Tähtitiede

Tähtien spektrien logaritminen uudelleenmuodostus ja jatkuva poisto

Tähtien spektrien logaritminen uudelleenmuodostus ja jatkuva poisto

Yritän oppia johtamaan näkönopeusjakauman galaksispektristä kinemaattisten parametrien, kuten pyörimisnopeuden ja nopeuden dispersion, erottamiseksi. Siksi minun on tehtävä joitakin valmistelemaan spektrejäni. Tässä esimerkissä otin tähtispektrit Miles-luettelosta http://miles.iac.es/pages/stellar-libraries/the-catalogue.php. Yritin uudelleenkokoaa spektrit logaritmiselle aallonpituusskaalalle ja yritin sitten poistaa jatkuvuuden, kuten Bender et. al 1994, elliptisten galaksien näkökentän nopeusjakaumat (saatavana myös täältä ja tutkimusportista).

Tässä on paperin asiaankuuluva osa:

3.1 Näkölinjan nopeusjakaumien pienentäminen ja johtaminen

CCD-spektrit vähäteltiin, vähennettiin tummalla ja tasakentällä tavalliseen tapaan. Kuumapikselit ja kosmisen säteen tapahtumat poistettiin a $ kappa $-$ sigma $ leikkausmenettely. Sitten spektrit yhdistettiin uudelleen logaritmiseen aallonpituusskaalaan ja keskimääräinen taivasspektri kunkin valotuksen aikana johdettiin keskimäärin useita viivoja CCD-spektrien reunoista. Taivasspektrien vähentämisen jälkeen saman galaksin spektrit, jotka on otettu identtisistä rakoasemista, keskitettiin ja lisättiin. Sitten spektrit yhdistettiin uudelleen rakoa pitkin, jotta taattaisiin signaali-kohinasuhde, joka mahdollisti kinemaattisten parametrien johtamisen. Esikäsittelyn viimeisenä vaiheena galaksin jatkumo poistettiin kahdessa vaiheessa. Ensinnäkin kuhunkin rivikohtaiseen spektriin sovitettiin neljännestä kuudesosaan oleva polynomi. Sitten efektiivinen vaihtelu $ sigma_s $ sovitetun polynomin ympärillä oleva spektri laskettiin ja sovitus toistettiin sisältäen vain ne pikselit, joiden arvo putosi 0: n välillä$ sigma_s $ ja 2$ sigma_s $ ensimmäisen sovituksen ympärillä. Lopuksi spektri jaettiin tällä toisella sovitetulla polynomilla. Tällä menettelyllä vältetään se tosiasia, että vahvemmat absorptioviivat häiritsevät sovitusta ja johtavat galaksin '' jatkumon '' tyydyttävään arvioon. Tämän jatkuvuuden poistomenetelmän havaittiin olevan parempi kuin tavallisesti käytetyt menettelyt, joihin sisältyy suodatus Fourier-avaruudessa. Syynä on, että suodatus Fourier-avaruudessa voi muuttaa absorptioviivojen profiileja siten, että johdettu $ H_4 $ arvot (katso alla) voidaan järjestelmällisesti korvata todellisten arvojen suhteen. Sopiva…

(alkuperäinen kuvakaappaus)

En ole varma, suorittanko tämän oikein. Tässä on minun koodi:

# luettu 1D-spektritiedoissa, jotka on tavallisesti tallennettu FITS-muotoon # luettu tähtimallispektreissä mailikirjastosta http://miles.iac.es/ # kirjoittanut Vazdekis (2010, MNRAS, 404, 1639) miles_dir = r "C :  Users  reich  OneDrive  Dokumente  Uni  Bachelorarbeit  Python  ppxf  MILES_library_v9.1_FITS "file = miles_dir + '/s0427.fits' # s0427 K2III-tähden # otsikkotietoyksikkö (HDU) ovat korkeimman tason komponentti FITS-tiedostorakenteesta # hdu.info () tiivistää avatun sovitustiedoston sisällön hdu = fit.open (tiedosto) # HDU-objektit koostuvat otsikosta ja datayksiköstä / attribuuteista # koko otsikon lukemiseen voidaan käyttää tulostusta (repr (hdr)) hdr = hdu [0]. header data = hdu [0] .data # poimi vuon ja aallonpituuden numpy-matriisit datasta flux_raw = data [0] w = WCS (hdr, naxis = 1, relax = False, korjaus = epätosi) lam = w.wcs_pix2world (np.alue (len (flux_raw)), 0) [0] # logaritminen aallonpituuden asteikko vakionopeusasteikon saamiseksi # N pikselille aallonpituuden matriisissa, spektrit on ladattava uudelleen N pikseliä aallotettuna gth log_lam_raw = np.log (lam) # logaritminen uudelleenkäynnistys log_lam = np.linspace (min (log_lam_raw), max (log_lam_raw), num = len (lam)) # poista spektrien jatkuvuus def fit_polynom (log_lam, a0, a1, a2 , a3, a4, a5): "" "sovi func = 2. järjestyspolynomi" "" palauta a0 + a1 * log_lam + a2 * (log_lam) ** 2 + a3 * (log_lam) ** 3 + a4 * (log_lam ) ** 4 + a5 * (log_lam) ** 5 # intitialize fit paramters init_fit_param = [0, 0, 0, 0, 0, 0] # fit data using scipy.curve_fit () fit_params, fit_covariances = curve_fit (fit_polynom, log_lam) , flux_raw, p0 = init_fit_param) # laske neliökeskipoikkeaman keskiarvo rms_array = np.sqrt ((flux_raw - fit_polynom (log_lam, * fit_params)) ** 2) # käytä vain flux-arvoja 2. sovituksessa, joiden rms-arvo on <2 fit_params2 , fit_covariances2 = käyrä_fit (fit_polynom, log_lam [np.argwhere (rms_array <= 2)] [:, 0], flux_raw [np.argwhere (rms_array <= 2)] [:, 0], p0 = init_fit_param) # poista jatkumo jakamalla vuon sovitettavalla polynomivuolla = (flux_raw / (fit_polynom (log_lam, * fit_params2))) -1

Valitsin fipolynomin järjestyksessä 5, tämä voi tietysti vaihdella, mutta sen ei pitäisi olla suurin huolenaihe. Tämä on käyrä vuon yli aallonpituuden ja vuon yli logaritmisen uudelleen sidotun aallonpituuden kanssa fitpolynomilla.

Ja tässä on juoni, jossa on "poistettu" jatkumo, mikä ei näytä aivan oikealta.

Joten voisiko joku kertoa minulle, a) jos tein logaritmisen uudelleenkytkennän oikein ja b) onko lähestymistapallani jatkumo-poistoa järkevää vai pitäisikö sitä muuttaa? Haluan työskennellä jatkuvatoimisesti poistettujen spektrien kanssa ja purkaa näkölinjan nopeusjakaumat (galakseille), mutta minun on oltava varma, että ymmärrän prepep-valmisteen oikein. Kiitos paljon


Tähtitieteiden logaritminen uudelleenmuodostus ja jatkuva poisto - Tähtitiede

Michael J.Kurtz, Douglas J.Mink, William F.Wyatt, Daniel G. Fabricant ja Guillermo Torres
Harvard-Smithsonianin astrofysiikan keskus, Cambridge, MA 02138

Gerard A.Kriss
Fysiikan ja tähtitieteen laitos, Johns Hopkins University, Baltimore, MD 21218

John L. Tonry
Fysiikan laitos, MIT, Cambridge, MA 02139

julkaisussa Astronomical Data Analysis Software and Systems I, ASP Conf. Ser., Voi. 25, toim. D.M. Worrall, C. Biemesderfer ja J. Barnes, s. 432-438

Abstrakti

XCSAO on ohjelmistopaketti tähtien ja galaksien radiaalinopeuksien saamiseksi optisista spektreistä ristikorrelaatiomenetelmällä. Se on kirjoitettu toimimaan IRAF-ympäristössä, ja se on yhteensopiva muiden SAO: n optisten spektrejä varten kehittämien pakettien kanssa. Keskustelemme paketin yksittäisistä osista päätöksillä, jotka vaaditaan paketin asettamiseksi uudelle instrumentille / tarkkailuohjelmalle. Keinotekoisten spektrien avulla näytetään tarvittavat menettelytavat asetettujen parametrien optimoimiseksi ja paketin kestävyys, kun sitä käytetään sekä tähtien että galaksien spektreihin.

Avainsanat Tietojen analysointi, spektrit, radiaaliset nopeudet, punaiset siirtymät

Johdanto

Kopiot lähde- ja IRAF-asennusohjelmista saa nimettömältä FTP: ltä osoitteesta ftp://cfa-ftp.harvard.edu/pub/iraf/rvsao.tar.Z. Lueminut-tiedosto löytyy samasta hakemistosta. XCSAO: ta on testattu laajasti Decstation- ja Sparcstation-asemilla, eikä sen odoteta kokevan merkittäviä muutoksia. EMSAO: ta tarkistetaan edelleen merkittävästi. Molemmat tehtävät ovat olleet tuotantokäytössä SAO: ssa viime vuoden ajan, ja niitä käytetään tällä hetkellä useissa suurissa punasiirtymä- ja radiaalinopeusohjelmissa ympäri maailmaa.

XCSAO: n alkuperä on Gerry Krissin kirjoittama XCOR-ohjelma, samoin kuin FORTH-koodi ja sen FORTRAN-esitys Tonryn toimesta. Lopulta sisällytimme Mike Fitzpatrickin FXCOR: n jatkuvuusarviointimenetelmät. Koodimme on kirjoittanut ja sitä ylläpitää Doug Mink.

Tämä artikkeli esittelee hyvin lyhyen yleiskuvan XCSAO: n ominaisuuksista ja joistakin sille kehitetyistä testausmenettelyistä. Laaja kuvaus ohjelmasta on valmisteilla PASP: lle (Kurtz, et ai. 1992).

XCSAO: n elementit

Syöttömuodot

Uudelleen yhdistäminen

Huomaa, että tämä yhdistäminen viittaa siihen, että on kannattavaa, että malli peittää mahdollisimman laajan aallonpituusalueen dispersiolla, joka on yhtä suuri tai parempi kuin tuntematon, uudelleenkytkentä valitsee sitten oikean aallonpituusalueen maksimaalista päällekkäisyyttä varten, tuntematon määrittelee resoluution. . Olemme havainneet, että on joka tapauksessa parempi uudelleenkäynnistää seuraava suurempi kahden teho kuin todellisten pikselien lukumäärä eikä seuraava pienempi.

Apodisointi

Continuumin ja päästöjohtojen vaimentaminen

Jos EMCHOP = kyllä, XCSAO poistaa päästölinjat ja korvaa ne jatkuvuuden arvolla ennen ristikorrelaation suorittamista. Päästöjohdot löytyvät ICFIT: n avulla, parametrien ollessa asetettavissa, koska jatkumoissuppression menetelmä päästöjohtojen löytämiseksi on samanlainen kuin sisaryhmässä EMSAO. Emissiolinjojen poistaminen on kriittistä, jotta löydettäisiin absorptioviivojen punasiirtymät emissiolinjoilla varustetuista galakseista, jos spektri on liian meluisa päästölinjojen poistamiseksi tai jos sillä on teräviä väärennettyjä absorptio-ominaisuuksia heikosta taivaan vähennyksestä, suosittelemme, että loukkaavat alueet tutkitaan käsin , käyttämällä SPLOTia.

Fourier-suodatus

    1. Kaistanpäästösuodattimessa käytetyn rampin tyyppi ei ole tärkeä (olettaen, että se on järkevä valinta, vaihefunktio ei ole kohtuullinen). Siksi olemme poistaneet kaikki suodatintyypin vaihtoehdot XCSAO: lta ja käytämme vain kosinikelloa.

Ristikorrelaatio

Huippuasennus

Virhelaskenta

missä w on korrelaatiohuipun FWHM ja r on korrelaatiohuipun korkeuden suhde antisymmetrisen kohinan amplitudiin.

Suurille tarkkailuohjelmille voidaan saada parempi virhe-estimaatti. Kerroin 3/8 w on monissa tilanteissa vakio, ja se voidaan arvioida ottamalla useiden toimenpiteiden keskiarvo. Virheestimaatista tulee sitten vakio jaettuna (1 + r). Tämä ei ole kaikissa tapauksissa mahdollista, esimerkiksi kun alipäästö Fourier-jatkoa muutetaan r: n suhdetta virhemuutoksiin. 3/8 w seuraa tätä oikein. Kuvassa II on lasketut virheet (pisteet) verrattuna todellisiin keskimääräisiin virheisiin (kiinteät viivat) funktiona Kolmen erilaisen alipäästösuodattimen r-tilasto huomioi, että lasketut virheet seuraavat todellisia virheitä, mutta että r: n suhde virheeseen muuttuu.

Yksittäiset virhe-estimaatit (pisteet) verrattuna todellisiin keskimääräisiin virheisiin (kiinteät viivat) 1200 synteettiselle echelle-spektrille. Kolme sarjaa on tarkoitettu kolmelle eri Fourier-suodattimen jatkokohdalle, suodatinparametrit, ja kunkin suodattimen keskimääräiset virheet on esitetty kuvassa.

Tulostusmuodot

Ensisijainen lähtökaavio XCSAO: lta

Tulosdiagrammi, jossa näytetään absorptioviivat

Kuvio III esittää standardin lopullisen käyrän ja kuvio IV esittää absorptioviivan, molemmat galaksispektrille, jonka M. Ramella havaitsi ESO 1,5 m: n teleskoopilla.

Testaus

Olemme testanneet XCSAO: ta synteettisillä spektreillä, jotka on luotu siten, että tietystä määrästä näytteitä on otettu emolevystä, joka on mallispektri. Ešellispektrien testeissä käytimme Kurucz-malleja malleihin, galaksispektrien testeihin korkeita S / N-havaintoja. Huomaa, että tiedämme tuntemattomien ja mallipohjien välisen todellisen radiaalinopeuseron joko tarkalleen mallien tapauksessa tai missä mallipektri oli täsmälleen käytetty synteettisten spektrien luomiseen, tai erittäin tarkalla tarkkuudella, kuten silloin, kun radiaalinen nopeusmalli on erilainen kuin synteettisten spektrien luomiseen käytetty malli.

Kuvan II luomiseen käytetyt tiedot olivat 1200 synteettistä spektriä, jotka luotiin Kurucz-mallista 5500K-kääpiöstä ja joiden kokonaislukemat olivat välillä 5000 ja 30000. Ristikorrelaatioon käytetty malli oli täsmälleen sama malli, jota käytettiin synteettisten spektrien luomiseen. Täydellinen kuvaus testausmenettelyistä löytyy julkaisusta Kurtz et ai. (1992).

