[论文解读] Extending the SAGA Survey (xSAGA) I: Satellite Radial Profiles as a Function of Host Galaxy Properties

John F. Wu, J. E. G. Peek+7 more|arXiv (Cornell University)|Dec 2, 2021

Galaxies: Formation, Evolution, Phenomena参考文献 122被引用 23

一句话总结

本文提出 xSAGA，一种基于卷积神经网络（CNN）的机器学习方法，利用 SAGA 巡天的光谱红移数据对 DESI 遗产成像巡天图像中的低红移（z < 0.03）星系进行识别。该方法实现了对约 10 万个宿主星系周围超过 20,000 个卫星星系的探测，揭示了卫星星系丰富度强烈依赖于宿主星系的恒星质量与形态，而径向分布则与宿主星系属性无关，结果与流体动力学模拟高度一致。

ABSTRACT

We present "Extending the Satellites Around Galactic Analogs Survey" (xSAGA), a method for identifying low-$z$ galaxies on the basis of optical imaging, and results on the spatial distributions of xSAGA satellites around host galaxies. Using spectroscopic redshift catalogs from the SAGA Survey as a training data set, we have optimized a convolutional neural network (CNN) to identify $z < 0.03$ galaxies from more distant objects using image cutouts from the DESI Legacy Imaging Surveys. From the sample of $> 100,000$ CNN-selected low-$z$ galaxies, we identify $>20,000$ probable satellites located between 36-300 projected kpc from NASA-Sloan Atlas central galaxies in the stellar mass range $9.5 < \log(M_\star/M_\odot) < 11$. We characterize the incompleteness and contamination for CNN-selected samples, and apply corrections in order to estimate the true number of satellites as a function of projected radial distance from their hosts. Satellite richness depends strongly on host stellar mass, such that more massive host galaxies have more satellites, and on host morphology, such that elliptical hosts have more satellites than disky hosts with comparable stellar masses. We also find a strong inverse correlation between satellite richness and the magnitude gap between a host and its brightest satellite. The normalized satellite radial distribution between 36-300 kpc does not depend strongly on host stellar mass, morphology, or magnitude gap. The satellite abundances and radial distributions we measure are in reasonable agreement with predictions from hydrodynamic simulations. Our results deliver unprecedented statistical power for studying satellite galaxy populations, and highlight the promise of using machine learning for extending galaxy samples of wide-area surveys.

研究动机与目标

• 通过利用深度光学成像，将 SAGA 探测范围扩展至光谱限值之外，识别低红移卫星星系。
• 通过引入机器学习技术，将探测范围扩展至 1000 倍更大的天区，以克服现有巡天的统计局限性。
• 表征基于 CNN 的星系识别选择函数，校正卫星星系数中因不完全探测与污染带来的偏差。
• 测量卫星星系的径向分布及其与宿主星系属性（如恒星质量、形态、星等差距）的依赖关系。
• 与流体动力学模拟对比验证结果，展示机器学习在大尺度星系群体研究中的强大潜力。

提出的方法

• 使用 SAGA 探测的光谱红移数据，训练卷积神经网络（CNN）基于 DESI 遗产成像巡天的三波段光学成像，将星系分类为低红移（z < 0.03）星系。
• 通过在 SAGA 巡天区域内的交叉验证，评估完整性（C）与纯度（P），并引入对误报（FPs）和非卫星低红移星系的校正项。
• 通过减去按晕区面积缩放的预期误报数，应用表面密度校正（⟨ΣFP⟩ = 3.04 deg⁻²），该方法被证明是精度最高的校正方式。
• 通过使用 0.02 < z < 0.03 范围内测得的体积密度 1.42×10⁻² Mpc⁻³，应用体积校正以考虑不同红移处无关的低红移星系。
• 基于校正后的星系数构建卫星星系径向分布，使用自 resampling 方法估计平均分布的离散度与偏差。
• 宿主星系通过红移隔离标准（∆z = 0.005，1 Mpc）与恒星质量截断（9.5 < log(M⋆/M⊙) < 11）进行选择，排除附近存在大质量邻近星系的系统。

实验结果

研究问题

• RQ1 卫星星系的径向分布如何依赖于宿主星系的恒星质量与形态？
• RQ2 宿主星系的星等差距对卫星星系数的影响是什么？
• RQ3 基于成像数据的机器学习星系选择在多大程度上能恢复真实的卫星星系群体？选择偏差如何校正？
• RQ4 观测到的卫星星系径向分布与流体动力学模拟的预测相比如何？
• RQ5 像 xSAGA 这类机器学习增强的巡天在大天区范围内探测卫星系统方面具有怎样的统计效能？

主要发现

• 卫星星系丰富度随宿主星系恒星质量显著增加，质量更大的宿主星系拥有明显更多的卫星星系。
• 在相同恒星质量下，椭圆星系宿主的卫星星系丰富度高于盘状星系宿主，表明存在形态依赖性。
• 卫星星系丰富度与宿主星系与其最亮卫星之间的星等差距呈显著负相关。
• 在 36–300 kpc 范围内的归一化卫星星系径向分布与宿主星系的恒星质量、形态或星等差距无关，表明其分布形状具有普适性。
• 在应用基于表面密度的误报校正后，校正后的卫星星系数恢复至真实值的 1.01 ± 0.08 倍以内，证明了方法的高精度。
• 观测到的卫星星系数与径向分布与现代流体动力学模拟的预测结果基本一致。