzione delle grandezze apparenti e assolute, consentono di calcolare le funzioni di luminosità, completezza e densità. Il calcolo inizia notando che il numero di galassie con velocità v nell'intervallo di velocità v che sono elencati nel RSA in una particolare regione del cielo di angolo solido è

dove H0 è la costante di Hubble, (M) è la funzione di luminosità differenziale (cioè il numero di galassie per unità di volume a M per unità di intervallo di magnitudo), f (m) la funzione di completezza, e D(v) = 1 caso omogeneo]. Si assume una relazione velocità-distanza lineare e le variabili sono collegate da m = M + 5 log v + 16.51, which assumes a Hubble constant of 50 km/s Mpc.

Use of the (M), f (m), e D(v) functions determined from these data (Sandage et al., 1979 Tammann et al., 1979 Yahil et al., 1980) reproduces the histogram in Figure 2 by summing the separate calculations from this equation, providing that the sky is divided into coherent regions over which particular values of the density D(v) have relevance.

Note from Figure 2 the few numbers of RSA galaxies with v0 > 4000 km s -1 . Hence, the grasp of the catalog is hardly further than

80 Mpc with any statistical significance.

Distribution of Apparent Magnitudes and the Completeness Factors

Figure 3 shows the distribution of BT magnitudes, not corrected for Galactic absorption (UN 0 of Column 13) nor for internal absorption (UN i of Column 14). A histogram (not shown) of corrected magnitudes BT 0,i is similar, but is, of course, shifted toward brighter magnitudes. The expected count per magnitude interval A(BT) can be calculated from the fundamental equation of stellar statistics with the adopted (M), f (m), and density functions. And because these functions were determined from the reverse analysis of Figures 2 and 3, the agreement of the prediction with the observed distribution of Figure 3 is of course good.

The incompleteness of the RSA is shown in Figure 4, where the solid histogram represents counts in the RSA for galaxies with declinations north of -3°. The hatched histogram is for galaxies from the Table of Additional Bright Galaxies in Appendix A. These should have been included in the original Shapley-Ames but were not. The completeness function f (m) agrees well with the ratio of the hatched to the solid histograms at any given apparent magnitude.

The incompleteness begins at about BT 12 m and becomes severe by BT = 12 m .5. Surprisingly, however, there are a number of galaxies even brighter than BT = 12 m .0 that should also have been included. Ten of these are low-surface-brightness dwarfs (MB - 17 m .0). Two additional galaxies (IC 342 and the Circinus system) lie at very low Galactic latitude. This shows the strong bias of the SA against low-surface-brightness galaxies. The brightest full-sized systems whose absence in the SA cannot be explained in this way are NGC 676, NGC 3507, and NGC 660.

For convenience we list the 20 known galaxies that are brighter than BT = 12 m .0 missing from the RSA. The absolute magnitudes are from Kraan-Korteweg and Tammann (1979).

Distribution of Absolute Magnitudes

The distribution of absolute magnitudes for all galaxies in the catalog with redshifts is shown in Figure 5. The very few galaxies fainter than MBT 0, i = - 18 m is a result of the intrinsic bias of the magnitude-limited catalog. The absolutely fainter galaxies are denied entry into the listing in appreciable numbers because the apparent magnitude limit is too bright for distances where the volume becomes sufficiently large. This natural bias is so severe that the true differential luminosity function rises monotonically from MB -23 m to at least -16 m , whereas the apparent distribution in Figure 5 begins to fall already fainter than MB -22 m . The method of calculating this apparent distribution from the luminosity and completeness functions is given elsewhere (Sandage, Tammann, and Yahil, 1979).

For convenience we list here the 13 RSA galaxies that are brighter than MBT 0, i = -23 m .0 and the 11 galaxies fainter than MBT 0, i = -17 m .0.