Kiitokset

Steve Levine ja John Morse vaikuttivat merkittävästi säännöstön kehittämiseen. Dave Latham, Alejandra Milone, Susan Tokaraz ja John Huchra ovat vaikuttaneet voimakkaasti osaamiseensa. Suurimman osan käyttämästämme IRAF-koodista ovat kirjoittaneet Mike Fitzpatrick ja Frank Valdes.


Emissiolinjojen voimakkuus tähtispektrissä

Laajennetun tähti-ilmakehän olosuhteet voidaan riittävästi selittää laimennetun säteilyn teorialla, jos oletetaan, että linjojen optinen syvyys on riittävän pieni.

Tämän perusasettelun tarkistamiseksi kehitetään päästöintensiteettien riippuvuus atomien lukumäärästä analogisesti absorptioviivojen kasvukäyrän kanssa. Tätä suhdetta, jota kutsutaan kasvukäyräksi päästölinjoille, käytetään analysoitaessa havaittuja päästöspektrit ja paljastaa, että pienien optisten syvyyksien olettaminen on sallittua monissa tapauksissa.

Lisäksi nähdään, että kuoren absorptio voi vaikuttaa jopa voimakkaaseen emissiospektriin. Jos nämä kaksi ilmiötä, ts. spektrit, käsitellään yhtenä yksikkönä, absorptio- ja emissiolinjojen kasvukäyrät näyttävät rajoittavina tapauksina, joissa linjan voimakkuuden, siirtymätodennäköisyyden ja ilmakehän ominaisdatan välillä on yleisempi suhde. Tämä suhde kuvaa erilaisten kuorispektrien ja laajenevan ilmakehän spektrin muutosten välisen eron, ja sitä voidaan käyttää kuoren rakenteen tutkimiseen.

Päästöspektrien tutkimista varten on otettava käyttöön yleinen ionisaation yhtälö.


3 TAIVAN HANKINTA

3.1 Mallin rakentaminen

Erityinen haaste tähän tutkimukseen kerättyjen tietojen kanssa on taivaan tarkka vähentäminen tieteellisistä altistuksista käyttämällä muita kuin samanaikaisia ​​taivaan altistuksia. Täällä vaaditaan tapaa yhdistää se, mitä olemme havainneet offset-altistuksissamme taivaalle tieteellisissä kehyksissämme. Alun perin otimme käyttöön pääkomponenttianalyysimenetelmän (PCA) käyttämällä Zürichin ilmakehän puhdistusta (zap Soto et ai. 2016) hajottamaan ajallisesti lähin taivaskehys. Huomasimme, että taivaan ajallisten vaihteluiden takia epäpuhtauspäästöt tässä kehyksessä eivät ole edustavia tieteellisissä altistuksissa, vaikka niitä havaitaan heti sen jälkeen. Siirtokehyksen pääkomponentteja (PC) ei sen vuoksi voida käyttää taivaan rekonstruoimiseksi tieteellisessä havainnoinnissa. Van Dokkumin et ai. (2019b) ja Danieli et ai. (2019) osoittautui PCA: n olevan erittäin tehokas menetelmä epäpuhtauspäästöjen luonnehtimiseksi, koska se luo perustan, jonka perusteella komponentin eigenspektrien yksinkertaista lineaarista yhdistelmää voidaan käyttää pilaantumisen mallintamiseen. Kirjoitamme siis oman PCA-taivaan vähennysohjelman, joka ei tarkastele vain offset-taivaan altistuksia, jotka ovat ajallisesti lähellä asiaankuuluvaa tiedekehystä, vaan kaikkia taivaan altistuksia, jotka on otettu molempien havainto-öiden aikana. 3 Kun käytämme koko taivaanvalotuskokonaisuutta tietokoneidemme rakentamiseen, odotamme näiden komponenttien kuvaavan nyt datassamme olevia ajallisia vaihteluita. Näiden komponenttien avulla rakennamme mallin havainnoistamme odottaen, että havaittu virtaus, samalla kun kohdistetaan VCC 1287: een, on jokin yhdistelmä lukemattomista muista lähteistä peräisin olevia epäpuhtauspäästöjä, jotka kaikki sisältyvät tietokoneisiin, sekä kiinnostava virtaus (VCC 1287 ).

Otettuaan spektrin kullekin 10 offset-altistuksellemme molemmista havainnointiöistä, hajotamme ne omiin tietokoneisiinsa käyttämällä python-pakettia scikit – learn (Pedregosa et al. 2011). Tämä luo kymmenen eigenspektriä, jotka muodostivat perustan epäpuhtauspäästöjen ajallisille muutoksille taivaan havainnoissa.

Tässä mallissa näytetään 10 tietokonetta, jotka on purettu käytettäväksi tässä mallissa. Käytännössä kaikkien 10 komponentin käyttäminen on tarpeetonta, koska suurin osa tiedoista kerätään neljään ensimmäiseen komponenttiin, eivätkä tulokset poikkea merkittävästi käytettäessä vähemmän komponentteja. Meillä rajoitettiin kymmeneen tietokoneeseen offset-taivaskehysten lukumäärä. Ensimmäinen tietokone on huomattavan samanlainen kuin kaikkien taivaskehysten keskiarvo. Erityisen mielenkiintoisia ovat spektrin näkyvät auringon absorptio-ominaisuudet huolimatta pimeässä kuussa tehdyistä havainnoista. Toinen tietokone sieppaa muutoksen emissiojohdoissa noin 5200 Å yhdessä aurinkoabsorption vaihtelun kanssa. Kolmas ja neljäs tietokone sieppaavat vaihtelut jatkumossa samoin kuin mahdolliset vaihtelut päästölinjoissa, joita PC2 ei ole kaapannut. Näiden komponenttien lisäksi tietokoneisiin sisältyvä tieto sisältää enimmäkseen matalan tason jatkuvuutta ja melua. Kun käsittelemme tietoja eri tavalla ennen PCA: n suorittamista (esim. Standardi tähtikalibrointi, instrumentaalinen kokoonpano jne.), Tietokoneemme eroavat kuviossa 1 esitetyistä. 3 van Dokkum et ai. (2019b), vaikka molemmat vangitsevatkin paljon samoja muunnelmia. PC1 muistuttaa van Dokkumin ym. (2019b) taivakehyksen keskiarvoa. PC2: nsa muistuttaa PC4: ää, joka sieppaa vahvempien OH-viivojen vaihtelut, auringon imeytymisominaisuudet ja [N i] -päästöt noin 5200 Å: n verran.

10 pääkomponenttia, jotka otimme offset-taivaskehyksistämme. Erityisen mielenkiintoinen on muutos vuon tasoissa siirtymällä korkeampiin pääkomponenteihin. Suurin osa spektriominaisuuksista kerätään neljään ensimmäiseen komponenttiin, mutta korkeamman asteen komponentit ovat silti hyödyllisiä varmistamaan, että jatkumo voidaan palauttaa tarkasti.

10 pääkomponenttia, jotka otimme offset-taivaskehyksistämme. Erityisen mielenkiintoista on muutos vuon tasoissa siirtymällä korkeampiin pääkomponentteihin. Suurin osa spektriominaisuustiedoista siepataan neljään ensimmäiseen komponenttiin, mutta korkeamman asteen komponentit ovat silti hyödyllisiä varmistamaan, että jatkumo voidaan palauttaa tarkasti.

Näiden tietokoneiden lisäksi tarvitsemme myös mallin galaksiemissioihimme. Perustuu VCC 1287: n optiseen ja lähellä infrapuna-spektrienergiaa jakavaan sovitukseen julkaisussa Pandya et ai. (2018), odotamme tähtipopulaation olevan keskitasoa vanhaan (≥7,5 Gyr) ja metallihukkaa ([Z/ Z] & lt −1,55) (Pandya ym. 2018). Muiden UDG: n spektroskooppiset tutkimukset tuottavat samanlaisia ​​tuloksia niiden tähtipopulaatiosta (Ferré-Mateu et ai. 2018 Gu et ai. 2018 Ruiz-Lara et ai. 2018). Tästä syystä valitsimme 12 korkean resoluution mallia Coelhon (2014) korkean resoluution syntetisoitujen tähtispektrien kirjastosta ja tasoitimme ne KCWI: n resoluutioon. Yhdeksän mallia valittiin niiden samankaltaisuuden suhteen K-tyypin jättiläisten kanssa (−0,3 & lt [Fe / H] & lt −1,3 4), koska on jo pitkään tiedetty, että nämä tähdet edustavat sitä tyypin vanhaa, metallihukkaa väestöä, jonka odotamme tarkkailla (esim. Morgan & amp Mayall 1957). Loput kolme templaattia valittiin muistuttamaan vastaavasti A-, F- ja G-spektrityyppistä tähteä. Testasimme mallien yhteensopimattomuuden vaikutuksen parhaaseen istuvuuteen mallissamme. Kuten odotettiin, K-tyypin jättiläismallit sopivat jatkuvasti parhaiten tietoihimme. Rohkaisevasti, kun sovitimme kaikki mallit, löysimme mallistamme samanlaisen punaisen muutoksen parametrin VCC 1287: lle.Jos käytetään A-tyyppistä tähtimallia galaksipäästöihin, sen normalisointiparametrin paras sovitus on riittävän pieni ollakseen olennaisesti käyttämätön taivaan vähennyslaskussa. Tällaisessa tapauksessa, jossa galaksimallia ei käytetä, pystyimme silti palauttamaan monia samoja spektripiirteitä. Jäljellä olevalle pelkistykselle valitaan yksi näistä K-jättiläismalleista ([Fe / H] = −1) mallina galaksipäästöille.

3.2 Mallin asennus

Kun olemme rakentaneet mallin siitä, mitä odotamme havainneen, sovitamme sen sitten tietoihimme käyttämällä suurimman todennäköisyyden estimaattoria. Suoritettaessa tätä maksimointia löydämme pienen lähtöparametrien riippuvuuden parhaista arvaustuloparametreistamme. Tämän vuoksi lisätään uusi vaihe, jossa otamme tämän ulostuloparametrisarjan ja käytämme sitä aloittaaksemme poskijakaumamme Markov-ketjun Monte Carlon (MCMC) analyysin käyttämällä emceea (Foreman-Mackey et ai. 2013). Sallimme laajan yhtenäisen priorin. Tutkimukset osoittavat, että palaminen tapahtuu näytteessä noin 700 iteraation jälkeen, vaikka otamme näytteitä vasta 800 iteraation jälkeen, jotta voimme olla varmoja siitä, että otamme näytteitä takajakaumasta. Jotta voimme varmistaa, että tutkimme koko parametriavaruuden riittävästi, kaksinkertaistamme kävelijöiden määrän, kunnes olemme varmoja, että tutkimme täysin takaosan jakaumaa. Käytämme 800 kävelijää. Posteriorijakaumat ovat Gaussin ja riippumattomia kaikista parametreista. Otamme näiden jakaumien keskiarvon optimaalisiksi parametreiksi rakennettaessa tietojemme lopullista mallia. Jos käytämme näiden takajakaumien mediaaniarvoa mallin rakentamisessa, emme löydä havaittavaa eroa. Vähentämällä datastamme optimaalisen mallin taivaankomponentti pääsemme taivasta vähennettyihin tieteen kehyksiin. Sovellamme asiaankuuluvia baryentrisiä korjauksia käyttäen Tollerudia (2015) ja mediaani yhdistämme yhdeksän kehystä lopullisten tieteiden spektrien luomiseksi. Esitämme tuloksena olevat yhdistetyt mediaanispektrit kuvassa 3. Arvioimme signaalin ja kohinan suhteen (S / N) 17 per Å Hp: ssä tälle spektrille.

Viimeinen pinottu spektri, jota käytämme VCC 1287: n sisäisen kinematiikan johtamiseen taivaan vähennyksen jälkeen. Barysentriset korjaukset tehtiin ennen pinoamista. Katselun helpottamiseksi spektri on jaettu kahteen puolikkaaseen. Hp ja Mgb tripletti on merkitty.

Viimeinen pinottu spektri, jota käytämme VCC 1287: n sisäisen kinematiikan johtamiseen taivaan vähennyksen jälkeen. Barysentriset korjaukset tehtiin ennen pinoamista. Katselun helpottamiseksi spektri on jaettu kahteen puolikkaaseen. Hp ja Mgb tripletti on merkitty.

Jotta voimme varmistaa, että taivaan vähennysprosessimme pystyy palauttamaan galaksivirran oikein, rakennamme kaksi mallitietojoukkoa. Molemmille otamme yhden taivaanvalotuksistamme ja lisätään vuon yhteen kahdesta Co-tyypin (Kel) (2014) jättimäisestä synteettisestä tähtimallista kuvan 4 mukaisesti. Yksi näistä malleista on sama kuin mitä käytämme vähentämään dataa, ja toinen on yksinkertaisesti samanlainen K-jättiläinen, jota käytämme osoittamaan, että vähennyslaskumme on vankka mallien pienen ristiriidan sattuessa. Näytämme tulokset taivaan vähennyksen suorittamisesta näillä molemmilla tietojoukoilla (ilman niiden luomiseen käytettyä taivaskehystä) kuvassa 4. Kun mallitietoihin lisätty malli vastaa mallia, jota käytämme mallissamme havainnointiin, pystymme palauttamaan lisätyn vuomme ylimääräisellä melulla. Jos mallissamme oleva malli ja mallidatamme "galaksi" -virta eroavat toisistaan, pystymme silti palauttamaan lisäämämme virtauksen samalla tasolla lisättyä melua. Toteamme, että taivaan vähennyslaskumme pystyy palauttamaan tehokkaasti keinotekoisesti asetetun vuomme, mikä antaa luottamusta uutettuihin tieteen spektreihimme, jopa todennäköisessä skenaariossa, että palautumismallimme ei vastaa täysin VCC 1287: n todellista virtausta.

Mallitietojemme luominen ja myöhempi taivaan vähennys. Yläpaneeli: mallipektri. Galaxy-mallin emissio (punainen ja lisätty jalusta) lisätään taivasspektriin (musta) luomaan pilkkatiedot (sininen). Toinen paneeli ylhäältä: vertailu taivasta vähennetyn pilkkatietojoukon (musta) ja dataan lisätyn mallin (punainen) välillä. Toinen paneeli alhaalta: sama kuin toinen paneeli ylhäältä, mutta lisäämällä dataan erilainen malli kuin mitä havaintomallissa käytetään. Pohjapaneeli: jäännökset uutosta käyttäen samaa mallia (oranssi) ja erilaisia ​​malleja (syaani). Kaikissa paneeleissa Hp: n ja Mg: n sijaintib galaksi-mallin tripletti on merkitty. Taivaan vähennysrutiinimme pystyy palauttamaan tehokkaasti mallidatan virtauksen.

