Astronomie

Analyse de détection de complétude des magnitudes de galaxies

Analyse de détection de complétude des magnitudes de galaxies

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.

AH wI ut xd qx wQ Iq VD wb fo Ui NE fV Hh Cz il dO

J'ai une grandeur d'après l'observation. Je voudrais trouver l'exhaustivité de la détection de la magnitude. Je veux tracer la figure comme ça en python

Comment tracer la complétude et l'ampleur de la détection de mes données

importer numpy en tant que np depuis astropy.table importer Table data=Table.read('magnitude_data.fits') plt.hist('data['NB821'],bins=30)

S'il vous plaît laissez-moi savoir comment tracer comme ça.


Analyse de détection de complétude des magnitudes de galaxies - Astronomie

Une nouvelle recherche de galaxies actives a été menée à l'aide du télescope Schmidt de 1 mètre de l'ESO, afin de constituer un échantillon de raies d'émission et d'objets en excès ultraviolet. La stratégie d'observation était axée sur l'obtention d'une détection plus profonde et d'une meilleure complétude sur les objets de faible magnitude apparente que ceux obtenus lors des relevés précédents. La procédure de réduction vise un rendement astrophysique maximal avant tout suivi complémentaire, nous nous attendons donc à une sélection facile de cibles intéressantes à partir du catalogue de galaxies candidates (à publier ultérieurement) lorsque de futures observations seront planifiées. Les décalages vers le rouge sont mesurés sur des plaques prismatiques de l'objectif de Schmidt avec une précision moyenne de 160 km s^-1^ Cette précision a été vérifiée au moyen de vitesses publiées jusqu'à 5000 km s^-1^, mais les galaxies à raie d'émission détectées présentent des décalages vers le rouge à z = 0,06. Les magnitudes R, les couleurs (U-R), les diamètres isophotes, les brillances de surface et les paramètres morphologiques quantitatifs sont dérivés des plaques directes bicolores U/R. Les couleurs sont liées au système U, R Basel au moyen d'une comparaison statistique de la distribution des couleurs instrumentales de l'étoile de terrain avec la distribution des couleurs de l'étoile de terrain Basel à une latitude galactique symétrique La précision du point zéro (UR)_Basel_ est au mieux de 0,10 magnitude . Les magnitudes asymptotiques R sont calibrées dans le système Cousins ​​avec des galaxies de petit diamètre ESO-LV, et sont supposées être précises à 0,30 magnitude. La magnitude limite R attendue de l'enquête est de 18,5. Le présent article se limite à une description de la méthodologie, illustrée par des résultats préliminaires obtenus dans deux domaines.


Analyse de détection de complétude des magnitudes de galaxies - Astronomie

La profondeur de la tuile d'enquête est mesurée par la limite de complétude. Il est déterminé pour chaque pile et chaque filtre séparément. La profondeur est également vérifiée en utilisant les comptages de galaxies calculés après la production de chaque pile, dans le cadre de l'analyse QualityFITS. Tous les tracés de comptage de galaxies complets sont disponibles à partir du tableau synoptique T0007 22 .

Pour calculer la limite de complétude, nous avons utilisé des simulations d'images produites par SkyMaker ( ? ). Des images silencieuses de sources ponctuelles (étoiles ou renflements de galaxies) et de type disque (galaxies spirales) ont été simulées en combinant des modèles de sphéroïde et de disque, en utilisant respectivement des profils de lumière de Vaucouleur et exponentiels. Les densités de nombre d'étoiles et de galaxies des sources simulées correspondent aux attentes pour les temps d'exposition typiques du CFHTLS. Leur pente et leur normalisation sont basées sur une fonction de luminosité réaliste dans une cosmologie standard Λ -CDM (pour les galaxies), et sont produites en fonction de la transmission des filtres MegaCam.

Les sources sont ensuite convoluées par une PSF qui prend en compte la pupille du télescope CFHT (miroirs et bras) et d'autres composants de la PSF. Le PSF est construit en utilisant la diffraction et les composants d'aberration les plus simples du télescope CFHT, ainsi que les contributions atmosphériques typiques qui dégradent les longues expositions. Un ensemble de simulations est produit avec PSF FWHM allant de 0 . 4 ′′ à 1 . 3 ′′ . Pour chaque pile, les images simulées avec la PSF la plus proche en taille FWHM sont ensuite utilisées pour calculer la complétude finale. Cette méthode “adaptative FWHM” donne lieu à une plus grande dispersion dans la distribution de complétude par rapport à T0006. L'exhaustivité du T0007 englobe à la fois le temps d'exposition et l'effet de profondeur, ainsi que la qualité de l'image. La complétude de la source ponctuelle est donc plus affectée que celle des objets étendus.