The comparison of the maximum luminosity of E and spiral galaxies depends, of course, on the adopted correction for intrinsic absorption. Without corrections, the brightest spiral is NGC 1961 with MBT 0, i = - 23 m .04 which is


Discussion and Perspectives on Data Mining

We reviewed some standard approaches to estimate the completeness magnitude m c and ported the recent ALMM mixture and BMC mapping methods to the induced seismicity context. We provided various estimates of m c , b (Table 2) and detection parameter k so that better informed choices could be made in future statistical analyses of induced seismicity. We observed that the k -value for induced seismicity is compatible with the one obtained for natural seismicity, suggesting a common detection process although uncertainties are high. We also provided the first parameterization of the BMC prior for three-dimensional seismicity clouds.

The present study could help refine future seismic hazard analyses, since the parameter m c is a prerequisite to the estimation of the hazard inputs: the a - and b -values of the Gutenberg-Richter law. In contrast to the tectonic regime, the a -value is normalized to the total injected volume V for comparisons across stimulations, so that N ( ≥ m ) = V 10 a f b − b m with a f b the normalized a -value, called underground feedback parameter in Mignan et al. (2017) and seismogenic index in poroelasticity parlance (e.g., Dinske and Shapiro, 2013). The term a f b is agnostic, while alternatives to poroelasticity exist (e.g., Mignan, 2016). A priori knowledge of the Gutenberg-Richter parameters is required in pre-stimulation risk assessment (e.g., Mignan et al., 2015 Broccardo et al., 2020), and the parameterization may be updated during stimulations via a dynamic traffic light system (e.g., Broccardo et al., 2017 Mignan et al., 2017). Note also that the maximum magnitude m m a s relates directly to b (e.g., van der Elst et al., 2016 Broccardo et al., 2017).

We first showed the impact of m c values on b and selected q 90 ( m c , o b s ) as conservative estimates. We also found that the ALMM does not provide any new insight to the problem and is hampered by fluctuations in the non-cumulative MFD observed in some experiments. As a consequence, m c mapping remains the best alternative and is simple enough to implement.

While m c also alters a f b via b , we can consider another aspect that may improve our knowledge of the underground feedback. It has been observed that a f b significantly varies across sites and across stimulations at a same site (e.g., Dinske and Shapiro, 2013 Mignan et al., 2017) which may lead to risk aversion of potential investors in geo-energy for instance (Mignan et al., 2019). One may difficultly infer a f b from the literature when no information about completeness is given, which is especially true for early articles. However, we can now estimate a f b despite the total number of events induced N ( ≥ m ? ) being potentially ambiguous. To illustrate the problem posed, let us consider the 1988 stimulation at Hijiori, Japan. We learn from Sasaki (1998) that N ( ≥ m ? ) = 65 micro-earthquakes were observed above m ? = − 4 (their Figure 6) for an injected volume V = 2,000  m 3 . The equation a f b = l o g 10 ( N ( ≥ m ? ) / V ) + b m ? is valid only if m ? ≥ m c . Information in Sasaki (1998) is however ambiguous, and we may have m ? = m i n ( m ) < m c instead, which would underestimate the underground feedback activation since the data would then be incomplete. Considering all datasets of Table 1 with N t o t > 200 , we can estimate from their censored data the metrics δ m = m c − m i n ( m ) and γ = N ( ≥ m c ) / N ( ≥ m i n ( m ) ) which range on the intervals [ 0.8 , 1.9 ] and [ 0.20 , 0.37 ] , respectively (with no trend observed). The distributions are shown in Figure 6A alongside the corrected underground feedback parameter a f b , c o r r e c t e d = l o g 10 ( γ N ( ≥ m i n ( m ) ) / V ) + b ( m i n ( m ) + δ m ) . Assuming δ m and γ representative (and b = 1 , see Results of a StandardmcAnalysis), the 1988 Hijiori underground feedback activation may be a f b , c o r r e c t = − 5.5 if m ? = m c , or a f b , c o r r e c t e d = [ − 5.4 , − 3.9 ] if m ? = m i n ( m ) . Despite the ambiguity, an estimate may therefore still be provided. A review of the literature could provide additional values from other fluid injections to better constrain the range of a f b to be considered as a priori information in risk assessment, which is so far potentially biased toward high a f b values (e.g., Mignan et al., 2017).