Mallitietojemme luominen ja myöhempi taivaan vähennys. Yläpaneeli: mallipektri. Galaxy-mallin emissio (punainen ja lisätty jalusta) lisätään taivasspektriin (musta) luomaan pilkkatiedot (sininen). Toinen paneeli ylhäältä: vertailu taivasta vähennetyn pilkkatietojoukon (musta) ja dataan lisätyn mallin (punainen) välillä. Toinen paneeli alhaalta: sama kuin toinen paneeli ylhäältä, mutta lisäämällä dataan erilainen malli kuin mitä havainnointimallissa käytetään. Pohjapaneeli: jäännökset uutosta käyttäen samaa mallia (oranssi) ja erilaisia ​​malleja (syaani). Kaikissa paneeleissa Hp: n ja Mg: n sijaintib galaksi-mallin tripletti on merkitty. Taivaan vähennysrutiinimme pystyy palauttamaan tehokkaasti mallidatan virtauksen.


4 STARNET-SOVELLUKSET APOGEE-SPEKTROIHIN

APOGEE-tutkimus on tehty 2,5 m: n Sloan Foundation -teleskoopilla New Mexicossa, ja se kattaa aallonpituusalueen 1,5–1,7 μm H-kaistalla, spektriresoluutiolla R = 22 500. Kohteita tarkastellaan uudelleen useita kertoja, kunnes S / N ≥ 100 on saavutettu (Majewski ym. 2017). Kaikki käynnit käsitellään datan vähentämisputkella 1D: hen ja aallonpituus kalibroidaan ennen yhdistämistä. Yksittäiset käynnit, normalisoimattomat yhdistetyt spektrit ja normalisoidut yhdistetyt spektrit tallennetaan kaikki julkisesti saatavilla olevaan APOGEE-tietokantaan (Nidever et al.2015).

APOGEE Stellar Parameters and Chemical Abundances Pipeline (ASPCAP) on tietojenkäsittelyn jälkeinen työkalu edistyneille tieteellisille tuotteille. Tämä putkilinja perustuu epälineaariseen pienimmän neliösumman mukaiseen FERRE-algoritmiin (Garcia-Pérez et ai. 2016), joka vertaa havaittua spektriä ruudukkoon synteettisiä spektrejä, jotka on tuotettu yksityiskohtaisista tähtimallitunnelmista ja säteilevistä linjansiirtolaskelmista. DR12: lle tämä synteettinen ruudukko oli ASSET-ruudukko, jota käytettiin edellisessä osiossa harjoituksessa. Sovitusprosessi arvioi tähtiparametrit (Teff, Hirsi g, [Fe / H]) ja runsaasti 15 eri alkuaineelle (C, N, O, Na, Mg, Al, Si, S, K, Ca, Ti, V, Mn, Fe ja Ni). Nämä tulokset on kalibroitu vertaamalla tähtiparametreja useiden tähtijoukkojen tähtien optisista spektrianalyyseistä (Cunha et ai. 2015 Mészáros ym. 2015), katso lisätietoja liitteestä.

4.1 Syötetietojen esikäsittely

Testinä StarNet koulutettiin myös käyttämällä APOGEE-havaittuja spektrejä ja ASPCAP DR13-tähtiparametreja (katso Albareti et ai. 2017). APOGEE-virhespektrejä ja ASPCAP: n arvioituja virheitä ei sisällytetty osaksi vertailusarjaa. Tämä rajoittaa StarNetin tarkkuuden viitejoukon parametreihin. ASPCAP-virheiden leviämisen minimoimiseksi StarNet-tuloksissa rajoitimme tietojoukkoamme. Esimerkiksi Holtzman et ai. (2015) varoittaa tähtiä viileämmän käyttämisestä Teff = 4000 K, missä mallit ovat vähemmän varmoja, samoin kuin kuumemmat tähdet, joissa spektrin ominaisuudet ovat vähemmän määriteltyjä. Näistä syistä tietokokonaisuutemme pienennettiin tähtiin välillä 4000 K ≤ Teff ≤ 5500 K.

APOGEE-tiimi on myös ilmoittanut tietyt tähdet ja vierailut useista muista syistä. Tähdet DR13-tietojoukosta, jossa oli joko STARFLAG tai ASPCAPFLAG, poistettiin tietojoukosta, joka sisältää pysyvyyden saastuttamat tähdet (ks. Nidever et al.2015 Jahandar et al.2017), tähdet, jotka on merkitty kirkkaana naapurina, tai joiden arvioidut parametrit ovat lähellä synteettisten mallien parametriruudukkoreunaa. Lisäksi poistettiin tähdet, joiden [Fe / H] & lt − 3, tai tähdet, joilla säteittäinen nopeuden sironta, & lt!CDATA[v]] & gt hajaantua, suurempi kuin 1 km s −1. Spektrit, joilla on korkea & lt!CDATA[v]] & gt hajaantua ovat mahdollisesti binääritähtiä (Nidever et ai. 2015), joilla on mahdollisesti päällekkäisiä spektriviivoja.

Näiden rajoitusten täytäntöönpano viitesarja antoi NN: n kouluttaa puhtaammasta tietojoukosta ja oppia tarkemmista tähtiparametreista asettamalla nämä rajoitukset testisarja oli yritys maksimoida käytettävien ASPCAP-tähtiparametrien pätevyys verrattaessa StarNet-ennusteisiin. Kaikki nämä APOGEE-tietojoukon leikkaukset on esitetty yhteenvetona taulukossa 2.

APOGEE DR13: lle tehdyt leikkaukset harjoittelua ja testisarjaa varten.

Leikkaa. Käy spektrissä. Yhdistetyt spektrit.
Ei leikkauksia 559 484 143 482
ASPCAPFLAG 327 594 92 983
STARFLAG 142 875 45 474
4000 K & ltTeff & lt5500 K 127 357 39 017
& lt!CDATA[v]] & gt hajaantua & lt1 km s −1 120 879 37 311
[Fe / H] & gt −3 120 879 37 311
Hirsi(g) ! = −9999 113 956 35 591
Yhdistetty SNR & gt 200 53 135 Ei sovellettavissa
Jakaminen vertailu- ja testisarjoihin Harjoitussetti Ristivahvistusjoukko Testisarja
41 000 3784 21 037
Leikkaa. Käy spektrissä. Yhdistetyt spektrit.
Ei leikkauksia 559 484 143 482
ASPCAPFLAG 327 594 92 983
STARFLAG 142 875 45 474
4000 K & ltTeff & lt5500 K 127 357 39 017
& lt!CDATA[v]] & gt hajaantua & lt1 km s −1 120 879 37 311
[Fe / H] & gt −3 120 879 37 311
Hirsi(g) ! = −9999 113 956 35 591
Yhdistetty SNR & gt 200 53 135 Ei sovellettavissa
Jakaminen vertailu- ja testisarjoihin Harjoitussetti Ristivahvistusjoukko Testisarja
41 000 3784 21 037

APOGEE DR13: n harjoittelu- ja testisarjan leikkaukset.

Leikkaa. Käy spektrissä. Yhdistetyt spektrit.
Ei leikkauksia 559 484 143 482
ASPCAPFLAG 327 594 92 983
STARFLAG 142 875 45 474
4000 K & ltTeff & lt5500 K 127 357 39 017
& lt!CDATA[v]] & gt hajaantua & lt1 km s −1 120 879 37 311
[Fe / H] & gt −3 120 879 37 311
Hirsi(g) ! = −9999 113 956 35 591
Yhdistetty SNR & gt 200 53 135 Ei sovellettavissa
Jakaminen vertailu- ja testisarjoihin Harjoitussetti Ristivahvistusjoukko Testisarja
41 000 3784 21 037
Leikkaa. Käy spektrissä. Yhdistetyt spektrit.
Ei leikkauksia 559 484 143 482
ASPCAPFLAG 327 594 92 983
STARFLAG 142 875 45 474
4000 K & ltTeff & lt5500 K 127 357 39 017
& lt!CDATA[v]] & gt hajaantua & lt1 km s −1 120 879 37 311
[Fe / H] & gt −3 120 879 37 311
Hirsi(g) ! = −9999 113 956 35 591
Yhdistetty SNR & gt 200 53 135 Ei sovellettavissa
Jakaminen vertailu- ja testisarjoihin Harjoitussetti Ristivahvistusjoukko Testisarja
41 000 3784 21 037

Edellä mainittujen rajoitusten lisäksi vertailujoukko sisälsi vain yksittäisten vierailuspektrit tähdistä, joissa yhdistetyllä spektrillä oli S / N & gt 200. ASPCAP: n tähtiparametrien tarkkuuden tiedetään hajoavan alemmalla S / N: llä (Ness ym. 2015 Casey et. al.2016). Korkean S / N-yhdistetyn spektrin käyttäminen harjoittelutuloksena johti kuitenkin mallin (ks. Liite A) ylikuormitukseen korkean S / N-spektrin kanssa. Tämän ongelman kompensoimiseksi StarNet koulutettiin yksilökäyntispektreihin samalla kun käytettiin yhdistetyistä spektreistä saatuja tähtiparametreja. Tämä vaihe mahdollisti mallin kouluttamisen matalammille S / N-spektreille erittäin tarkoilla parametreilla. Harjoittelunäytteen rajoittaminen sisältämään tähtiparametreja korkeista S / N-spektreistä oli myös käytännöllistä: tällä hetkellä StarNet ei pysty painottamaan tulospektrejä spektrin kohinaominaisuuksien mukaan harjoituksen aikana. Kun yhdistetään erilaisia ​​tietojoukkoja, joita käsittelemme tulevassa työssä, niistä saattaa tulla kriittisempi, mutta niillä ei ole merkitystä nykyisessä analyysissä.

Datan esikäsittelyn viimeinen vaihe normalisoi spektrit. Sekä Cannon 2 (Casey et al. 2016) että ASPCAP ovat toteuttaneet itsenäisiä jatkumo-normalisointitekniikoita, lisäksi APOGEE DR13 -spektrit normalisoitiin edelleen tietyillä spektrialueilla. Synteettiset ASSET-spektrit normalisoitiin samalla tavalla helpottamaan tietojen oikeaa sovittamista. On ehdotettu (esim. Casey ym. 2016), että ASPCAP-jatkumo-normalisointitekniikat johtavat S / N-riippuvuuteen. Tämä on StarNetin potentiaalinen rajoitus, kun sitä on koulutettu synteettisille spektreille, koska nämä spektrit normalisoitiin ASPCAP: lla ilman melun lisäämistä etukäteen. Mahdolliset epälineaarisuudet jatkuvuuden normalisoinnissa suljetaan pois synteettisten spektrien tietojoukosta. Jos tämä epäjohdonmukainen normalisointi on todellakin ongelma, se voi luoda synteettisen spektrin ja identtisten tähtiparametrien matalan S / N APOGEE -spektrin välillä luontaisen ristiriidan, mikä johtaa virheellisiin tähtiparametrien arvioihin.

Tämä jatkumon normalisointivirheen potentiaali motivoi meitä ottamaan käyttöön yksinkertaisen ja lineaarisen normalisointimenetelmän StarNetissä APOGEE-spektrien harjoittamiseen ja testaamiseen, spektrit jaettiin sinisiin, vihreisiin ja punaisiin siruihin, ja jokainen siru jaettiin sen mediaanivuon arvolla . Kolme sirua yhdistettiin sitten yhden spektrin vektorin luomiseksi. Koska normalisointimenettelyt eivät yleensä tarvitse ulkoista tietoa, yksinkertaisella lähestymistavallamme testataan myös verkon ominaisuuksia verrattuna fyysisesti ohjattavampaan jatkuvuuden poistoon. Lisäanalyysiä tarvitaan kuitenkin jatkuvuuden normalisoinnin täyden vaikutuksen määrittämiseksi tässä NN-lähestymistavassa.

4.2 StarNetin koulutus ja testaus APOGEE-spektreillä

StarNet on koulutettu ja testattu ASPCAP-tähtiparametreilla (Teff, Hirsi g, [Fe / H]), jotka vastaavat vastaavasti yksittäisiä vierailuspektrit ja yhdistetyt spektrit. Kuten aiemmin keskusteltiin, tähän sisältyivät tähdet APOGEE DR13 -tietojoukosta taulukossa 2 esitetyillä leikkauksilla. Näiden vaatimusten mukaisia ​​S / N & gt 200 -tuotteita oli 17 149 tähteä, joista 2651 käytettiin testisarjan osana, ja 14 498 tähteä (sisältää 44 784 yksittäistä käyntiä) käytettiin StarNet-vertailusarjana. Tämä on hieman alle 10 prosenttia kaikista APOGEE DR13 -tietojoukosta. Osa näistä yksittäisistä vierailuista (41 000 eli 92 prosenttia vertailujoukosta) valittiin satunnaisesti harjoittelusarjaan. Jäljellä olevia 3784 vierailuspektriä käytettiin StarNet-mallin ristivalidointiin jokaisen eteenpäin etenemisen jälkeen harjoituksen aikana. Harjoittelun satunnaisvalintojen ja ristivalidointinäytteiden välillä ei havaittu merkittäviä poikkeamia.

Harjoituksen jälkeen StarNet levitettiin testisarjaan, joka sisälsi sekä korkeat että matalat S / N-yhdistetyt spektrit. StarNet-ennusteita verrataan kuvan 3 ASPCAP-parametreihin. Suurille S / N-spektreille StarNet-ennusteet osoittavat erinomaisen sopusoinnun ASPCAP DR13 -tulosten kanssa. Alemmilla S / N-spektreillä on enemmän ja suurempia poikkeamia StarNetin ja DR13: n välillä. Esimerkiksi korkeissa lämpötiloissa (Teff& gt 5000 K), StarNet ennustaa alhaisemmat efektiiviset lämpötilat kuin DR13. Malliennusteiden laatu riippuu harjoitussarjan tähtien lukumäärästä, joka ulottuu testijoukon parametriavaruuteen, joten ehdotamme, että nämä poikkeamat johtuvat riittämättömästä tähtimäärästä Teff& gt 5000 K (∼4 prosenttia) referenssisarjassa. Vastaavasti tähtiä on vähän matalilla metallipitoisuuksilla, [Fe / H] & lt −1,5 (∼0,2 prosenttia vertailujoukosta), ja siksi StarNetin soveltaminen kaikkein metalliköyhimmiin tähtiin johtaa myös suurempiin poikkeamiin DR13-tuloksista. Näiden kahden alueen poikkeama, kuten näillä kahdella alueella näkyy, lisää tarvetta suurille harjoitusjoukoille syvälle NN: lle, kuten StarNet.

