[论文解读] SDSS-IV MaNGA: Complete census of massive slow-rotator early-type galaxy candidates and their environment in a volume-limited sample

M. Graham, Michele Cappellari+2 more|arXiv (Cornell University)|Oct 11, 2019

Astronomy and Astrophysical Research参考文献 2被引用 5

一句话总结

本研究利用MaNGA恒星运动学数据和一种新颖的视觉分类方法，对邻近星系群和星系团中体积受限样本内的大质量慢转早期型星系候选体进行了迄今最大的完整普查。该方法在识别快转星系方面准确率达约94%，对大质量慢转星系（M > 10^11.7 M☉）的识别近乎完美，从而实现了在邻近星系群和星系团中稳健的运动学形态-密度（kT-Σ）关系分析。

ABSTRACT

Galaxy morphology is inextricably linked to environment. The morphology-density relation quantifies this relationship. However, optical morphology is only loosely related to the kinematic structure of galaxies, and about two thirds of elliptical ("spheroidal") galaxies are actually misclassified face-on disks, and would appear flattened if view edge on. A more robust classification is the slow/fast rotator classification which describes the kinematic structure. Slow and fast rotators form a bimodality in galaxy properties and are thought to follow distinct evolutionary paths, and so a kinematic morphology-density (kT-$Σ$) relation is more meaningful. To date the kT-$Σ$ relation has only been studied for a handful of nearby clusters,or across large numbers of clusters but with incomplete coverage. Here, we combine stellar kinematics obtained with the Sloan Digital Sky Survey's (SDSS) Mapping Nearby Galaxies at Apache Point Observatory survey with classifications using a novel visual method to obtain the largest complete census of slow and fast rotators in nearby galaxy groups and clusters. To account for incompleteness in the SDSS spectroscopic catalogue, we combine the catalogue with the photometric catalogue, which we clean using empirical criteria. We test our visual classification method and find our false negative rate to be only $\sim$6% (0% for $M \gtrsim 10^{11.7}M_{\odot}$). In contrast, our false positive rate is about 50% implying half of all slow rotator candidates will be confirmed as fast rotators if stellar kinematics become available. Hence, our misclassification is essentially random with only a weak dependence on stellar mass, and as slow rotators are intrinsically rare, the absolute number of misclassifications will be small compared to the sample size. The result is the largest complete census of massive slow rotator candidates and their environments to date.

研究动机与目标

• 对邻近星系群和星系团中体积受限样本内的大质量慢转早期型星系候选体进行全面普查。
• 通过结合MaNGA光谱数据与测光数据，克服大型巡天中光谱覆盖不全的局限性。
• 开发并验证一种基于运动学形态的新型视觉分类方法，用于区分慢转与快转星系。
• 在多样化环境中建立稳健的运动学形态-密度（kT-Σ）关系，相较于以往研究在空间覆盖或样本完整性方面的不足，实现显著改进。
• 为未来星系形成与演化研究提供基准星表，尤其聚焦于慢转与快转星系的双峰特性。

提出的方法

• 将MaNGA光谱数据与SDSS测光星表（NSA）相结合，利用经验性测光标准筛选并提升完整性，识别星系群和星系团中的星系。
• 定义一个体积受限样本，红移范围为（0.01 ≤ z ≤ 0.15），恒星质量阈值为M > 10^11.7 M☉，以确保对大质量慢转星系的统计稳健性。
• 基于速度场形态和星系形态开发一种新型视觉分类方法，该方法在581个具有MaNGA确认λ_R_e值的星系上进行训练与测试。
• 利用混淆矩阵对视觉分类方法进行校准，量化误报率与漏报率，特别关注质量依赖性表现。
• 利用视觉分类结果为星系群中非MaNGA观测星系分配运动学形态，将普查范围扩展至光谱覆盖之外。
• 应用kT-Σ关系框架，以λ_R_e和星系扁率ε作为特定角动量的代理变量，分析环境依赖性。

实验结果

研究问题

• RQ1 在体积受限样本中，邻近星系群和星系团内大质量慢转早期型星系候选体的完整分布如何？
• RQ2 与MaNGA数据的运动学测量相比，视觉分类方法在识别慢转与快转星系时的准确性如何？
• RQ3 分类准确性对恒星质量的依赖性如何，特别是对大质量星系（M > 10^11.7 M☉）？
• RQ4 运动学形态-密度（kT-Σ）关系在包括星系群和星系团在内的多样化环境中在多大程度上成立？
• RQ5 基于视觉的分类方法能否为大规模巡天中识别慢转星系提供一种可靠且可扩展的替代方案，以替代光谱运动学分析？

主要发现

• 视觉分类方法在识别快转星系方面准确率达94%，对M > 10^11.7 M☉星系的漏报率仅为约6%。
• 误报率约为50%，表明约一半的视觉慢转星系候选体若经完整运动学数据验证将被确认为快转星系，但此类误判主要为随机分布，且与质量关联性不强。
• 对于M > 10^11.7 M☉的星系，该视觉方法可100%正确识别所有慢转星系，实现100%召回率，因此在大质量系统中具有极高可靠性。
• 本研究迄今识别出最大规模的完整大质量慢转星系候选体普查，MaNGA样本中超过M_crit = 2×10^11 M☉的早期型星系约有1200个。
• 通过将视觉分类应用于非MaNGA星系群成员，星表扩展至MaNGA观测范围之外，显著提升了样本规模与完整性。
• 结果支持早期型星系中存在双峰运动学结构，并为慢转与快转星系在不同环境中的形成路径存在差异提供了有力证据。