[论文解读] Measuring galaxy morphology at $z>1$. I - calibration of automated proxies

Marc Huertas-Company, Sugata Kaviraj+9 more|arXiv (Cornell University)|Jun 4, 2014

Galaxies: Formation, Evolution, Phenomena参考文献 1被引用 6

一句话总结

该论文利用哈勃空间望远镜/WFC3近红外数据，对红移 z>1 的大质量星系的自动形态参数（如集中度、不对称性、基尼系数和 M20）进行了校准，表明这些代理指标能以约 80% 的完整性与小于 20% 的污染率可靠地区分以星系核球为主与以盘面为主的系统。研究发现，高红移星系在静止系紫外波段的不对称性和团块性显著高于本地星系，尤其在静止系紫外波段；并通过与目视形态对比，验证了机器学习分类（通过 galSVM 实现）具有高度一致性。

ABSTRACT

[abridged] New near-infrared surveys, using the HST, offer an unprecedented opportunity to study rest-frame optical galaxy morphologies at z>1 and to calibrate automated morphological parameters that will play a key role in classifying future massive datasets like EUCLID or LSST. We study automated parameters (e.g. CAS, Gini, M20) of massive galaxies at 11: bulge-dominated systems have systematically higher concentration and Gini coefficients and are less asymmetric and rounder than disk-dominated galaxies. However, at z>1, galaxies are, on average, 50% more asymmetric and have Gini and M20 values that are 10% higher and 20% lower respectively. In bulge-dominated galaxies, morphological parameters derived from the rest-frame UV and optical wavelengths are well correlated; however late-type galaxies exhibit higher asymmetry and clumpiness when measured in the rest-frame UV. We find that broad morphological classes (e.g. bulge vs. disk dominated) can be distinguished using parameters with high (80%) purity and completeness of 80%. In a similar vein, irregular disks and mergers can also be distinguished from bulges and regular disks with a contamination lower than 20%. However, mergers cannot be differentiated from the irregular morphological class using these parameters, due to increasingly asymmetry of non-interacting late-type galaxies at z>1. Our automated procedure is applied to the CANDELS GOODS-S field and compared with the visual classification recently released on the same area getting similar results.

研究动机与目标

• 利用静止系光学与紫外波段数据，对 z>1 大质量星系的自动形态参数（如 CAS、基尼系数、M20）进行校准。
• 评估这些参数在高红移下区分目视形态类型（如核球与盘面、合并与不规则）的可靠性。
• 评估机器学习（galSVM）在使用形态参数分类星系形态方面的性能，并与目视分类结果进行比较。
• 量化形态参数的红移与波长依赖性，特别是晚期型星系中不对称性与团块性的演化。
• 确定在 z>1 星系分类中，使用本地（SDSS）数据还是高红移数据进行训练能获得更高的分类准确性。

提出的方法

• 利用 CANDELS GOODS-S 场的哈勃/WFC3 成像数据，在静止系光学（J、H）与紫外（Y）波段测量形态参数（C、A、S、G、M20）。
• 应用支持向量机（SVM）分类器（galSVM），该分类器基于本地（SDSS）和高红移形态目录进行训练，以分配星系为椭圆星系（ETG）、旋涡星系（LTG）或不规则/合并星系的概率。
• 对本地星系进行人工红移变换，以模拟 z>1 的特性，并量化形态参数的红移演化。
• 将自动分类结果与 CANDELS 目录中的目视形态进行对比，以评估完整性与污染率。
• 分析静止系光学与紫外波段之间参数的相关性，以评估形态测量的一致性。
• 测试在输入特征中加入由 SED 拟合获得的恒星质量后，对分类性能的改善效果。

实验结果

研究问题

• RQ1 与低红移系统相比，标准形态参数（C、A、G、M20、S）在 z>1 时的行为如何？
• RQ2 高红移星系在静止系紫外与光学波段测得的形态参数相关程度如何？
• RQ3 使用 galSVM 的自动机器学习分类能否在 z>1 时以高完整性与低污染率可靠地恢复目视线形态类型？
• RQ4 训练数据集的选择（本地 vs. 高红移）如何影响 z>1 星系自动分类的准确性？
• RQ5 晚期型与早期型星系的形态特性如何随红移演化，特别是在不对称性与团块性方面？

主要发现

• 在 z>1 时，以核球为主的星系系统性地比以盘面为主的星系更集中，且基尼系数更高，与低红移趋势一致。
• 在 z>1 时，星系平均不对称性高出约 50%，基尼值高约 10%，M20 值低约 20%，尤其在早期型星系中更为显著。
• 与静止系光学波段相比，静止系紫外波段使晚期型星系的不对称性与团块性增加 40–60%，表明紫外波段更能凸显恒星形成团块。
• 使用 galSVM 的自动分类对早期型星系的完整性约为 80%，污染率小于 20%；对晚期型星系的完整性约为 90%，污染率小于 5%，具体取决于阈值设定。
• 不规则/合并类星系的纯度约为 70%，但污染主要来自高红移时日益不对称的非相互作用晚期型星系。
• 使用本地（SDSS）数据训练会导致分类准确性下降，尤其在不规则/合并类型中，这是由于形态参数随时间演化所致，凸显了使用高红移训练数据集的必要性。