La limite d'exhaustivité est ensuite dérivée de la valeur d'exhaustivité moyenne sur les champs centraux 10000 × 10000 MegaCam. Les statistiques sont calculées dans chaque champ séparément et pour chaque filtre. La sortie est la fraction des sources détectées et mesurées en fonction de l'amplitude. Les magnitudes à 80 % et 50 % de complétude sont données pour des sources ponctuelles (étoile ou renflement) et pour des sources étendues (disques).

Les valeurs de complétude à 80 % et 50 % sont calculées à partir d'un processus d'ajustement automatisé appliqué aux catalogues de sources réelles et simulées sans réglage. Les grandeurs limites sont dérivées automatiquement par deux paramètres empiriques ( x 0 α ) fonction de montage

(12)

où x 0 fournit la position de retournement de la fonction de complétude et α est la pente de la fonction en x 0 . Les paramètres ( x 0 α ) se trouvent à partir d'une minimisation standard χ 2. Les limites d'exhaustivité à 50 % et 80 % sont dérivées d'une interpolation linéaire. Un exemple d'ajustement est donné sur la Fig. 28 . Dans certains cas, l'ajustement et l'interpolation ne sont pas bons et la valeur de complétude est alors mal estimée.

Les distributions de complétude sur tous les champs Wide et à l'intérieur d'un champ Wide sont présentées dans le tableau ?? . Le panneau de gauche de la figureꀩ montre la distribution d'exhaustivité pour l'ensemble de l'enquête Wide pour les quatre champs. La figureꀰ montre les distributions de complétude pour chacun des quatre patchs Wide.

Les histogrammes couplés à une inspection détaillée des données montrent que la dispersion moyenne en totalité est de 0 . 20 grandeurs, avec des variations importantes d'un filtre à l'autre. La distribution de complétude dans la bande z est plus large que celle des autres filtres, avec une queue qui s'étend sur une grandeur. En revanche, la distribution de la bande r est plus étroite ( 0,15 mag.). Cela est principalement dû aux grandes variations de la luminosité du ciel au cours des années dans cette bande photométrique (raies d'émission OH), provoquant la profondeur variable sur les observations suivant un modèle de temps d'exposition fixe. Un comportement erratique des raies d'émission OH conduit également à une plus mauvaise correction des franges, aggravant la situation dans la bande z.

La figureꀲ montre une série de cartes de complétude sur l'ensemble des champs larges. Les cartes sont produites pour chaque champ large et pour chaque filtre.

Les panneaux gauche et droit de la Figureꀱ montrent que la distribution de complétude est dominée par la vision, à la fois pour les sources ponctuelles et les objets étendus : une meilleure qualité d'image correspond à des images plus profondes. Comparé à la contribution visuelle, le temps d'exposition (même avec un temps d'exposition double) a une influence moindre sur la mesure de profondeur finale. Pour la bande u*, la gamme de profondeur limite est probablement élargie par la diversité des conditions d'observation (Lune, extinction, vision). Néanmoins, (autre que le temps d'exposition), le principal facteur affectant l'intégralité de l'image est le Seeing FWHM.

La comparaison avec l'exhaustivité de T0006 n'est pas simple. Dans T0006, les simulations ont été réalisées en utilisant une PSF de FWHM fixe égale à 0,9 sec d'arc. Dans T0007, la taille PSF simulée correspond à la taille PSF réelle de chaque tuile. Étant donné que la distribution visuelle réelle culmine à une qualité d'image supérieure à 0,9 seconde d'arc, l'exhaustivité mesurée par le T0007 des sources ponctuelles est plus profonde que le T0006. Cette augmentation de la profondeur (de l'ordre de 0,02 à 0,03 mag en riyz) est donc largement due à la technique de mesure plutôt qu'aux modifications des images.