StarNet-ennusteiden ja ASPCAP-parametrien jäännökset 21 037 yhdistetyn spektrin testisarjalle laajalla S / N-alueella. StarNet koulutettiin 41 000 yksittäisen vierailun spektrille APOGEE DR13 -tietojoukosta. Kun S / N pienenee, kuumien tähtien, pinnan painovoima-alueen alapäässä olevien tähtien ja kaikkein metallihuonoimpien tähtien kohdalla nähdään pienet poikkeamat, jotka johtuvat todennäköisesti harjoitusjoukon näytekoon poikkeavuudesta. Projisoidut jäännösjakaumat on esitetty oikealla (tummanvioletti spektrillä S / N & gt 200, vaalean violetti S / N & lt 100).

Merkintä. Mediaani-arvo (m͊) ja keskihajonta (keskihajonnat) lasketaan jokaisessa paneelissa, kuten kuvassa 2.

StarNet-ennusteiden ja ASPCAP-parametrien jäännökset 21 037 yhdistetyn spektrin testisarjalle laajalla S / N-alueella. StarNet koulutettiin 41 000 yksittäisen vierailun spektrille APOGEE DR13 -tietojoukosta. Kun S / N pienenee, kuumien tähtien, pinnan painovoima-alueen alapäässä olevien tähtien ja kaikkein metallihuonoimpien tähtien kohdalla nähdään pienet poikkeamat, jotka johtuvat todennäköisesti harjoitusjoukon näytekoon poikkeavuudesta. Projisoidut jäännösjakaumat on esitetty oikealla (tummanvioletti spektrillä S / N & gt 200, vaalean violetti S / N & lt 100).

Merkintä. Mediaani-arvo (m͊) ja keskihajonta (keskihajonnat) lasketaan jokaisessa paneelissa, kuten kuvassa 2.

Toinen mahdollinen virhelähde ennusteissa korkeissa lämpötiloissa ja matalilla metallipitoisuuksilla on itse spektrissä. Näillä alueilla spektripiirteet ovat heikompia, joten NN kamppailee tärkeimpien ominaisuuksien löytämiseksi koulutuksen aikana. Samoin ASPCAP: n määrittelemillä parametreilla on suuremmat sisäiset epävarmuustekijät. Lisäksi näitä vaikutuksia voidaan vahvistaa testattaessa alemmilla S / N-spektreillä.

Harjoittelun jälkeen StarNet levitettiin 148 724 tähteen APOGEE DR13 -tietokannassa. Tämä viimeinen päättelyvaihe on erittäin nopea: kestää noin 1 minuutti suorittimen aikaa koko tietojoukolle. Näiden ennusteiden tekemiseen tarvittava lyhyt aika on valtava etu suurten spektrikyselyjen nopean datan vähentämisessä.

StarNet-ennusteet 99 211 spektrille esitetään kuvassa 4, jossa tähdet, joilla on ASPCAP Teff, Hirsi gtai [Fe / H] -arvot −9999 poistettiin yhdessä niiden kanssa, joiden oletetaan olevan M kääpiötähdet (katso osa 5.2). StarNet-ennusteita verrataan tähtien isokrooneihin, jotta parametrisuhteiden odotettu suuntaus saataisiin näkyviin. Dartmouth Stellar Evolution -tietokannasta (Dotter et al. 2008), joiden ikä on 5 Gyr ja [a / Fe] = 0. Kuvassa 4 on myös StarNet-vertailusarja 14 498 tähdestä korostettuna osoittamaan niiden runsauden leviämistä parametriavaruudessa.

Vasen paneeli: StarNetin tähtiparametrit 99 211 tähdelle, joissa näkyy loki g parametrit Teff laajalla alueella [Fe / H] (katso väripalkki). Oikea paneeli: StarNet-vertailusarja, jossa on 14 498 tähteä, korostettuna koko 99 211 tähden näytteen päällä (harmaa). Tähtien isokroonit on esitetty molemmissa paneeleissa (Dotter et ai. 2008), joiden ikä on 5 Gyr ja [Fe / H] -arvot löytyvät vasemmassa yläkulmassa (vastaavat väripalkkia).

Vasen paneeli: StarNetin tähtiparametrit 99 211 tähdelle, joissa näkyy loki g parametrit Teff laajalla alueella [Fe / H] (katso väripalkki). Oikea paneeli: StarNet-vertailusarja 14 498 tähteä korostettuna koko 99 211 tähden näytteen päällä (harmaa). Tähtien isokroonit on esitetty molemmissa paneeleissa (Dotter et ai. 2008), joiden ikä on 5 Gyr ja [Fe / H] -arvot löytyvät vasemmassa yläkulmassa (vastaavat väripalkkia).

StarNet-mallin itsekonsistenssin analysoimiseksi tehtiin ennusteita sekä yksittäisille vierailuspektoreille että yhdistetyille spektreille samoille kohteille. Tähän testiin valittiin tavoitteet, joissa oli vähintään neljä yksittäistä käyntiä, ja jäännösten erot laskettiin. Jokaisen tähtiparametrialustan 100 objektin keskiarvo on esitetty kuvassa 5 (vasen paneeli), kun taas jokaisessa S / N-astiassa (oikeanpuoleinen paneeli) oli 230 objektia. Esitetyt lisääntyneet ja kokonaisvirheet on käsitelty luvussa 3.2. Kun verrataan yksittäisten käyntien StarNet-ennusteita yhdistettyjen spektrien tuloksiin, tulokset ovat melko yhdenmukaiset suurimmalla osalla parametriavaruutta, vaikka kuten aiemmin keskusteltiin, poikkeamat lisääntyvät huomattavasti matalammilla metallipitoisuuksilla ([Fe / H] & lt −1,2 dex) ja korkeammissa lämpötiloissa (Teff & gt 5100 K). Myös odotetusti sironta kasvaa matalammalla S / N: llä, vaikkakin vain vähän, kunnes S / N ≲ 60. Jopa pienimmillä arvoilla (S / N ∼ 15) tulokset ovat melko yhdenmukaisia. Kyky ennustaa hyvin alemmilla S / N-spektreillä johtuu suurelta osin siitä, että StarNet koulutettiin yksittäisillä käynneillä - vain yhdistettyjen spektrien sijasta - korkean validiteetin tähtiparametreillä.

Yksittäisten vierailujen StarNet-ennusteiden vertailu vastaavien yhdistettyjen spektrien ennusteisiin. Vasen paneeli: vertailut tehdään parametriavaruuteen, jossa kukin parametrisäiliö sisältää 100 satunnaisesti valittua spektriä. Suurimmat poikkeamat ovat matalammilla metallipitoisuuksilla ja korkeammissa lämpötiloissa. Oikeanpuoleinen paneeli: vertailut tehdään yksittäisten käyntien S / N perusteella, jolloin kukin S / N-astia sisälsi 230 spektriä. Molemmissa kaavioissa ”hajonta (vierailu-yhdistetty)” on keskihajonta jäännöksissä yksittäisten käyntien ennusteiden ja yhdistettyjen spektrien välillä kohteissa, joissa on enemmän kuin neljä yksittäistä käyntiä. ”Leviävät virheet” ovat virhespektriin liittyviä virhetermejä, kun taas ”Virheet yhteensä” ovat lisääntynyt virhe ja ”Sisäinen hajonta” -termit (ks. Kohta 3.2), jotka on lisätty kvadratuuriksi. StarNet koulutettiin 41 000 yksittäisen vierailun spektrille ASPCAP DR13 -tietojoukosta.

Yksittäisten vierailujen StarNet-ennusteiden vertailu vastaavien yhdistettyjen spektrien ennusteisiin. Vasen paneeli: vertailut tehdään parametriavaruuteen, jossa kukin parametrisäiliö sisältää 100 satunnaisesti valittua spektriä. Suurimmat poikkeamat löytyvät alemmista metallipitoisuuksista ja korkeammissa lämpötiloissa. Oikeanpuoleinen paneeli: vertailut tehdään yksittäisten käyntien S / N perusteella, joissa kukin S / N-astia sisälsi 230 spektriä. Molemmissa kaavioissa 'hajonta (vierailu-yhdistetty)' on keskihajonta jäännöksissä yksittäisten käyntien ennusteiden ja yhdistettyjen spektrien välillä kohteissa, joissa on enemmän kuin neljä yksittäistä käyntiä. ”Levitetyt virheet” ovat virhespektistä johtuvia virhetermejä, kun taas ”Virheiden kokonaismäärä” ovat lisääntynyt virhe ja ”Sisäinen hajonta” -termit (katso kohta 3.2), jotka on lisätty kvadratuureina. StarNet koulutettiin 41 000 yksittäisen vierailun spektrille ASPCAP DR13 -tietojoukosta.

Yksittäisten käyntien ennusteiden ja yhdistettyjen spektrien jäännöksissä havaitut trendit (eli sironnan kasvu matalammilla metallipitoisuuksilla ja alhaisemmalla S / N: llä) heijastuvat myös StarNetin levittämiin virheisiin (katso osa 3.2), jotka on myös esitetty kuvassa 5. Tämä antaa varmuuden siitä, että käytetyt virheensiirtomenetelmät antavat riittävän arvion StarNet-ennusteiden epävarmuustekijöistä.

4.3 Mallin valinta

Syväoppimisarkkitehtuurit, kuten StarNet, sisältävät tyypillisesti kokeiluja ja hyperparametrien virittämistä riittävään malliin siirtymiseksi. Jotkut näistä hyperparametreista sisältävät kussakin konvoluutiokerroksessa olevien suodattimien määrän, niiden suodattimien pituuden, jotka on konvoloitu näiden konvoluutiokerrosten tulojen yli, kunkin täysin yhdistetyn kerroksen yhteyssolmujen lukumäärän, poolointikerroksen koko poolpoolikerroksessa (syötteiden lukumäärä, joita verrataan toisiinsa enimmäisarvon löytämiseksi) ja kaltevuuslaskun optimoijan oppimisnopeus. Hyperparametrien lopullinen valinta automatisoitiin seuraavasti: Optimaalisen malliarkkitehtuurin valitsemiseksi hyperparametrien optimointi suoritettiin kahdessa vaiheessa. Ensimmäisen vaiheen aikana konvoluutiokerrosten, täysin yhdistettyjen kerrosten, suodattimien ja solmujen lukumäärää vaihdettiin satunnaisesti suodattimien pituuden, yhdistämisikkunan koon ja oppimisnopeuden kanssa. Tämä antoi optimoijalle mahdollisuuden testata erilaisia ​​yhdistelmiä konvoluutio- ja täysin yhdistettyjen kerrosten lukumäärästä useiden muiden hyperparametrien kanssa varmistaakseen, että kukin yhdistelmä voisi saavuttaa suurimman ennustepotentiaalin. Näiden mallien koulutuksessa käytettiin samoja koulutus- ja ristivalidointisarjoja (kuten kuvataan kohdassa 4.1), ja kutakin mallia testattiin samoilla testisarjoilla (käsitelty kohdassa 4.2). Mallien vertailussa käytetty metriikka oli tavoitteen ja ennustettujen parametrien välinen MSE. Jotta jokainen parametri painotettaisiin tasaisesti, parametrit normalisoitiin siten, että niiden keskiarvo ja yksikkövarianssi olivat suunnilleen nolla. Kuvassa 6 on esimerkki parhaiten toimivista malleista, jotka on arvioitu jokaiselle kerrosten yhdistelmälle.

MSE normalisoitujen kohdeparametrien ja StarNet-ennusteiden välillä piirretään konvoluutio- ja täysin yhdistettyjen kerrosten eri yhdistelmiä vastaan. Näitä tuloksia käytettiin apuna StarNetin malliarkkitehtuurin valinnassa.

MSE normalisoitujen kohdeparametrien ja StarNet-ennusteiden välillä piirretään konvoluutio- ja täysin yhdistettyjen kerrosten eri yhdistelmiä vastaan. Näitä tuloksia käytettiin apuna StarNetin malliarkkitehtuurin valinnassa.

Havaittiin, että kerrosten lukumäärän lisääminen paransi malliennusteita, mutta suorituskyvyssä oli tasanne yhdistettäessä kahta konvoluutiokerrosta kahteen täysin yhdistettyyn kerrokseen. Useamman kerroksen lisääminen tähän arkkitehtuuriin ei paranna selvästi ennustetuloksia, kun taas vähemmän kerroksia johti merkittävästi huonompaan MSE: hen.

Sitten aloitettiin toinen hyperparametrien optimointi, jossa konvoluutio- ja täysin yhdistettyjen kerrosten lukumäärä vahvistettiin kumpaankin, kun taas loput hyperparametrit vaihtelivat ja optimoitiin käyttämällä puurakenteista Parzen-estimaattoria (TPE, Bergstra ym. 2011 ). Hyperparametrien optimoinnin tässä toisessa vaiheessa valittu malli oli samanlainen kuin kuvassa 1, ja tätä mallia käytettiin lähtökohtana malliarkkitehtuurimme valinnassa. Pieniä muutoksia tehtiin mahdollisten parannusten löytämiseksi, kunnes StarNet-mallin arkkitehtuuri toimi johdonmukaisesti riittävien tulosten kanssa.

Vaikka yksinkertaisemmat mallit voisivat toimia vertailukelpoisesti hyvin StarNet-arkkitehtuurin kanssa, kun niitä opetetaan synteettisille tiedoille, päätettiin, että yhtä malliarkkitehtuuria tulisi käyttää sekä synteettisten tietojen että APOGEE-spektrien harjoittamiseen.

Aikaisemmissa tutkimuksissa havaittiin, että NN: ien soveltaminen tähtispektreihin edellyttää vain korkeintaan kahta piilotettua kerrosta, joissa on vähemmän solmuja kuin StarNetissä käytetty määrä (Bailer-Jones 2000), mutta näitä sovellettiin paljon pienempiin tietojoukoihin. Nykyiset koneoppimismenetelmät - yhdessä suurten tietojoukkojen kanssa - mahdollistavat monimutkaisempien mallien parantavan suorituskykyä välttäen silti ylikuntoa. Suurin poolikerros vähentää mallin vapausastetta minimoimalla tarpeettomien painojen vaikutukset ja yksinkertaistamalla siten mallin toimintaa. StarNet-mallin sovittamisen nopeuttamiseksi käytämme Hän Normaali (He et ai. 2015) painon alustus, joka mahdollistaa myös syvempien mallien lähentymisen ja lopulta NN: n löytää monimutkaisempia ominaisuuksia. Lyhyesti sanottuna Hän Normaali alustin, Rectified Linear Unit (ReLU) -aktivointi ja ADAM-optimoija (katso liite A) mahdollistavat syvemmän mallin saavuttavan konvergenssin helpommin ja nopeutetulla nopeudella, kun taas suurin poolointikerros yksinkertaistaa mallin sijoituksen monimutkaisuutta. Ristivahvistussarjan käyttö on toinen tekniikka, joka on otettu käyttöön StarNetissä yliasennuksen lieventämiseksi. Nämä tekniikat ja menetelmät kuvataan tarkemmin liitteessä A.