FIGURE 6. Induced seismicity data mining potential from completeness analysis. (A) Estimating the underground feedback parameter a f b despite potential ambiguity on the minimum magnitude cutoff mentioned in the literature, by using information on δ m = m c − m i n ( m ) and γ = N ( ≥ m c ) / N ( ≥ m i n ( m ) ) obtained for the sites considered in the present study (histograms) – a f b estimates given for b = 1 , N ( ≥ m ? ) = 65 and V = 2,000  m 3 (1988 Hijiori case) (B) Predicting the completeness level of a planned seismic network configuration using the prior model f p r i o r ( d 3 ) of the BMC method (here with 8 stations, 7 randomly distributed at the surface and 1 located at the ad-hoc borehole with coordinates ( 5,5 , − 6 )  km).

Finally, if the BMC method allows defining robust m c maps (no spatial gap, uncertainty constrained by the seismic network configuration), BMC may be even more useful for seismic network planification (e.g., Kraft et al., 2013) prior to new stimulations. Seismic safety criteria can be mapped into magnitude thresholds not to be crossed (Mignan et al., 2017), which tell us the completeness magnitude level required for sound statistical analysis. One can then use the BMC prior f p r i o r ( d 3 ) to test how a completeness level can be achieved given a seismic network configuration. Figure 6B illustrates such an application. The two approaches presented in Figure 6 demonstrate how induced seismicity data mining can be done from completeness magnitude knowledge, which in turn can improve induced seismicity monitoring, modeling and managing.


Detection capability of seismic network based on noise analysis and magnitude of completeness

Assessing the detection threshold of seismic networks becomes of increased importance namely in the context of monitoring induced seismicity due to underground operations. Achieving the maximum possible sensitivity of industrial seismic monitoring is a precondition for successful control of technological procedures. Similarly, the lowest detection threshold is desirable when monitoring the natural seismic activity aimed to imaging the fault structures in 3D and to understanding the ongoing processes in the crust. We compare the application of two different methods to the data of the seismic network WEBNET that monitors the earthquake swarm activity of the West-Bohemia/Vogtland region. First, we evaluate the absolute noise level and its possible non-stationary character that results in hampering the detectability of the seismic network by producing false alarms. This is realized by the statistical analysis of the noise amplitudes using the ratio of 99 and 95 percentiles. Second, the magnitude of completeness is determined for each of the nine stations by analysing the automatic detections of an intensive swarm period from August 2011. The magnitude–frequency distributions of all detected events and events detected at individual stations are compared to determine the magnitude of completeness at a selected completeness level. The resulting magnitude of completeness M c of most of the stations varies between −0.9 and −0.5 an anomalous high M c of 0.0 is found at the most distant station, which is probably due to inadequate correction for attenuation. We find that while the absolute noise level has no significant influence to the station sensitivity, the noise stationarity correlates with station sensitivity expressed in low magnitude of completeness and vice versa. This qualifies the method of analysing the stationary character of seismic noise as an effective tool for site surveying during the seismic station deployment.

This is a preview of subscription content, access via your institution.


NGC 4993

1178 elliptical and S0 galaxies, of which 984had no previous measures. This sample contains the largest set ofhomogeneous spectroscopic data for a uniform sample of ellipticalgalaxies in the nearby universe. These galaxies were observed as part ofthe ENEAR project, designed to study the peculiar motions and internalproperties of the local early-type galaxies. Using 523 repeatedobservations of 317 galaxies obtained during different runs, the dataare brought to a common zero point. These multiple observations, takenduring the many runs and different instrumental setups employed for thisproject, are used to derive statistical corrections to the data and arefound to be relatively small, typically