Analyse de détection de complétude des magnitudes de galaxies - Astronomie

Le Two Micron All Sky Survey (2MASS) fournit l'ensemble de données le plus complet sur les propriétés des galaxies dans le proche infrarouge. Nous corrélons la sélection spectroscopique bien définie et très complète de plus de 155 000 galaxies brillantes (r≤ 17,5 mag) dans l'échantillon de galaxie principale (MGS) du Sloan Digital Sky Survey (SDSS) avec les sources 2MASS pour explorer la nature et l'exhaustivité de la Sélection 2MASS (bande K) des galaxies proches. En utilisant des estimations de la luminosité totale de la galaxie directement à partir des catalogues publics 2MASS et SDSS, corrigées uniquement pour l'extinction galactique, nous constatons que 2MASS détecte 90 % du MGS plus brillant que r = 17 mag. Nous quantifions la complétude des galaxies 2MASS en termes de propriétés optiques à partir de SDSS. Pour r≤ 16 mag, 94,6% du MGS se trouve dans le catalogue de sources étendu 2MASS (XSC). Ces détections couvrent la gamme représentative des propriétés optiques et du proche infrarouge des galaxies, mais avec un biais dépendant de la luminosité de la surface pour manquer de préférence les sources à l'extrémité bleue extrême et à faible concentration de l'espace des paramètres, ce qui est cohérent avec le type le plus morphologiquement tardif. population de galaxies. Une complétude XSC de 97,6 % est réalisable à des magnitudes brillantes, les galaxies bleues à faible luminosité de surface étant la seule source majeure d'incomplétude, si l'on suit nos critères d'appariement minutieux et élimine les sources SDSS parasites. Nous concluons que la baisse rapide de la complétude XSC à r > 16 mag reflète la limite de luminosité de surface nette de l'algorithme de détection de source étendu dans 2MASS. En conséquence, les galaxies r > 16 trouvées dans le XSC sont sur-représentatives dans les types précoces rouges et sous-représentatives dans les types tardifs bleus. À r > 16 mag, le XSC subit un effet de sélection supplémentaire de la limite de résolution spatiale de 2 à 3 secondes d'arc de 2MASS. Par conséquent, dans la plage 16 < r≤ 17 mag, 2MASS continue de détecter 90 pour cent du MGS, mais avec une fraction croissante trouvée dans le catalogue de sources ponctuelles (PSC) uniquement. Globalement, un tiers du MGS est détecté dans le 2MASS PSC mais pas dans le XSC. Un examen attentif des différents effets de sélection de 2MASS et SDSS est nécessaire pour produire des échantillons appariés utiles. Une sélection combinée limitée au mag K≤ 13,57 et r mag 16 fournit l'inventaire le plus représentatif des galaxies du cosmos local avec des mesures optiques et dans le proche infrarouge, et une complétude de 92,2 %. En utilisant les données du SDSS Second Data Release, cet échantillon contient 19 143 galaxies avec un décalage vers le rouge médian de 0,052.


Analyse de détection de complétude des magnitudes de galaxies - Astronomie

GLACiAR est un outil python open source pour les simulations de récupération et d'exhaustivité des sources dans les relevés de galaxies. Pour une explication plus détaillée, veuillez réviser le document https://arxiv.org/abs/1805.08985 .

Pour installer GLACiAR , les utilisateurs doivent télécharger la source depuis GitHub.

Python et SExtractor sont nécessaires pour exécuter le programme. Nous recommandons également DS9 pour visualiser les images.

Nous suggérons aux utilisateurs de télécharger Anaconda https://www.anaconda.com/download/ qui comprend tous les logiciels nécessaires pour exécuter GLACiAR.

GLACiAR utilise un module qui peut ne pas être inclus dans la plupart des installations python, qui est pysysp.

  1. Téléchargez le code source depuis GitHub
  2. Modifiez le fichier 'parameters.yaml' en conséquence.
  3. Créez un répertoire qui contient les images pour tous les différents champs et bandes requis. Dans ce répertoire, un sous-dossier 'Results' sera créé par GLACiAR . Tous les fichiers créés seront enregistrés ici.
  4. Modifiez 'dropouts.py' si nécessaire.
  5. Exécutez 'completeness.py'

Modifiez le fichier de paramètres 'parameters.yaml'.