4.4 Vertailut tykkiin

Cannon (Ness et ai. 2015) on tietopohjainen, generatiivinen malli, jolla on samat rajoitukset kuin valvotulla oppimismenetelmällä, toisin sanoen molemmat perustuvat viitetietojoukkoon. Toisin kuin StarNet, generatiivinen lähestymistapa käyttää tähtiparametreja tuloina ja spektrejä lähtöinä harjoittelun aikana. Tykki käyttää asteen polynomifunktiota kääntääkseen tähtiparametrit spektreiksi, ja toiminnon parhaiten sopivat kertoimet löytyvät pienimmän neliösumman sovittamisen kautta. Testivaiheen aikana tähtiparametrit määritetään toisella regressiovaiheella, jossa tähtien parametreja vaihdellaan, kunnes ne tuottavat spektrin, joka parhaiten vastaa havaittua spektriä.

Tykki oli alun perin koulutettu APOGEE DR10: n (Mészáros et al. 2013) yhdistetyille spektrille 542 tähdestä 19 ryhmässä. Nämä ovat paljon vähemmän harjoitteluesimerkkejä kuin StarNet käyttää DR13: sta, ja tykki pystyi kuitenkin ennustamaan DR10-spektrien tähtiparametrit erittäin hyvin. Pyrimme vertailemaan näitä kahta tekniikkaa, koulutimme saman StarNet-arkkitehtuurin, nimeltään StarNetC1, samassa 542 tähden DR10-tietojoukossa. StarNetC1 Sitten sitä käytettiin 29 891 yhdistettyyn spektriin, joilla oli sekä ASPCAP- että Cannon-ennusteet tähtiparametreille. Näitä verrataan kuvioon 7, jossa StarNetin rajoituksetC1 malli on selvästi nähtävissä. StarNetissä käytetty koneoppimismenetelmä vaatii a suuri harjoittelunäyte, joka kattaa laajan parametriavaruuden. Harjoittelu 542 yhdistetyllä spektrillä ei kata tarpeeksi parametrialueita kertyneellä S / N: llä, jotta se mahtuisi kompleksiseen StarNet CNN: ään. Tämä näkyy myös suurissa jäännöksissä verrattaessa StarNetiäC1 ennusteet ja ASPCAP DR10 -parametrit. Alhaisen S / N-spektrin ennusteet osoittavat merkittävimmän sironnan.

StarNetin vertailuC1 tulokset ASPCAP (vasen paneeli) ja StarNetC1 tulokset Cannon 1: n (oikeanpuoleinen paneeli) kanssa sekä vertailut Cannon 1: n ja ASPCAP: n (keskipaneeli) välillä. StarNetC1 koulutettiin APOGEE DR10 -yhdistelmäspektrissä samoista 542 tähdestä, joita Cannon 1 käytti harjoitteluun. Testisarja sisältää yhdistetyt DR10-spektrit, joilla oli sekä ASPCAP- että Cannon 1 -ennusteet. Mediaani-arvo (m͊) ja keskihajonta (keskihajonnat) lasketaan kullekin paneelille, kuten kuvassa 2. (Huomaa, että käyräakselien alue poikkeaa tämän artikkelin muista käyristä).

StarNetin vertailuC1 tulokset ASPCAP (vasen paneeli) ja StarNetC1 tulokset Cannon 1: n (oikeanpuoleinen paneeli) kanssa sekä vertailut Cannon 1: n ja ASPCAP: n (keskipaneeli) välillä. StarNetC1 koulutettiin APOGEE DR10 -yhdistelmäspektrissä samoista 542 tähdestä, joita Cannon 1 käytti harjoitteluun. Testisarja sisältää yhdistetyt DR10-spektrit, joilla oli sekä ASPCAP- että Cannon 1 -ennusteet. Mediaani-arvo (m͊) ja keskihajonta (keskihajonnat) lasketaan kullekin paneelille, kuten kuvassa 2. (Huomaa, että käyräakselien alue poikkeaa tämän artikkelin muista käyristä).

Vaatimus suurista koulutusjoukoista, jotka edustavat riittävästi testisarjaa, on rajoitus monille syvällisistä oppimismenetelmistä, kuten StarNet. Kuitenkin, kun suurempia tietojoukkoja tulee saataville, nämä menetelmät voivat olla erittäin tehokkaita, kuten seuraavassa osassa käsitellään.

4.5 Vertailut tykkiin 2

Cannon 2 (Casey ym. 2016) on jatkoa Cannon-projektille. Tykin ennustamien kolmen tähtiparametrin lisäksi The Cannon 2 ennustaa 14 uutta kemiallista runsautta. Cannon 2 on koulutettu myös yksittäisten vierailujen spektreihin, mutta se harjoittaa suuremmalla tähtien määrällä kuin Cannon. Myös Cannon 2 lisää säännöllisyyden termin harjoituksen toimintoon vähentääkseen todennäköisyyttä, että malli liikaa harjoitustietoja.

Cannon 2: n harjoitusryhmä koostui tähdistä, joiden 200 & lt S / N & lt 300, [Fe / H] & gt −3, [X / Fe] & lt 2, [α / Fe] & gt −0,1, [& lt! [CDATA[v]] & gt / Fe] & gt −0,6, & lt! [CDATA[v]] & gt hajaantua & lt 1 km s -1, ja poissuljetut kohteet, jotka on merkitty ASPCAPFLAG: lla. Nämä leikkaukset poistivat tähdet lähellä synteettisten mallien ruudukon reunaa yhdessä muiden virhelähteiden kanssa, mikä johti huonoon ASPCAP-parametrien määritykseen. Se ei kuitenkaan ottanut huomioon pysyvyydellä merkittyjä spektrejä. Cannon 2 -harjoitussarja koostui 12 681 tähden vierailusta.

Kahden mallin riittävän vertailun tekemiseksi StarNetC2 sai APOGEE DR12 -tutkinnon 39 098 käynnillä 12 681 tähdeltä, jotka täyttivät samat Cannon 2 -koulutusryhmän asettamat rajoitukset (Holtzman et al.2015). 85 341 testisarja yhdistää spektrit 4000 K & lt Teff& lt 5500 K ja log g & lt 3.9 hyväksyttiin samanlaisilla rajoituksilla kuin Cannon 2 -testi.

Laadimme keskimääräisen neliövirheen (RMSE) ja keskimääräisen absoluuttisen virheen (MAE) identtiselle testijoukolle sekä Cannon 2: lle että StarNetilleC2 Tämä vahvistaa kuvan 8 jäännösten visuaalisen tarkastuksen, että StarNetC2 pystyy ennustamaan arvot lähemmäksi ASPCAP-tähtiparametreja. Katso myös kuvasta 8, StarNetC2 eroaa ASCAP: sta matalammilla metallipitoisuuksilla ja kuumemmissa lämpötiloissa, kun spektrien S / N on pienempi. Nämä vaikutukset näkyvät myös Cannon 2 -ennusteissa. Itse asiassa vertailu StarNetistäC2 tykki 2 osoittaa, että vaikutus on suurempi tykki 2 -tuloksissa.

StarNetin vertailuC2 tulokset ASPCAP (vasen paneeli) ja StarNetC2 tulokset Cannon 2 -ennusteista (oikeanpuoleinen paneeli) sekä vertailut Cannon 2: n ja ASPCAP: n (keskipaneeli) välillä. Kaikki parametrit perustuvat DR12-tietojoukkoon. StarNet koulutettiin yksittäisillä vierailuilla samankaltaisista tähdistä kuin ne, joita käytettiin Cannon 2: n harjoittamiseen. Näiden kahden menetelmän vertailussa käytetty testijoukko oli myös samanlainen kuin Cannon 2: n mediaaniarvo (m͊) ja keskihajonta (t) lasketaan jokaisessa paneelissa, kuten kuvassa 2.

StarNetin vertailuC2 tulokset ASPCAP (vasen paneeli) ja StarNetC2 tulokset Cannon 2 -ennusteista (oikeanpuoleinen paneeli) sekä vertailut Cannon 2: n ja ASPCAP: n (keskipaneeli) välillä. Kaikki parametrit perustuvat DR12-tietojoukkoon. StarNet koulutettiin yksittäisillä vierailuilla samankaltaisista tähdistä kuin ne, joita käytettiin Cannon 2: n harjoittamiseen. Näiden kahden menetelmän vertailussa käytetty testijoukko oli myös samanlainen kuin Cannon 2: n mediaaniarvo (m͊) ja keskihajonta (t) lasketaan jokaisessa paneelissa, kuten kuvassa 2.

StarNetin vertailuC2 ja Cannon 2 -tulokset 85 341 yhdistetyn spektrin testisarjalle APOGEE DR12: lta. Käytettävät mittarit ovat MAE ja RMSE samojen tähtien suhteen.

Metrinen . Parametri. StarNetC2 . Tykki 2.
Teff31.2 46.8
MAE Hirsi g0.053 0.066
[Fe / H] 0.025 0.036
Teff51.2 71.6
RMSE Hirsi g0.081 0.102
[Fe / H] 0.040 0.053
Metrinen . Parametri. StarNetC2 . Tykki 2.
Teff31.2 46.8
MAE Hirsi g0.053 0.066
[Fe / H] 0.025 0.036
Teff51.2 71.6
RMSE Hirsi g0.081 0.102
[Fe / H] 0.040 0.053

StarNetin vertailuC2 ja Cannon 2 -tulokset 85 341 yhdistetyn spektrin testisarjalle APOGEE DR12: lta. Käytettävät mittarit ovat MAE ja RMSE samojen tähtien suhteen.

Metrinen . Parametri. StarNetC2 . Tykki 2.
Teff31.2 46.8
MAE Hirsi g0.053 0.066
[Fe / H] 0.025 0.036
Teff51.2 71.6
RMSE Hirsi g0.081 0.102
[Fe / H] 0.040 0.053
Metrinen . Parametri. StarNetC2 . Tykki 2.
Teff31.2 46.8
MAE Hirsi g0.053 0.066
[Fe / H] 0.025 0.036
Teff51.2 71.6
RMSE Hirsi g0.081 0.102
[Fe / H] 0.040 0.053

4.6 StarNetin harjoittelu synteettisillä spektreillä

Keskeinen seuraava vaihe NN-lähestymistavan kehittämisessä tähtien spektrien analysointiin on osoittaa, että StarNet pystyy myös ennustamaan tähtien parametreja ilman ulkoista putkistoa. Tässä osassa esitämme tähtiparametrien tulokset APOGEE-tiedoille sen jälkeen, kun StarNet on koulutettu vain synteettisille spektreille. Tavoitteenamme on osoittaa, että StarNet voi toimia erillisenä tietojenkäsittelyputkena ja tuottaa itsenäisen tähtiparametrien tietokannan, joka ei riipu aikaisemmista ASPCAP-putkilinjan tuloksista.

4.6.1 Synteettinen aukko

Synteettisten ja havaittujen spektrien ominaisuuksien jakaumien eroja kutsutaan synteettinen aukko. StarNet-synteettisten spektrien harjoittamisen toteutettavuuden tutkimiseksi ja parametrien ennustamiseksi tarkkailtujen spektrien perusteella oli välttämätöntä varmistaa, että synteettinen rako oli suhteellisen pieni. Koska jokainen spektri koostuu 7214 datapisteestä tai edustaa pistettä 7214-ulotteisessa avaruudessa, voidaan odottaa, että synteettinen ja havaittu spektri, jolla on samat parametrit, miehittää suunnilleen saman alueen tässä tilassa, jos aukko on todellakin pieni. Tämän tilan visualisointi on mahdollista vain pienentämällä mittasuhteita. Käytimme t-hajautettua stokastista naapurin upottamista (t-SNE Maaten & amp Hinton 2008), tekniikkaa, jota käytetään usein koneoppimisessa vastaavien tietojen klustereiden löytämiseksi kaksiulotteisesta (2D) avaruudesta. Tämä 2D-tila koostuu mielivaltaisista muuttujista - ei fyysisistä tähtiparametreista -, joiden on tarkoitus toimia spektrien alemman ulottuvuuden esityksenä visualisoinnin helpottamiseksi.

Alaryhmä 4000 APOGEE DR13 -spektristä, joissa S / N & gt 200 ja tunnetut ASPCAP-parametrit, valittiin satunnaisesti yhdessä 4000 interpoloidun synteettisen ASSET-spektrin kanssa samoilla parametreilla. T-SNE: n levittämisen jälkeen synteettisen ja APOGEE-spektrin välillä voitiin nähdä erillinen ero (vasen kuva kuvassa 9). Väärin sovitettujen spektrien tutkiminen osoitti, että aallonpituussäiliöissä oli nollavirta-arvoja pitkin spektrejä, menetelmää, jota APOGEE-putkistossa käytettiin huonojen pikselien merkitsemiseen. Valitettavasti näitä arvoja ei ole mahdollista peittää testausvaiheessa StarNetin nykyisellä toteutuksella, joten nollien tasoittamiseksi suoritettiin lähimmän naapurin interpolointi. Toinen t-SNE-kierros paljasti synteettisen ja APOGEE-spektrin tiiviimmän sopimuksen (oikea kuva kuvassa 9). Nämä nollavirta-arvot kaikille APOGEE-spektreille kiinnitettiin ennen niiden tähtiparametrien ennustamista seuraavassa StarNet-harjoituksessa synteettisistä spektreistä.

synteettisen ja APOGEE-spektrin t-SNE-visualisointi ennen nollavirta-substituutiota lähimmän naapurin interpoloinnin kautta (vasen) ja sen jälkeen (oikea).

synteettisen ja APOGEE-spektrin t-SNE-visualisointi ennen nollavirta-substituutiota lähimmän naapurin interpoloinnin kautta (vasemmalla) ja sen jälkeen (oikealla).

Vaikka nollapistearvojen interpolointi havaituissa spektreissä johtaa tarkempiin ennusteisiin, varoitamme, että tämä ei välttämättä ole ihanteellinen ratkaisu. Tämä johtuu siitä, että muokkaamme tietoja tavalla, joka ei välttämättä muistuta spektriä ilman nollapistearvoja. Vaihtoehtoinen menetelmä olisi nollapistearvojen lisääminen keinotekoisesti synteettisiin spektreihin harjoittelun aikana. Tämä antaisi StarNetille mahdollisuuden jakaa painot tasaisemmin koko spektrille jäljittelemällä harjoitteluprosessia havaituilla spektreillä.Huomaa, että tämä ei ole ongelma, kun StarNet koulutetaan todellisiin APOGEE-spektreihin, joilla on luonnostaan ​​nollavirta-arvot.