4600 to 6600 Å) includes the Lick/IDS indices Hβ,Mg1, Mg2, Mgb, Fe5015, Fe5270, Fe5335, Fe5406,Fe5709, Fe5782, NaD, TiO1 and TiO2. The data areintended to address possible differences of the stellar populations ofearly-type galaxies in low- and high-density environments. This paperdescribes the sample properties, explains the data reduction andpresents the complete list of all the measurements. Most galaxies of thesample (85%) had no previous measurements of any Lick/IDS indices andfor 30% of the galaxies we present first-time determinations of theirvelocity dispersions. Special care is taken to identify galaxies withemission lines. We found that 62 per cent of the galaxies in the samplehave emission lines, as measured by the equivalent width of the [OIII]5007Å line, EW[OIII] > 0.3 Å. Tables 5 and 6 are onlyavailable in electronic form at the CDS via anonymous ftp tocdsarc.u-strasbg.fr (130.79.128.5) or via http://cdsweb.u-strasbg.fr/cgi-bin/qcat?J/ A+A/395/431. They are also available via ftp atftp.mpe.mpg.de in the directory people/dthomas/Beuing02 or via WWW atftp://ftp.mpe.mpg.de/people/dthomas/Beuing02.

2.2. We demonstrate the influence of group-dominant galaxies on the fitand present evidence that the relation is not well modelled by a singlepower-law fit. We also derive estimates of the contribution to galaxyX-ray luminosities from discrete-sources and conclude that they provideLdscr/LB

=29.5ergs-1LBsolar-1. Wecompare this result with luminosities from our catalogue. Lastly, weexamine the influence of environment on galaxy X-ray luminosity and onthe form of the LX:LB relation. We conclude thatalthough environment undoubtedly affects the X-ray properties ofindividual galaxies, particularly those in the centres of groups andclusters, it does not change the nature of whole populations.

60%) are found tobe members of galaxy pairs (

15% of objects)or groups with at least three members (

500 groups for a total of

45%of objects). About 40% of galaxies are left ungrouped (field galaxies).We illustrate the main features of the NOG galaxy distribution. Comparedto previous optical and IRAS galaxy samples, the NOG provides a densersampling of the galaxy distribution in the nearby universe. Given itslarge sky coverage, the identification of groups, and its high-densitysampling, the NOG is suited to the analysis of the galaxy density fieldof the nearby universe, especially on small scales.


Multi-Component Photometric Models of Nearby Ellipticals

Motivated by recent developments in our understanding of the formation and evolution of massive galaxies, we explore the detailed photometric structure of a representative sample of 94 bright, nearby elliptical galaxies, using high-quality optical images from the Carnegie-Irvine Galaxy Survey. The sample spans a range of environments and stellar masses, from stellar mass = 10 10.2 to 10 12.0 solar mass. We exploit the unique capabilities of two-dimensional image decomposition to explore the possibility that local elliptical galaxies may contain photometrically distinct substructure that can shed light on their evolutionary history. Compared with the traditional one-dimensional approach, these two-dimensional models are capable of consistently recovering the surface brightness distribution and the systematic radial variation of geometric information at the same time. Contrary to conventional perception, we find that the global light distribution of the majority (>75\%) of elliptical galaxies is not well described by a single Sersic function. Instead, we propose that local elliptical galaxies generically contain three subcomponents, a compact (Re

1 kpc) inner component with luminosity fraction f

0.1-0.15 an intermediate-scale (Re

2.5 kpc) middle component with f

0.2-0.25 and a dominant (f=0.6), extended (Re

10 kpc) outer envelope. All subcomponents have average Sersic indices n

1-2, significantly lower than the values typically obtained from single-component fits. The individual subcomponents follow well-defined photometric scaling relations and the stellar mass-size relation. We discuss the physical nature of the substructures and their implications for the formation of massive elliptical galaxies.



Commenti:

  1. Vim

    È arrivato casualmente su un forum e ha visto questo tema. Posso aiutarti il ​​consiglio. Insieme possiamo trovare la decisione.

  2. Archambault

    Accetto volentieri. A mio parere, è attuale, prenderò parte alla discussione. Lo so, che insieme possiamo arrivare a una risposta giusta.



Scrivi un messaggio