Fichiers de paramètres

  • n_galaxies : Nombre de galaxies à placer dans chaque itération (par défaut = 100). Type = entier.
  • n_itérations : Nombre d'itérations, c'est-à-dire le nombre de fois que la simulation va être exécutée sur chaque image pour les galaxies avec le même redshift et la même magnitude (par défaut = 100).
  • mag_bins : Le nombre de bacs de magnitude souhaités. Pour une simulation exécutée de m1 = 24,0 à m2 = 25,0 par pas de 0,2 magnitude, il y aura 6 cases (par défaut = 20).
  • min_mag : Magnitude la plus brillante des galaxies simulées (par défaut = 24,1).
  • max_mag : Magnitude la plus faible des galaxies simulées (par défaut = 27,9).
  • z_bins : Le nombre de bacs redshift recherchés. Pour une simulation exécutée de z1 = 9,5 à m2 = 10,5 par pas de 0,2 magnitude, il y aura 6 cases (par défaut = 15).
  • min_z : Redshift minimum des galaxies simulées (par défaut = 9.0).
  • max_z : Décalage vers le rouge maximum des galaxies simulées (par défaut = 11,9).
  • n_bandes : Dans combien de filtres les images ont été observées. S'il n'est pas spécifié, cela générera une erreur.
  • détection_bande : C'est la bande dans laquelle les objets sont identifiés. Les images prises dans cette bande seront celles où les galaxies simulées sont placées pour la première fois. Si ce n'est pas spécifié, cela générera une erreur.
  • bandes: Nom des groupes. La bande de détection doit passer en premier. S'il n'est pas spécifié, il générera une erreur.
  • points zéro : Valeur du point zéro correspondant à chaque bande. La valeur par défaut est 25 pour chaque bande.
  • gain_values : Gagnez des valeurs pour chaque bande. S'il n'est pas spécifié, il générera une erreur.
  • list_of_fields : Fichier texte contenant le nom des champs où la simulation va être exécutée. S'il n'est pas spécifié, il générera une erreur.
  • R_eff : Rayon effectif en pixels. C'est le rayon de demi-lumière, i. e., le rayon dans la moitié de la lumière émise par la galaxie est inclus (par défaut = 2,5).
  • size_pix : Échelle de pixels pour les images (par défaut = 0,8).
  • chemin_vers_images : Répertoire où se trouvent les images. Le programme créera un dossier à l'intérieur avec les résultats. S'il n'est pas spécifié, il générera une erreur.
  • nom_image : Nom des images. Ils devraient tous avoir le même nom avec le groupe écrit à la fin. Par exemple : "nom_image+bande.fits"
  • indices_sersic : Indices Sérsic pour les galaxies (défaut = [1,4]).
  • fraction_type_of_galaxies : Fraction de galaxies correspondant aux indices Sérsic donnés (par défaut = [0,5,0,5]).
  • min_sn : Rapport signal sur bruit minimum dans la bande de détection pour une galaxie à considérer comme détectée par SExtractor. (par défaut = 8.0)
  • abandons : Oui ou non. Booléen qui indique si l'utilisateur souhaite exécuter une sélection de suppression (par défaut = False).

Fichiers requis pour exécuter GLACiAR .

Images scientifiques : Fichiers avec les images observées de l'enquête, y compris tous les champs et filtres. Il comprend généralement plusieurs fichiers de chaque type, bien qu'un de chaque soit suffisant.

Liste : Fichier texte avec les noms des champs de l'enquête. Cette liste est donnée en paramètre d'entrée. Sa longueur minimale est de un, c'est-à-dire le nom d'un champ.

Paramètres SExtractor : Comme expliqué précédemment, une des étapes du code consiste à exécuter SExtractor sur les images (originales et avec des galaxies simulées). Pour exécuter le logiciel, un fichier définissant les paramètres est nécessaire. Il existe un exemple fourni sous SExtractor\_files , mais nous recommandons à l'utilisateur de le modifier en fonction de ses données.

Cartes RMS ou cartes de poids : elles décrivent l'intensité du bruit à chaque pixel par rapport à l'image scientifique. Bien qu'ils ne soient nécessaires que s'ils sont requis pour les paramètres SExtractor, il est fortement recommandé d'en utiliser un afin d'améliorer la détection de la source.

PSF : Image de la PSF que nous allons utiliser pour convoluer avec la galaxie simulée. Cela dépend de l'instrument, du télescope et du filtre. Certains PSF sont inclus avec GLACiAR , mais les utilisateurs doivent ajouter les leurs si nécessaire.