4.6.2 APOGEE DR12 -spektrien ennusteet

Harjoitettuamme StarNetin ASSET-koodin synteettisillä spektreillä (kuten kuvataan osassa 3), käytimme sitä 21 787 APOGEE DR12 1 -yhdistelmäspektrin tietojoukkoon käyttäen samoja rajoituksia kuin taulukossa 2. Verrataan tuloksia ASPCAP-järjestelmään DR12-parametrit (katso kuva 10), koska ne määritettiin myös käyttämällä ASSET-spektriverkkoa (toisin kuin APOGEE DR13 -tulokset).

StarNet-ennusteiden ja ASPCAP-parametrien jäännökset 21 787 APOGEE-yhdistetyn spektrin testisarjalle. Vertailuja DR12: een tehtiin johdonmukaisuuden vuoksi, koska testimme käyttävät ASSET-synteettistä ristikkoa (ei käytetä DR13: lle). StarNet koulutettiin 224 000 synteettiseen spektriin, jotka otettiin satunnaisesti näytteistä ASSET-synteettisestä ristikosta interpoloimalla ristikkopisteiden välillä. Projisoidut jakaumat keskiarvon ympärillä näkyvät oikealla (tummanpunainen havainnointispektreille, joissa S / N & gt 150, vaalean punainen S / N & lt 100). Mediaani-arvo (m͊) ja keskihajonta (keskihajonnat) lasketaan jokaisessa paneelissa, kuten kuvassa 2.

StarNet-ennusteiden ja ASPCAP-parametrien jäännökset 21 787 APOGEE-yhdistetyn spektrin testisarjalle. Vertailuja DR12: een tehtiin johdonmukaisuuden vuoksi, koska testimme käyttävät ASSET-synteettistä ristikkoa (ei käytetä DR13: lle). StarNet koulutettiin 224 000 synteettiseen spektriin, jotka otettiin satunnaisesti näytteistä ASSET-synteettisestä ristikosta interpoloimalla ristikkopisteiden välillä. Projisoidut jakaumat keskiarvon ympärillä näkyvät oikealla (tummanpunainen havainnointispektreille S / N & gt 150: llä, vaaleanpunainen S / N & lt 100: lle). Mediaani-arvo (m͊) ja keskihajonta (keskihajonnat) lasketaan jokaisessa paneelissa, kuten kuvassa 2.

Jäännösten jakauma on samanlainen kuin kuvassa 3, jossa StarNet koulutettiin havaittuihin APOGEE-spektreihin. Kohdassa 3.2 kuvattua menetelmää käyttäen S / N & gt 150: n spektrien sisäiset sirontavirhesuhteet laskettiin olevan ATeff = 51 K, A log g = 0,06 ja A [Fe / H] = 0,08. Koko spektritietojoukolle, mukaan lukien alemmat S / N-spektrit, sisäiset sirontavirheet ovat kaksi kertaa suuremmat kuin silloin, kun StarNet koulutettiin ASPCAP-parametreihin. Tämä johtuu todennäköisesti kirjaamattomista systemaattisista vaikutuksista harjoituksen aikana, esim. instrumentaaliset tai sukupuuttoon kohdistuvat vaikutukset. Tulevaan työhön suunnitellaan StarNetin laajentamista käsittelemättömiin synteettisiin mallinnusvaikutuksiin.

Tähtien välistä sukupuuttoa, ilmakehän sammumista ja instrumentaalisia allekirjoituksia ei simuloida synteettisissä spektreissä. Nämä vaikutukset voivat vaihdella tähdestä toiseen, yleensä vaikuttamalla spektrin sinisempiin alueisiin tasaisesti vaihtelevana toimintona. Ottaen huomioon, että APOGEE-spektrit peittävät infrapuna-aallonpituudet lähinnä lähellä oleville kirkkaille esineille (H & gt 12.5), sukupuuton vaikutusten ei odoteta olevan merkittäviä. Kohdassa 4.7 käsitellään StarNet-mallin herkkyyttä DR13-spektrien erilaisille ominaisuuksille.

Kohinan lisääminen synteettiseen sarjaan myös harjoitteluvaiheessa antoi StarNetille mahdollisuuden oppia, että ominaisuudet vaikuttivat tähtien parametriestimaatteihin, samalla kun heikkenivät heikot ominaisuudet, joita ei voida havaita meluisissa APOGEE-spektreissä. Muuttamalla melutasoja havaittiin, että S / N & gt 20 on välttämätön jäännössisäisen sironnan vähentämiseksi ennen kylläisyyttä. Melun lisääminen synteettisiin harjoitusjoukkoihin paitsi auttaa toistamaan realistisemmat asetukset, mutta myös huomioi joitain fyysisen ja instrumentaalisen mallinnuksen epävarmuustekijöitä ja vähentää ylikuntoa. Koska APOGEE-tietojoukko koostuu pääosin korkeista S / N-spektreistä, yksinkertaisen kohinamallin lisääminen näyttää riittävän APOGEE-spektrien mallintamiseksi. Ei-APOGEE-datan (tai APOGEE-datan, jossa on herkempiä tähtiparametreja) mahdolliset sovellukset voivat kuitenkin vaatia perusteellisemman melumallin.

4.7 Osittaiset johdannaiset

On mahdollista tutkia opittua mallia sen määrittämiseksi, mitkä spektrien osat NN painottaa ennustettaessa tähtiparametreja. Teemme tämän laskemalla kunkin lähdön osittaiset johdannaiset (Teff, Hirsi gja [Fe / H]) suhteessa jokaisen tietyn spektrin tulovirta-arvoon jakobian saamiseksi (kuten kuvataan osassa 3.2).

Hydrogen Bracket (HBR) -linjat: Näillä linjoilla on merkittävä rooli paitsi painovoiman määrittämisessä myös lämpötilan määrittämisessä metallihuonoissa tähdissä.

Atomimetallilinjat (esim. FeI, CaI ja CuI): Näillä linjoilla on merkittävä rooli lämpötilan ja metallisuuden määrittämisessä koko tähtiparametrien alueella.

Tietyt synteettisen ristikon atomimetallilinjat, joilla on merkitystä lämpötilan määrittämisessä, esim. SiI esiintyy enemmän ja Ca I näyttää vähemmän merkittävältä.

Tunnistamattomat tai heikommat linjat, joita ei käytetä APOGEE-ikkunatoiminnoissa, mutta joilla on kuitenkin tärkeä rooli kaikkien tähtiparametrien määrittämisessä havaituista spektreistä.

Tunnistamattomat tai heikommat linjat, joilla on merkittävä rooli vain viileiden ja metallipitoisten tähtien metallisuuden määrittämisessä.

StarNet-mallin kolmen tähtilähtöparametrin osittaiset johdannaiset - jotka on opetettu APOGEE-spektreille - suhteessa vihreän sirun osan aallonpituussäiliöihin. Tähtien osittaisia ​​johdannaisia ​​parametriavaruuden eri alueilta verrattiin toisiinsa. Tähtiä, joiden [Fe / H] & gt 0,0, verrattiin tähtiin, joiden [Fe / H] & lt -1,2 (alkuun). Samoin tähdet kanssa Teff& gt 5000 K verrattiin Teff& lt 4300 K (pohja). Keskimääräinen absoluuttisesti arvostettu Jacobian laskettiin 2000 tähdestä kullakin parametrialueella. Huomaa asteikkoerot verrattaessa osittaisia ​​johdannaisia.

StarNet-mallin kolmen tähtilähtöparametrin osittaiset johdannaiset - jotka on opetettu APOGEE-spektreille - suhteessa vihreän sirun osan aallonpituussäiliöihin. Tähtien osittaisia ​​johdannaisia ​​parametriavaruuden eri alueilta verrattiin toisiinsa. Tähtiä, joiden [Fe / H] & gt 0,0, verrattiin tähtiin, joiden [Fe / H] & lt -1,2 (alkuun). Samoin tähdet kanssa Teff& gt 5000 K verrattiin Teff& lt 4300 K (pohja). Keskimääräinen absoluuttisesti arvostettu Jacobian laskettiin 2000 tähdestä kullakin parametrialueella. Huomaa asteikkoerot verrattaessa osittaisia ​​johdannaisia.

StarNet-mallin kolmen tähtilähtöparametrin osittaiset johdannaiset - jotka on koulutettu synteettisille tiedoille - suhteessa vihreän sirun osan syötettyihin aallonpituussäiliöihin. Tähtien osittaisia ​​johdannaisia ​​parametriavaruuden eri alueilta verrattiin toisiinsa. Tähtiä, joiden [Fe / H] & gt 0,0, verrattiin tähtiin, joiden [Fe / H] & lt -1,2 (alkuun). Samoin tähtiä kanssa Teff& gt 5000 K verrattiin Teff & lt 4300 K (pohja). Keskimääräinen absoluuttisesti arvostettu Jacobian laskettiin 2000 tähdestä kullakin parametrialueella. Huomaa asteikkoerot verrattaessa osittaisia ​​johdannaisia.

StarNet-mallin kolmen tähtilähtöparametrin osittaiset johdannaiset - jotka on koulutettu synteettisille tiedoille - suhteessa vihreän sirun osan syötettyihin aallonpituussäiliöihin. Tähtien osittaisia ​​johdannaisia ​​parametriavaruuden eri alueilta verrattiin toisiinsa. Tähtiä, joiden [Fe / H] & gt 0,0, verrattiin tähtiin, joiden [Fe / H] & lt -1,2 (alkuun). Samoin tähtiä kanssa Teff& gt 5000 K verrattiin Teff & lt 4300 K (pohja). Keskimääräinen absoluuttisesti arvostettu Jacobian laskettiin 2000 tähdestä kullakin parametrialueella. Huomaa asteikkoerot verrattaessa osittaisia ​​johdannaisia.

Mitään näistä ominaisuuksista ei ole valittu ennalta tai painotettu ulkoisesti ennen NN: n kouluttamista. Verrattiin myös tähtien osajoukkojen osajohdannaisia ​​S / N & lt 60 vs. S / N & gt 200, mutta ei löytynyt merkittäviä eroja ennustetehossa. Samanlaisia ​​tuloksia nähdään muilla aallonpituusalueilla koko APOGEE-spektrialueella.


Oikealla olevassa sisällysluettelossa on linkit online-SSS: n teknisiin tietoihin. Napsauta mitä tahansa otsikkoa siirtyäksesi kyseiselle sivulle. Jokaisen artikkelin lopussa on linkki, joka palauttaa sinut tähän sisällysluetteloon, tai voit palata tähän myös yläosassa olevan päävalikkokohdan avulla. Värilliset linkit vievät tämän sivuston sivuille, joissa on lisätietoja tai selityksiä. Monilla sivuilla on yhteenvetoja, jotka on kirjoitettu muulla kuin teknisellä tasolla. Nämä yhteenvedot näkyvät lihavoituna vihreänä tekstinä.

Viitteet kirjallisuuteen ovat sekä vasemmalla olevissa artikkeleissa että blogissa. Vie hiiri viittauksen päälle nähdäksesi työkaluvihjeen, jossa on tietoja viitteestä ja linkki sen online-versioon, jos sellainen on käytettävissä. Työkaluvihjeen yläosassa näet yhdestä viiteen tähteä, jotka osoittavat artikkelin saatavuuden. 1 = kaikki yleisöt, 2 = edistynyt maallikkotaso, 3 = ammattitaso, mutta luettavissa ja kiinnostava, 4 = tekninen artikkeli. Tähtien jälkeen on kuvake, joka osoittaa linkitetyn online-lähteen. Käytä yllä olevan valikon viittauslinkkiä nähdäksesi luettelon kaikista tällä sivustolla esiintyvistä viitteistä.

Yleiskatsaus [lyhyt kuvaus instrumentista ja ilmaisimista]

Spektrinen kattavuus [SSS: n tarkka aallonpituuden peitto]

Spektra-atlas [Kaaviot SSS: n kattamista spektrialueista]

Menettelyn yleiskatsaus [yhteenveto vähennysvaiheista]

Arkiston järjestäminen [Raaka-, pienennettyjen ja resurssitiedostojen järjestely]

OIL-luokan hierarkia [OIL-UML-luokkakaavio ja yleiskatsaus avainluokista]

Esivähennysvaiheet [Datakehysten piirtäminen ja keskiarvointi, FITS-otsikkojen luominen, lokitiedostojen kuvaukset]

Debiasointi [taustalla olevan taustan poisto raakatiedokehyksistä]

Tilauskarttojen tekeminen [Spektritilausten sijaintien jäljittäminen CCD: issä]

Litteä kenttä [Litteiden kenttien spektrien luominen, tasaiset kenttäkohteet]

Hajavalon poisto [Jäljellä olevan taustan poistaminen kohdekehyksistä]

Spektrin uuttaminen [poimimalla ei-normalisoituja spektrejä kohdekehyksistä]

Jatkuvan normalisointi [Auringon ja tähtien jatkuvuuden asettaminen ykseyteen]

Aallonpituuden kalibrointi [Torium-Argon-liuosten luominen ja soveltaminen]

HK-spektripinot [HK-spektrien sijoittaminen absoluuttisella intensiteetillä ja spektripinotiedostojen luominen]

HK-aurinko-aikasarja [HK-aikasarjojen ja Auringon tulostiedostojen luominen]

Tähtien HK-aikasarja [HK-aikasarjojen ja tähtitulostiedostojen luominen]

Järjestelmäviestit [OIL-luokan kirjaston käyttämät viestikoodit]

Käynnistystiedosto [IDL startup.pro -tiedosto, jota OIL käyttää]

BasicFITSHeader [BasicFITSHeader -luokan dokumentaatio]

Coord [Coord-luokan dokumentaatio]

DataList [Datalist-luokan dokumentaatio]

Filelink [Filelink-luokan ohjeet]

Filestream [Filestream-luokan ohjeet]

FITSData [FITSData-luokan ohjeet]

Otsikko [Otsikkoluokan dokumentaatio]

Kuva [Kuvaluokan dokumentaatio]

Normalizer [Normalizer-luokan dokumentaatio]

ObArray [ObArray-luokan ohjeet]

Tilauskartta [Tilauskarttaluokan dokumentaatio]

ReduceTool [ReduceTool-luokan ohjeet]

ScatteredLight [ScatteredLight-luokan ohjeet]

Taajuus [Spectrum-luokan dokumentaatio]

SSS [datan vähennys- ja analyysiluokka]

WaveCal [WaveCal-luokan dokumentaatio]

Tuetaan National Science Foundationin apurahoilla.
[Takaisin kotisivulleni | Lähetä minulle sähköpostia: jch [at] lowell [dot] edu]
SSS on julkisesti rahoitettu. Ellei nimenomaisesti toisin mainita, kaikki tällä sivustolla on julkista.
Jos käytät tai siteeraat tuloksia tai kuvia, arvostamme kiitosta.
Tätä sivustoa katsellaan parhaiten Mozilla Firefox.


