模拟观测：TNG100模拟中星系的形态学分析

本研究通过应用模拟观测技术，探讨TNG100模拟中星系的形态学特征，并将结果与来自Sloan Digital Sky Survey (SDSS)的观测数据进行比较。我们采用分层卷积神经网络 (CNN) 方法，将星系分类为四个形态学类别（椭圆星系、S0/a、Sab/Sb和Sc/Sd/不规则星系）。我们的发现表明，模拟观测得到的星系样本的形态特征与SDSS中观测到的特征 closely match，成功复现了不同类型星系在关键参数分布上的 distinct 特征。然而，仍发现一些差异： notably，在矮星系范畴 ($M_* < 10^{10} M_{\odot}$) 中缺乏早型星系 (ETGs)，且在模拟观测样本中，Sab/Sb与Sc/Sd/不规则星系之间的区分极小，与实际观测中清晰的差异相反。这些差异可能源于模拟属性，如在低质量端的提升星际形成效率或分辨率限制。观测效应，包括点扩散函数 (PSF)、天空背景和仪器噪声的影响，分别可独立导致约7.87%的形态学误分类。与之前使用基于引力的星系定义方法且未能清晰区分ETGs与后期类型星系参数分布的研究不同，我们的方法通过基于亮度的样本定义，更好地恢复了观察到的形态参数分布，尤其是它们的 distinct 差异。本研究强调，除了模拟观测外，采用与观测实践一致的星系分割方法，对于从模拟中恰当地恢复真实形态参数并实现公正的比较至关重要。