Le code est composé de plusieurs modules qui sont appelés par un module principal, completeness.py . Une description d'entre eux suit.

write_conf_files.py : Ce module est utilisé dans run_sextractor.py et lit le fichier de paramètres SExtractor, qui a les critères pour identifier les sources. Par la suite, il écrit de nouveaux fichiers de configuration temporaires pour chaque bande. Ceux-ci sont utilisés lorsque SExtractor est exécuté.

run_sextractor.py : Ce module est appelé par completeness.py , et il appelle write_conf_files.py pour écrire le fichier de paramètres SExtractor pour chaque bande. Il fait alors la distinction entre la bande de détection et les autres bandes. Il fonctionne d'abord sur la bande de détection, identifie les sources, puis exécute SExtractor en mode double. Cela signifie que la photométrie est effectuée sur l'emplacement des sources trouvées dans la bande de détection. Ceci est crucial pour que toutes les sources puissent être comparées et avoir leurs informations dans toutes les bandes.

creation_of_galaxy.py : Ce module effectue la plupart des processus mathématiques impliqués dans le code. Il calcule le flux pour chacun des pixels suivant le profil Sersic. En conséquence, il effectue toutes les opérations requises pour le profil. Il génère également les positions aléatoires des sources simulées, génère le spectre fictif et calcule le flux attendu pour ce spectre dans une bande donnée.

blending.py : Il identifie l'état de détection et de mélange d'une source. Pour ce faire, il compare les cartes de segmentation, celles de l'image scientifique originale et celles avec les sources simulées. Il extrait également des informations des catalogues lorsque cela est nécessaire afin de comparer les magnitudes pour l'état de mélange. Il s'exécute pour chaque itération, il récupère donc une liste avec toutes les galaxies de cette itération et leur statut.

dropouts.py : Si le paramètre dropouts est mis à "Oui" par l'utilisateur, ce module est appelé par blending.py . Il s'agit d'un module plus spécifique car il n'est utile qu'en cas d'abandon. Celui inclus ici a les critères de sélection du BoRG (Bernard et al. 2016), mais il peut être modifié. Il reçoit des informations sur les magnitudes et l'état de toutes les sources puis, en fonction de leurs couleurs et du rapport signal/bruit, classe les objets.

plot_completeness.py : Ce module produit les tracés. Il produit toujours l'intrigue de la complétude Cm) en fonction du redshift et de la magnitude. Selon les exigences de l'utilisateur, il peut produire un tracé de S(s,m) et S(s,m)C(m) ainsi que.

completeness.py : Module principal. Il gère les fichiers et appelle creation_of_galaxy.py pour effectuer les opérations mathématiques afin de calculer le flux pour les galaxies simulées et les magnitudes attendues. Il appelle également run_sextractor.py pour exécuter le logiciel d'identification de la source sur les images ainsi que plot_completeness.py afin de produire des tracés. A lui seul, ce module produit les caractéristiques des galaxies artificielles en fonction des paramètres d'entrée. Il ouvre les images, crée les tampons avec les flux calculés, place les galaxies dans les positions données et les ajoute aux images scientifiques. Appelle ensuite le module pour exécuter SExtractor et enregistre les statistiques concernant la récupération des sources ainsi que l'état individuel et les propriétés extraites des objets simulés. Il produit ensuite les tableaux et graphiques finaux.

Afin d'estimer l'exhaustivité d'un relevé, il est nécessaire de quantifier la fraction de galaxies qui ne sont pas détectées. GLACiAR simule des galaxies artificielles avec des caractéristiques particulières (saisies par l'utilisateur via un fichier de paramètres) et les ajoute aux images du relevé. Ensuite, un logiciel d'identification des sources est exécuté sur les images scientifiques originales et les images avec les sources simulées. Les deux catalogues sont comparés et la fraction de galaxies artificielles récupérées est mesurée.

Ce processus est répété un nombre donné d'itérations pour chaque classe d'amplitude, classe de décalage vers le rouge et nombre de champs. Pour chaque image, il y a aussi un certain nombre de galaxies placées dedans.

Un timbre de galaxie artificielle est créé en fonction des paramètres donnés par l'utilisateur, tels que la magnitude, le décalage vers le rouge et le rayon. Cette source est ensuite ajoutée à l'image scientifique dans des positions aléatoires et la nouvelle image est enregistrée en tant que nouveau fichier. Ce fichier est créé pour chaque bande pour laquelle la magnitude est également calculée. Pour calculer l'amplitude attendue dans chaque bande, le programme génère un spectre synthétique, puis mesure le flux attendu dans chaque bande. Toutes les galaxies d'une itération ont la même pente UV, ce qui est fait pour gagner du temps.

Maintenant, les nouvelles informations d'image sont prêtes à être extraites. Pour ce faire, exttt s'exécute d'abord sur l'image scientifique d'origine, crée un catalogue, puis exécute toutes les nouvelles images avec les mêmes paramètres SExtractor.

SExtractor fonctionne en mode double, cela signifie qu'il y a une bande d'identification. Toutes les sources sont d'abord identifiées dans cette bande puis l'information de la source (ou de l'absence de) dans ladite position est calculée à partir des images sur chaque bande.