PPXF-paketti

Tarkoitus

Pura galaksin tähtien kinematiikka (V, sigma, h3, h4, h5, h6.) Tai tähtijoukot ja kaasupäästöt sovittamalla malli havaittuun spektriin pikselitilassa käyttäen alun perin kuvattua Penalized PiXel-Fitting (pPXF) -menetelmää.

ja merkittävästi päivitetty vuonna

Saatavilla on myös seuraavat keskeiset valinnaiset ominaisuudet:

  1. Optimaalinen malli, positiivinen lineaarinen yhdistelmä eri tulomalleja, voidaan sovittaa yhdessä kinematiikan kanssa.
  2. Mallin painojen tasaisuus voidaan varmistaa sovituksen aikana. Tämä on hyödyllistä kiinnittää fyysinen merkitys painoihin, esim. galaksin tähtienmuodostushistoriaan nähden.
  3. Tähän ja kaasupäästölinjoihin voidaan sovittaa useita kinemaattisia komponentteja. Sekä tähtien että kaasujen LOSVD: tä voidaan rangaista ja ne voidaan kuvata yleisellä Gauss-Hermite-sarjalla.
  4. Mikä tahansa LOSVD: n parametri (esim. Sigma) mille tahansa kinemaattiselle komponentille voidaan joko asentaa tai pitää kiinteänä tiettyyn arvoon, kun taas muut parametrit on asennettu. Vaihtoehtoisesti parametreja voidaan rajoittaa asettamiinsa rajoihin tai jopa sitoa yksinkertaisilla suhteilla muihin parametreihin.
  5. Lisäaineita ja / tai multiplikatiivisia polynomeja voidaan sisällyttää templaatin jatkumomuodon säätämiseksi havaittuun spektriin.
  6. Iteratiivista sigma-leikkausta voidaan käyttää spektrin puhdistamiseen.
  7. Peilisymmetrinen LOSVD on mahdollista sovittaa kahteen spektriin samanaikaisesti. Tämä on hyödyllistä spektreille, jotka otetaan piste-symmetrisissä avaruusasemissa tasapainotähtijärjestelmän keskipisteen suhteen.
  8. Voidaan sisällyttää taivaan spektrit sovitukseen, jotta voidaan käsitellä tapauksia, joissa taivas hallitsee havaittua spektriä ja tarkka taivaan vähennys on kriittinen.
  9. Voidaan johtaa arvio spektrin punoituksesta. Tämä voidaan tehdä itsenäisesti tähtien spektrille tai Balmer-päästölinjoille.
  10. Kovarianssimatriisi voidaan syöttää virhespektrin sijasta vastaavien virheiden huomioon ottamiseksi spektripikseleissä.
  11. Voidaan määrittää kahden kinematiikkakomponentin, esim. mallintaa pullistuma- ja levyosuudet.
  12. Voidaan käyttää malleja, joiden resoluutio on korkeampi kuin galaksin, LOSVD-uuton tarkkuuden parantamiseksi matalalla dispersiolla.

Sekvenssin soittaminen

Tuloparametrit

Vektori, joka sisältää yhden templaattitähden spektrin tai yleisemmin joukon mitoitusmalleja [nPixels, nTemplates], jotka sisältävät erilaisia ​​malleja, jotka on optimoitava kinematiikan sovituksen aikana. Sen on oltava nPixels & gt = galaxy.size.

Lineaarisen laillistamisen soveltamiseksi painoihin avainsanan säätimen avulla, mallien tulisi olla taulukko, jossa on kaksi mallia [nPixels, nAge], kolme mallia [nPixels, nAge, nMetal] tai neljä mallia [nPixels, nAge, nMetal, nAlpha], riippuen tutkittavan väestömuuttujien lukumäärästä. Tämä voi olla hyödyllistä yrittää liittää fyysinen merkitys ulostulopainoihin galaksitähtien muodostumishistorian ja kemiallisen koostumuksen jakauman suhteen. Siinä tapauksessa mallit voivat edustaa yhden tähtipopulaation SSP-malleja, ja ne tulisi järjestää kasvavan iän, metallisuuden tai alfan järjestyksessä vastaavasti ryhmän toisen, kolmannen tai neljännen ulottuvuuden mukaan.

Vektori, joka sisältää mitattavan galaksin spektrin. Tähti- ja galaksispektrit on logaritmisesti yhdistettävä uudelleen, mutta jatkuvuuden pitäisi ei vähennetään. Uudelleen yhdistäminen voidaan suorittaa log_rebin-rutiinilla, joka on jaettu pPXF: n kanssa.

Suuria punasiirtymägalakseja varten spektrit tulisi tuoda lähelle uudelleenkehyksen aallonpituutta ennen pPXF-sovitusta. Tämä voidaan tehdä jakamalla havaittu aallonpituus (1 + z): llä, missä z on karkea arvio galaksin punasiirtymästä, ennen logaritmista uudelleennousemista. Katso lisätietoja osiosta Cappellari (2017).

galaksi voi olla myös joukko galaksin mitat [nGalPixels, 2], joka sisältää kaksi spektriä, jotka asennetaan samanaikaisesti heijastussymmetriseen LOSVD: hen. Tämä on hyödyllistä spektreille, jotka otetaan piste-symmetrisissä avaruusasemissa tasapainotähtijärjestelmän keskipisteen suhteen. Keskustelua tämän kaksipuolisen sovituksen hyödyllisyydestä katso esim. Rix & amp White (1992), kohta 3.6.

TÄRKEÄÄ: (1) Kaksipuolisessa sovituksessa on käytettävä vsyst-avainsanaa. (2) Varmista, että spektrit skaalataan uudelleen niin, että niiden suuruusluokka ei poikkea liian monesta yhtenäisyydestä, jotta vältetään laskemisessa olevat yli- tai alivirtaongelmat. Esimerkiksi. erg / (s cm ^ 2 A) -yksiköt voivat aiheuttaa ongelmia!

Vektori, joka sisältää 1 * sigma-virheen (pikseliä kohden) galaksispektrissä, tai kovarianssimatriisi, joka kuvaa galaksispektriin liittyvät korrelaatiovirheet. Tietysti tällä vektorilla / matriisilla on oltava samat yksiköt kuin galaksispektrillä.

Jos galaksi on Nx2-matriisi, kohinan on oltava matriisi, jolla on samat mitat.

Kun kohinalla on mitat NxN, sen oletetaan sisältävän kovarianssimatriisin elementeillä sigma (i, j). Kun spektrin virheet ovat korreloimattomia, se vastaa matemaattisesti syötettä pPXF: ssä virhevektorikohina = errvec tai NxN-diagonaalimatriisikohina = np.diag (errvec ** 2) (huom. Neliö!).

TÄRKEÄÄ: pPXF-menetelmän rangaistusaika perustuu suhteellinen sovitusjäämien muutos. Tästä syystä rangaistus toimii odotetulla tavalla, vaikka melusta ei ole luotettavaa arviota (ks. Lisätietoja Cappellari & amp Emsellem [2004]). Jos luotettavaa melua ei ole käytettävissä, avainsanaksi voidaan asettaa vain:

Spektrien nopeusasteikko km / s / pikseli. Sen on oltava sama sekä galaksin että mallipektrien kohdalla. Poikkeuksena on velscale_ratio-avainsanan käyttö, jolloin voidaan syöttää malleja pienemmällä velscale kuin galaxy.

velscale on määritelty pPXF: ssä velscale = c * Delta [np.log (lambda)], joka on suunnilleen velscale

c * Delta (lambda) / lambda. Katso lisätietoja osiosta Cappellari (2017).

Vektori tai luettelo / vektoriryhmä [start1, start2,. ], LOSVD-parametrien alkuperäinen arvio.

Kun LOSVD-parametreja ei pidetä kiinteinä, jokaisen vektorin on sisällettävä vain start = [velStart, sigmaStart] nopeuden ja nopeusdispersion alkuperäinen arvaus km / s. H3-h6: n aloitusarvot (jos ne on asennettu) on oletusarvoisesti nolla. Toisin sanoen, kun hetket = 4:

Kun joidenkin kinemaattisten komponenttien LOSVD pidetään kiinteänä (katso kiinteä avainsana), kaikki [Vel, Sigma, h3, h4: n arvot. ] voidaan toimittaa.

Ellei hyvää alkuarviota ole saatavana, on suositeltavaa asettaa alkusigma & gt = 3 * velscale km / s (eli 3 pikseliä). Itse asiassa, kun sigma on hyvin matala eikä kaukana todellisesta ratkaisusta, sovituksen chi ^ 2 tulee heikosti herkäksi pienille sigman vaihteluille (katso pPXF-paperi). Joissakin tapauksissa chi ^ 2: n lähes vakio voi aiheuttaa optimoinnin ennenaikaisen lähentymisen.

Kaksipuolisen asennuksen tapauksessa hyvä nopeuden lähtöarvo on velStart = 0,0 (tässä tapauksessa vsyst on yleensä nolla). Vaihtoehtoisesti on pidettävä mielessä, että velStart viittaa ensimmäiseen sisääntulevan galaksin spektriin, kun taas toisella on nopeus -velStart.

Useilla kinemaattisilla komponenteilla aloituksen on oltava luettelo lähtöarvoista, yksi kullekin eri komponentille.

ESIMERKKI: Haluamme sovittaa kaksi kinemaattista komponenttia. Ensimmäiseen komponenttiin sovitetaan 4 momenttia ja toiseen 2 momenttia seuraavasti:

Avainsanat

Tämä parametri kallistaa (h3, h4,.) Mittaukset kohti nollaa (Gaussin LOSVD), ellei niiden sisällyttäminen vähennä merkittävästi virhettä sovituksessa. Määritä tämän arvoksi bias = 0, jotta se ei kallistaisi sopivuutta: ratkaisu (mukaan lukien [V, sigma]) on tällöin meluisampi. Oletusvirheen pitäisi tuottaa hyväksyttäviä tuloksia useimmissa tapauksissa, mutta se olisi turvallista testata Monte Carlon simulaatioilla. Tämä avainsana vastaa tarkasti lambda-parametria Cappellari & amp Emsellem (2004) -artikkelissa. Huomaa, että rangaistus riippuu suhteellinen sovitusjäännösten muutos, joten se on epäherkkä kohinavektorin asianmukaiselle skaalaukselle. Nollasta poikkeavuutta voidaan käyttää turvallisesti myös ilman luotettavaa kohinaspektriä tai samalla painotuksella kaikille pikseleille.

Ala- ja ylärajat jokaiselle kinemaattiselle parametrille. Tämä on matriisi tai taulukoiden luettelo, jolla on samat mitat kuin aloituksella, lukuun ottamatta viimeistä, joka on kaksi. Käytännössä jokaiselle aloituselementille on määritettävä arvopari [alempi, ylempi].

ESIMERKKI: Haluamme sovittaa kaksi kinemaattista komponenttia, joissa on 4 momenttia ensimmäiselle komponentille ja 2 toiselle (esim. Tähdet ja kaasu). Tässä tapauksessa:

sitten voimme määrittää rajat jokaiselle kinemaattiselle parametrille seuraavasti:

Asennettaessa useampaa kuin yhtä kinemaattista komponenttia, tämän avainsanan tulisi sisältää kunkin syöttömallin komponenttinumero. Periaatteessa jokainen malli voi kuulua eri kinemaattiseen komponenttiin.

ESIMERKKI: Haluamme sovittaa ensimmäiset 50 mallia komponenttiin 0 ja viimeiset 10 mallia komponenttiin 1. Tässä tapauksessa:

joka Python-syntaksissa vastaa:

Tämä avainsana on erityisen hyödyllinen, kun asennetaan sekä päästö- (kaasu) että absorptiomallit (tähdet) samanaikaisesti (katso esimerkki hetki-avainsanasta).

Aseta tämä avainsana käyttämään iteratiivista sigma-leikkausmenetelmää, joka on kuvattu Cappellari et ai. (2002). Tämä on hyödyllistä poistaa sovituksesta piilotetut huonot pikselit, jäännöskaasupäästöt tai kosmiset säteet.

TÄRKEÄÄ: Tätä suositellaan vain jos melutasosta on saatavissa luotettava arvio. Katso myös .chi2: n alla oleva huomautus.

Aste lisäaine Legendre-polynomia käytetään mallin jatkumo-muodon korjaamiseen sovituksen aikana (oletus: 4). Aseta aste = -1, jotta siihen ei sisälly lisäainepolynomia.

Boolen vektori asetetaan arvoon True, jossa annettu kinemaattinen parametri on pidettävä kiinteänä aloituksessa annetulla arvolla. Tämä on taulukko tai luettelo, jonka mitat ovat samat kuin aloituksessa.

ESIMERKKI: Haluamme sovittaa kaksi kinemaattista komponenttia, joissa on 4 momenttia ensimmäiselle komponentille ja 2 toiselle. Tässä tapauksessa:

silloin voimme pitää kiinteästi esim. molempien komponenttien sigma (vain) käyttäen:

HUOMAUTUS: Negatiivisten momenttien asettaminen kinemaattiselle komponentille vastaa täysin kiinteän = 1 asettamista tietyn kinemaattisen komponentin kaikille parametreille. Toisin sanoen:

Tämän avainsanan avulla voidaan vahvistaa kahden ensimmäisen kinemaattisen komponentin välinen suhde. Tämä on skalaari, joka määritellään seuraavasti:

Tämä on hyödyllistä esim. yrittää hajottaa kinemaattisesti pullistuma ja levy.

TÄRKEÄÄ: Mallit ja galaksispektrit tulisi normalisoida keskiarvolla

1 (suuruusluokassa), jotta murto-avainsana toimisi odotetulla tavalla. Varoitus tulostetaan, jos näin ei ole ja tuloksena oleva jae on epätarkka.

Loput kinemaattiset komponentit (komponentti & gt 1) jätetään vapaiksi, ja tämä antaa esimerkiksi mahdollisuuden sisällyttää esimerkiksi kaasupäästölinjan komponentit.

Murtoluvun toleranssi epälineaarisen minimoinnin pysäyttämiseksi.

Boolen vektori, samankokoinen kuin komponentti, asetetaan arvoon True, jossa annettu komponentti kuvaa kaasupäästölinjaa. Jos annettu, pPXF antaa pp.gas_flux- ja pp.gas_flux_error-lähdön.

