应用于星系人口学选择与比例关系分析的流形学习
星系天体物理
2024-10-11 v1
摘要
大型天文调查产生的数据容量不断增长，迫切需要开发能够有效管理高维数据集的高效分析技术。本研究通过演示在星系光学+NIR 光谱空间上应用流形学习和降维技术——特别是自组织地图(SOM)——的一些应用，以关注样本比较、选择偏差和使用小子集的预测能力。为此，我们利用来自五个 CANDELS 场的大型光度样本，并使用来自 KECK MOSDEF 调查的亚样本，在 和 的两个红移区间进行分析。我们用光度数据训练 SOM，并将光谱数据映射到其上作为我们的研究案例。我们发现 MOSDEF 目标并未覆盖 SOM 中存在的所有光谱形状。我们的发现表明，MOSDEF 样本中的活动性天体(AGN)映射到 SOM 的更高质量区域，这确认了先前的研究以及对更高质量、较少受尘埃影响的星系的已知选择偏差。此外，利用 SOM 映射测量的光谱特征，检查了金属丰度变化与星系质量之间的关系。我们的分析确认，更质量的星系表现出更低的 [OIII]/H 和 [OIII]/[OII] 比值，以及更高的 H/H 比值，这与已知的质量-金属度关系一致。这些发现突显了 SOM 在分析和可视化复杂多维数据集方面的有效性，强化了其在数据驱动的天文学研究中的潜力。
引用
@article{arxiv.2410.07354,
title = {Application of Manifold Learning to Selection of Different Galaxy Populations and Scaling Relation Analysis},
author = {Sogol Sanjaripour and Shoubaneh Hemmati and Bahram Mobasher and Gabriela Canalizo and Barry Barish and Irene Shivaei and Alison L. Coil and Nima Chartab and Marziye Jafariyazani and Naveen A. Reddy and Mojegan Azadi},
journal= {arXiv preprint arXiv:2410.07354},
year = {2024}
}