La façon dont les catalogues sont comparés est en vérifiant une grille centrée dans la position d'entrée des galaxies. Selon qu'il y a une source détectée dans cette grille dans la carte de segmentation de l'image scientifique originale ou la carte de segmentation de l'image scientifique avec les galaxies artificielles ajoutées, un statut sera attribué aux galaxies artificielles. Les statuts possibles sont :

  • Détecté et isolé.
  • Détecté et fusionné avec un objet plus faible.
  • Détecté et mélangé avec un objet plus lumineux.
  • Détecté en dessous du seuil S/N.
  • Non-détecté.

Si l'utilisateur le demande, le programme peut exécuter un critère de sélection de redshift que nous définissons ici à titre d'exemple, et qui provient de Bernard et al (2016.)

Enfin, des graphiques sont générés pour C(m), S(z,m) et C(m)S(z,m).

Le code produit un ensemble de fichiers, d'images et de tableaux. Certains d'entre eux sont supprimés pour des raisons d'espace, tandis que d'autres sont conservés en tant que résultat final. Nous les décrivons ci-dessous par ordre d'apparition.

Les nouvelles images sont les images créées qui contiennent les données observées d'origine de l'enquête avec les galaxies simulées ajoutées. Chaque itération de la simulation produit une image. Ceux-ci sont enregistrés puis supprimés immédiatement après l'exécution de SExtractor dessus.

Le processus d'identification de la source génère deux ensembles de fichiers. L'un d'eux est les catalogues (décrits ici), et l'autre les cartes de segmentation.

Les catalogues comprennent une liste avec toutes les sources identifiées dans les images et leurs paramètres. En raison de la structure du code, le premier fichier créé pour un champ de l'enquête contient les informations des sources réelles telles qu'elles sont exécutées sur l'image scientifique d'origine. En plus de cela, pour chaque itération de la simulation, un catalogue avec les informations des sources est créé. L'en-tête du catalogue est illustré ci-dessous :

  1. NUMBER Numéro d'objet en cours d'exécution
  2. FLUX_ISO Flux isophotique [compte]
  3. FLUXERR_ISO Erreur RMS pour le flux isophotique [nombre]
  4. MAG_ISO Magnitude isophotique [mag]
  5. MAGERR_ISO RMS erreur pour la magnitude isophotale [mag]
  6. FLUX_APER Vecteur de flux à l'intérieur d'ouverture(s) circulaire(s) fixe(s) [nombre]
  7. FLUXERR_APER Vecteur d'erreur RMS pour le ou les flux d'ouverture [nombre]
  8. MAG_APER Vecteur de magnitude d'ouverture fixe [mag]
  9. MAGERR_APER Vecteur d'erreur RMS pour le mag à ouverture fixe. [mag]
  10. FLUX_AUTO Flux dans une ouverture elliptique de type Kron [count]
  11. FLUXERR_AUTO Erreur RMS pour flux AUTO [nombre]
  12. MAG_AUTO Magnitude d'ouverture elliptique de type Kron [mag]
  13. MAGERR_AUTO Erreur RMS pour la magnitude AUTO [mag]
  14. KRON_RADIUS Ouvertures en Kron en unités de A ou B
  15. CONTEXTE Contexte à la position centroïde [count]
  16. X_IMAGE Position de l'objet le long de x [pixel]
  17. Y_IMAGE Position de l'objet le long de y [pixel]
  18. ALPHA_J2000 Ascension droite du barycentre (J2000) [deg]
  19. DELTA_J2000 Déclinaison du barycentre (J2000) [deg]
  20. A_IMAGE Profil RMS le long de l'axe principal [pixel]
  21. B_IMAGE Profil RMS le long de l'axe mineur [pixel]
  22. THETA_IMAGE Angle de position (CCW/x) [deg]
  23. FWHM_IMAGE FWHM en supposant un noyau gaussien [pixel]
  24. FWHM_WORLD FWHM en supposant un noyau gaussien [deg]
  25. DRAPEAUX Drapeaux d'extraction
  26. Sortie du classificateur CLASS_STAR S/G
  27. FLUX_RADIUS Rayons de fraction de lumière [pixel]
  • Cartes de segmentation

Une carte de segmentation est une carte avec la définition de l'emplacement d'une source et ses frontières trouvées par un logiciel d'identification de source. Dans ce cas, ils sont produits par SExtractor. Pour GLACiAR, elles peuvent être classées en deux groupes : les cartes de segmentation des images scientifiques originales de l'enquête, et celles des images qui incluent les galaxies simulées.

