SDSS-IV MaNGA PyMorph 测光与深度学习形态学星表及其对核球性质与恒星角动量的启示

我们描述了 SDSS-IV MaNGA PyMorph 测光（MPP-VAC）与 MaNGA 深度学习形态学（MDLM-VAC）增值星表。MPP-VAC 通过对 MaNGA DR15 星系样本的二维面亮度分布进行 S\'ersic 与 S\'ersic+Exponential 拟合，提供测光参数。与先前对 SDSS 成像的 PyMorph 分析相比，我们对 MaNGA DR15 的分析包含三项改进：最新的 SDSS 图像；用于判定核球-盘分解的修正准则；且 MPP-VAC 中的拟合已经过人工目检，并在必要时重新拟合以提高可靠性。配套星表 MDLM-VAC 为相同星系提供基于深度学习的形态学分类。MDLM-VAC 包含若干形态学性质（如 TType，以及椭圆星系与 S0 星系间更精细的区分）。结合 MPP- 与 MDLM-VAC 可表明 MDLM 形态学分类比先前工作更可靠。它还表明，对晚型与早型星系的单 S\'ersic 拟合分别可能返回 $n \le 2$ 与 $\ge 4$ 的 S\'ersic 指数，且 $n$ 与形态学间的这一关联也延伸至核球成分。前者为人熟知，后者则与近期一些认为 $n$-核球与形态学间关联微弱的工作相矛盾。将两份星表与 MaNGA 的空间分辨光谱结合，使我们能研究恒星角动量如何依赖于形态学类型。我们发现恒星运动学、测光性质与形态学类型间存在关联，尽管光谱数据在构建 MPP- 与 MDLM-VAC 时并未起作用。