Avec les anciens catalogues des sources, une carte de segmentation est créée. Il s'agit d'un fichier .fits et il est conservé.

Les images avec les galaxies simulées produiront de nouvelles cartes de segmentation avec les mêmes caractéristiques. La seule différence avec le catalogue décrit ci-dessus est l'inclusion des nouvelles sources détectées. Ce fichier est supprimé afin d'économiser de l'espace.

Les principaux résultats produits par GLACiAR peuvent être résumés dans trois tableaux. Ceux-ci contiennent les informations des galaxies insérées, y compris leurs propriétés d'entrée ainsi que leur état et leurs propriétés de sortie. Ils sont décrits ci-dessous.

Le premier tableau contient des informations sur les statistiques des résultats en termes de sources récupérées et d'abandons (si spécifié). Il compte le nombre de sources insérées par bac de redshift et bac d'amplitude et il garde une trace de la quantité qui correspond à chaque état de détection. Il calcule également le montant des récupérations totales sur toutes les sources simulées insérées, C(m). Le cas échéant, il compte le nombre d'abandons pour chaque bac et calcule la fraction de ceux-ci sur le nombre total de galaxies insérées S(z,m), et sur les abandons récupérés dans la plage de décalage vers le rouge requise sur le nombre de galaxies simulées récupérées C(m)S(z,m). Vous trouverez ci-dessous un exemple de sa structure avec une brève description des colonnes.

  1. z : décalage vers le rouge d'entrée de la galaxie simulée.
  2. m : valeur médiane de la classe de magnitude.
  3. N_Obj : Nombre d'objets insérés pour le décalage vers le rouge et le bac de magnitude correspondants dans toutes les itérations.
  4. S(0) : Nombre de sources artificielles récupérées par exttt qui étaient isolés.
  5. S(2,1) : nombre de sources artificielles récupérées qui ont été mélangées à un objet plus faible.
  6. S(-1) : nombre de sources artificielles récupérées qui ont été mélangées avec un objet plus brillant.
  7. S(-2): Nombre de sources artificielles détectées par exttt avec un $S/N$ inférieur au seuil requis.
  8. S(-3): Nombre de sources artificielles qui n'ont pas été détectées par exttt.
  9. N_Rec : Nombre de sources artificielles récupérées, S(0)+S(2,1).
  10. N_Drop : nombre de sources artificielles qui ont réussi les critères de sélection d'abandon.
  11. Rec : Fraction des sources artificielles non récupérées : N_Rec/N_Obj.
  12. Drop : Fraction de sources artificielles ayant passé les critères de sélection : N_Drop/N_Obj.

En complément du tableau précédent, l'algorithme produit un tableau avec chacune des sources insérées, leurs positions, la grandeur d'entrée, l'état de mélange et l'état de détection. Plusieurs tableaux (un pour chaque pas de redshift) sont produits avec toutes les galaxies qui ont été placées dans les simulations à ce redshift. Il fournit un aperçu pour comprendre les caractéristiques ou les raisons de détecter ou de manquer un objet. Il donne également leur amplitude détectée dans la bande de détection et leur taille. En résumé, il nous donne des informations sur la façon dont cette source est détectée au lieu des informations d'entrée à son sujet.

  1. Mag initial : Magnitude correspondant au flux d'entrée pour l'étoile. Ce n'est pas la même chose que la magnitude d'entrée puisque la magnitude d'entrée change en fonction de la valeur bêta et de la taille de l'objet.
  2. Itération : numéro d'itération.
  3. Numéro d'identification : Numéro d'identification donné par SExtractor après son passage sur l'image avec les galaxies simulées. Ce nombre est unique pour chaque itération pour une magnitude et un décalage vers le rouge donnés.
  4. Magnitude d'entrée : Magnitude correspondant au flux ajouté à l'intérieur de tous les pixels que la source comprend.
  5. Magnitude de sortie : Magnitude de la source trouvée avec SExtractor après qu'elle s'exécute sur l'image avec les galaxies simulées.
  6. Id Status : nombre entier qui indique si une source a été récupérée et/ou est mélangée.

Un dernier tableau, utile pour la sélection du redshift, est produit. Étant donné que le nombre de bandes est variable, ce tableau est publié dans une représentation binaire compacte spécifique à Python (à l'aide du module pickle). Il contient l'ID de l'objet, la magnitude d'entrée, l'état, les magnitudes dans toutes les bandes et le S/N pour chaque bande également. Il s'agit d'un fichier important pour les techniques d'estimation/sélection de redshift. Semblable aux tableaux précédents, il contient des informations sur les caractéristiques de sortie/mesurées des objets détectés. Il contient toutes les magnitudes dans différentes bandes, il est donc particulièrement utile pour les estimations photométriques. Contrairement aux deux autres tables, il ne s'agit pas d'un fichier ASCII car il n'est pas efficace et nécessite trop de ressources.

GLACiAR produit également un tracé de l'exhaustivité et deux tracés supplémentaires si les paramètres de suppression booléenne sont définis sur True. Le premier graphique correspond à la fonction de complétude C(m) en fonction de la magnitude et du redshift. Les deuxième et troisième tracés sont les S(z,m) et S(z,m)C(m). Celui-ci n'est produit qu'en cas d'application de la technique de décrochage, mais compte tenu des tableaux produits par GLACiAR , il est facilement calculable avec les catalogues finaux.


Analyse de détection de complétude des magnitudes de galaxies - Astronomie

Ce SHAPLEY-AMES RÉVISÉ (RSA) Le catalogue fournit un échantillon particulièrement utile pour les études statistiques car la couverture de vitesse est presque complète et parce que la fonction de complétude du catalogue f (m) est bien déterminé (page 4). Les fonctions de luminosité et de densité des galaxies proches peuvent être obtenues à partir de la RSA données provenant des calculs du biais (Sandage, Tammann et Yahil, 1979 Tammann, Yahil et Sandage, 1979 Yahil, Sandage et Tammann, 1980) qui partent des distributions apparentes des vitesses, des magnitudes apparentes et des magnitudes absolues. Parce que les distributions sont d'intérêt général en elles-mêmes, nous en résumons certaines dans cette section.

Distribution des types morphologiques

Les histogrammes des types sont donnés sur la figure 1, divisés en familles ordinaires et barrées. Les types du catalogue principal ont une subdivision un peu plus fine que celle illustrée sur cette figure, car nous avons combiné les cas de transition (tels que E/S0, S0/a, Sab, Sbc) avec les groupes principaux. Dans les cas où le type est douteux et où deux possibilités sont données [comme NGC 3390, répertorié comme type S03(8) ou (Sb)], la galaxie a été comptée deux fois, une fois dans chaque case. La somme des nombres est donc supérieure aux 1246 entrées du catalogue.

La répartition des types est la suivante :

Notez le très petit nombre de galaxies de types Sd, SBd, et plus tard. Ceci est entièrement dû au biais d'observation dans la magnitude apparente limitée RSA causé par la magnitude absolue moyenne plus faible de ces types par rapport aux galaxies Sc, SBc et antérieures. La densité de Sd et de types ultérieurs par unité de volume d'espace, en fait, domine la vraie distribution (voir Tammann et al., 1979).

Distribution des vitesses

La distribution des vitesses v0, c'est-à-dire réduit au centroïde du groupe local, est illustré à la figure 2, regroupé par intervalles de 250 km/s. Seules neuf galaxies sur les 1245 répertoriées ont des vitesses négatives, et celles-ci se trouvent soit dans le groupe local, soit à moins de 4 ° 176 du centre de l'amas de la Vierge. Les cas de la Vierge se situent clairement dans la queue de la distribution de la vitesse virale de cet amas.

Ce diagramme de distribution observé contient les informations qui, avec la distribution des grandeurs apparentes et absolues, permettent de calculer les fonctions de luminosité, de complétude et de densité. Le calcul commence par noter que le nombre de galaxies avec vitesse v dans l'intervalle de vitesse v qui sont répertoriés dans le RSA dans une région particulière du ciel d'angle solide est

H0 est la constante de Hubble, (M) est la fonction de luminosité différentielle (c'est-à-dire le nombre de galaxies par unité de volume à M par intervalle de magnitude unitaire), f (m) la fonction de complétude, et D(v) = 1 cas homogène]. Une relation vitesse-distance linéaire est supposée, et les variables sont reliées par m = M + 5 bûches v + 16.51, which assumes a Hubble constant of 50 km/s Mpc.

Use of the (M), f (m), et 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 (UNE 0 of Column 13) nor for internal absorption (UNE 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 StandardmcAnalyse), 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.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre 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.

Voir la vidéo: Mahavok - Galaktikad (Novembre 2024).