ESIMERKKI: Yleisessä tilanteessa, jossa komponentti = 0 ovat tähtimalleja ja loput ovat kaasupäästölinjoja, asetetaan:

Tätä avainsanaa käytetään myös kaasuputkien piirtämiseen eri väreillä.

Merkkijonorakenne, joka määrittää päästölinjojen nimet (esim. Gas_names = [& quotHbeta & quot, & quot [OIII] & quot.], Yksi kutakin kaasulinjaa kohti. Tämän vektorin pituuden on vastattava nollaelementtien lukumäärää gas_componentissa. Tätä vektoria käyttävät vain pPXF tulostaaksesi rivien nimet konsoliin.

Aseta tämä avainsana alustavaan estimaattiin kaasun punoituksesta E (B-V) & gt = 0, jotta positiivinen punoitus sopisi yhteen kinematiikan ja mallien kanssa. Sovitus olettaa oletuksena Calzettin et ai. (2000), mutta mikä tahansa muu lääkemääräys voidaan välittää reddening_func-avainsanan kautta.

Kokonaisvektori, joka sisältää galaksispektrin hyvien pikselien indeksit (kasvavassa järjestyksessä). Vain nämä spektripikselit sisältyvät sovitukseen.

TÄRKEÄÄ: Kaikissa todennäköisissä tilanteissa tämä avainsana on täsmennettävä.

Kun käytetään avainsanaa punoitus tai kaasunpunainen, käyttäjän on välitettävä tässä avainsanassa vektori, jolla on samat galaksin mitat, mikä antaa uuden kehyksen aallonpituuden jokaisen sisääntulevan galaksin spektrin pikselin Angstromissa. Jos jokin käyttää log_rebin-rutiinia uudelleen spektrin uudelleen ennen pPXF-sovitusta:

aallonpituus voidaan saada muodossa lam = np.exp (logLam).

Kun lam annetaan, aallonpituus näytetään parhaiten sopivassa käyrässä pikselien sijaan.

Aseta pitämään True kaikki epälineaariset parametrit kiinteät ja vain suorita lineaarinen sovitus malleille ja additiivisille polynomipainoille. Tulosratkaisu on kopio syötteestä ja virheet ovat nolla.

Totuusarvoinen vektori, galaxy.size, määrittelemällä True: llä pikselit, jotka tulisi sisällyttää sovitukseen. Tämä avainsana on vain vaihtoehtoinen tapa määritellä hyvät pikselit.

Algoritmi epälineaarisen minimointivaiheen suorittamiseksi. Oletusarvoinen capfit on Levenberg-Marquardt-menetelmän uusi luottamusalueen toteutus, joka on yleistetty käsittelemään laatikkorajoituksia tiukasti samalla kun sallitaan myös sidotut tai kiinteät muuttujat. Katso muut menetelmät scipy.optimize.least_squares-ohjeista.

Aste kerrannaisena Legendre-polynomi (keskiarvolla 1), jota käytetään jatkumomuodon korjaamiseen sovituksen aikana (oletus: 0). Nollan asteen kertova polynomi sisältyy aina sovitukseen, koska se vastaa malleille annettuja painoja. Huomaa, että laskennallinen aika on pidempi multiplikatiivisilla polynomeilla kuin samalla määrällä additiivisia polynomeja.

TÄRKEÄÄ: Moninkertaisia ​​polynomeja ei voida käyttää, kun punoittava avainsana on asetettu, koska ne degeneroituvat punoituksen kanssa.

Gauss-Hermite-hetkien järjestys sopivaksi. Aseta tämä avainsana arvoon 4 sopivaksi [h3, h4] ja arvoksi 6 sopivaksi [h3, h4, h5, h6]. Huomaa, että kaikissa tapauksissa G-H-momentit on asennettu (ei-lineaarisesti) yhdessä painikkeella [V, sigma].

Jos hetkiä = 2 tai hetkiä ei ole asetettu, vain [V, sigma] sovitetaan.

Jos momentit ovat negatiivisia, annetun komponentin kinematiikka pidetään kiinteänä tuloarvoihin. HUOMAUTUS: Negatiivisten momenttien asettaminen kinemaattiselle komponentille vastaa täysin kiinteän = 1 asettamista tietyn kinemaattisen komponentin kaikille parametreille.

ESIMERKKI: Haluamme säilyttää kiinteän komponentin = 0, jolla on LOSVD, jota kuvaa [V, sigma, h3, h4] ja joka on mallinnettu 100 spektrimallilla. Samanaikaisesti sovitamme [V, sigma] komponentille = 1, joka kuvataan viidellä mallilla (tämä tilanne voi syntyä sovitettaessa tähtimallit ennalta määrätyllä tähtien kinematiikalla sovitettaessa samalla kaasupäästöt). Meidän pitäisi antaa pPXF: lle seuraavat parametrit:

Kokonaisluku. Antaa kokonaisluvun suhteen & gt = 1 galaksin velskaalin ja mallien välillä. Kun tätä avainsanaa käytetään, LOSVD sekoittaa mallit malleihin natiiviresoluutiollaan ja integroidaan vasta myöhemmin pikselien yli ja sovitetaan galaksiin. Tämä avainsana on yleensä tarpeeton ja enimmäkseen hyödyllinen testauksessa.

Huomaa, että realistisissa tilanteissa sisäisen linjahajontatoiminnon tietämyksen epävarmuudesta ja muunnelmista tulee rajoittava tekijä LOSVD: n palauttamisessa selvästi alkuasteikon alapuolelle.

Aseta tämä avainsana piirtämään sopivin ratkaisu ja jäännökset sovituksen lopussa.

Voidaan kutsua myös luokan funktio pp.plot () puhelun jälkeen pp = ppxf (.).

Aseta tämä avainsana tukahduttamaan parhaiden sovitusparametrien yksityiskohtainen tuotos sovituksen lopussa.

Aseta tämä avainsana alustavaan arvioon punoituksesta E (B-V) & gt = 0, jotta positiivinen punoitus sopisi yhteen kinematiikan ja mallien kanssa. Sovitus olettaa oletuksena Calzettin et ai. (2000, ApJ, 533, 682), mutta mikä tahansa muu lääkemääräys voidaan välittää reddening_func-avainsanan kautta.

TÄRKEÄÄ: Mdegree-avainsanaa ei voi käyttää, kun punoitus on asetettu.

Jos tämä avainsana ei ole nolla, ohjelma soveltaa ensimmäisen tai toisen asteen lineaarista laillistusta painoihin pPXF-sovituksen aikana. Säännönmukaistaminen tapahtuu yhdessä, kahdessa tai kolmessa ulottuvuudessa sen mukaan, onko mallipohjassa kaksi, kolme vai neljä ulottuvuutta. Suuret säätöarvot vastaavat tasaisempaa painolähtöä. Kun tämä avainsana on nolla, ratkaisu on kompromissi painojen sileyden ja sopivuuden välillä.

Cappellarin (2017) osassa 3.5 kuvataan laillistamista.

Asennettaessa useita kinemaattisia komponentteja, laillistamista sovelletaan vain ensimmäiseen komponenttiin = 0, kun taas muita komponentteja ei ole laillistettu. Tämä on hyödyllistä sovitettaessa tähtijoukot yhdessä kaasupäästöjohtojen kanssa. Siinä tapauksessa ensin on annettava SSP-spektrimallit ja viimeiset kaasupäästömallit. Tässä tilanteessa on käytettävä reg_dim-avainsanaa (alla) antamaan pPXF: lle populaatioparametrien mitat (esim. NAge, nMetal, nAlpha). Käyttöesimerkki on tiedostossa ppxf_example_population_gas_sdss.py.

Laillistamisjärjestelmän vaikutus on seuraava:

  • Kohdassa reg_ord = 1 se pakottaa vierekkäisten painojen väliset ensimmäiset numeeriset johdannaiset (1-dim-tapauksessa) yhtä suuriksi kuin w [j] - w [j + 1] = 0 virheellä Delta = 1 / regul.
  • Kohdassa reg_ord = 2 se pakottaa vierekkäisten painojen väliset numeeriset toiset johdannaiset (1-dim-tapauksessa) yhtä suuriksi kuin w [j-1] - 2 * w [j] + w [j + 1] = 0 virheellä Delta = 1 / säätö.

Voi olla hyödyllistä määritellä regul = 1 / Delta ja ajatella Deltaa laillistamisvirheenä.

TÄRKEÄÄ: Delta-arvon on oltava pienempi, mutta samalla suuruusluokkaa kuin tyypilliset painot, jotta se vaikuttaisi laillistamiseen. Yksi nopea tapa saavuttaa tämä on:

Jaa koko taulukko taulukko skalaarilla siten, että tyypillisen mallin mediaani on yksi:

Tee sama sisääntulevan galaksin spektrille:

Vaihtoehtoisesti parametrisäädön tarkempi määritelmä:

Suorita epäsäännöllinen sovitus (regul = 0) ja skaalaa sitten tulokohinaspektri niin, että:

Tämä saavutetaan muuttamalla tulokohinaspektriä seuraavasti:

Johdettu laillistaminen vastaa suurinta, joka on edelleen yhdenmukainen havaintojen kanssa, ja johdettu tähtien muodostumishistoria on silein (pienin kaarevuus tai pienin vaihtelu), joka on edelleen yhdenmukainen havaintojen kanssa.

Johdannaisen järjestys, joka minimoidaan laillistamisen avulla. Seuraavia kahta kiertosymmetristä estimaattoria tuetaan:

reg_ord = 1: minimoi integraalin neliögradientin painojen yli:

reg_ord = 2: minimoi integraalin neliön kaarevuuden painojen yli:

Kun käytetään laillistamista useammalla kuin yhdellä kinemaattisella komponentilla (komponenttikoodiavainta käyttäen), laillistusta sovelletaan vain ensimmäiseen (komponentti = 0). Tämä on hyödyllistä sovittaa tähtijoukot ja kaasupäästöt yhteen.

Tässä tilanteessa on käytettävä reg_dim-avainsanaa, jotta pPXF: lle annetaan populaatioparametrien mitat (esim. NAge, nMetal, nAlpha). Luo ensimmäinen joukko populaatiomalleja, kuten esim. mallit [nPixels, nAge, nMetal, nAlpha] ja määritä:

Tähtimallien joukko muotoillaan sitten 2-dim-ryhmäksi seuraavasti:

ja kaasupäästömallit on liitetty ylimääräisiksi sarakkeiksi loppuun. Käyttöesimerkki on annettu ppxf_example_population_gas_sdss.py.

Kun käytetään laillistamista yhdellä komponentilla (komponenttiavainsanaa ei käytetä tai se sisältää identtiset arvot), populaatiomallien määrä eri ulottuvuuksien (esim. NAge, nMetal, nAlpha) perusteella päätellään malliryhmän mitoista ja tämä avainsana on ei välttämättä.

Toissijainen ero km / s määritellään seuraavasti:

galaksispektrin instrumentaalidispersion ja templaattispektrin instrumentaalidispersion välillä.

Tämä avainsana on hyödyllinen, kun malleilla on suurempi resoluutio kuin galaksilla, eikä niitä ole sekoitettu vastaamaan galaksispektrin instrumentaalista dispersiota. Tässä tilanteessa konvoluutio tapahtuu pPXF: llä suuremmalla tarkkuudella käyttäen analyyttistä Fourier-muunnosta.

vektori, joka sisältää taivaan spektrin sisällytettäväksi taivaan sovitukseen tai ulottuvuuksiin taivaalla [nPixels, nSky], joka sisältää erilaisia ​​taivasspektrejä lisätään havaitun galaksispektriin. Taivas on kirjattava uudelleen galaksispektrin tavoin ja sillä on oltava sama määrä pikseleitä.

Taivas vähennetään yleensä tiedoista ennen pPXF-sovitusta. Havaintoihin, joita taivaan spektri hallitsee erittäin voimakkaasti ja joissa erittäin tarkka taivaan vähennys on kriittinen, voi olla hyödyllistä ei vähentää taivas taajuuksista, mutta sisällyttää se sovitteeseen tätä avainsanaa käyttämällä.

Kun soitetaan pPXF: lle useita kertoja identtisellä mallipaketilla, tällä avainsanalla voidaan välittää edellisessä pPXF-kutsussa laskettujen mallien todellinen FFT, joka on tallennettu pp.templates_rfft-määritteeseen. Tämä avainsana on pääasiassa olemassa osoittamaan, ettei sille ole tarvetta.

TÄRKEÄÄ: Käytä tätä avainsanaa vain, jos ymmärrät mitä olet tekemässä!

Luettelo merkkijonolausekkeista. Jokainen lauseke & lainaa parametria muihin vapaisiin tai kiinteisiin parametreihin. Kaikki lausekkeet, jotka sisältävät vakioita ja parametriryhmän p [j], ovat sallittuja. Koska ne ovat täysin rajoitettuja, sidottujen parametrien katsotaan olevan kiinteitä, heille ei lasketa virheitä.

Tämä on matriisi tai taulukoiden luettelo, jonka mitat ovat samat kuin aloituksessa. Käytännössä jokaiselle aloituselementille on määritettävä joko tyhjä merkkijono, mikä tarkoittaa, että parametri on vapaa, tai merkkijonolauseke, joka sisältää joitain muuttujista p [j], jossa indeksi j edustaa litistetyn luettelon indeksiä kinemaattisten parametrien

ESIMERKKI: Haluamme sovittaa kolme kinemaattista komponenttia, joissa on 4 momenttia ensimmäiselle komponentille ja 2 momenttia toiselle ja kolmannelle (esim. Tähdet ja kaksi kaasukomponenttia). Tässä tapauksessa:

silloin voimme pakottaa tasa-arvovastuun V2 = V3 seuraavasti:

tai voimme pakottaa tasa-arvorajoituksen sigma2 = sigma3 seuraavasti:

HUOMAUTUS: Periaatteessa voitaisiin käyttää sidottua avainsanaa kahden kinemaattisen komponentin LOSVD: n sitomiseen. Tämä sama vaikutus saavutetaan kuitenkin tehokkaammin osoittamalla ne samalle kinemaattiselle komponentille komponentti-avainsanaa käyttämällä.

Aseta trig = Tosi, jos haluat käyttää trigonometrisiä sarjoja vaihtoehtona Legendren polynomille sekä additiivisille että multiplikatiivisille polynomeille. Kun trig = True, alla olevalla sovitetulla sarjalla on N = aste / 2 tai N = mdegree / 2:

TÄRKEÄÄ: Trigonometrisellä sarjalla on ajoittaiset rajaehdot. Tämä on joskus toivottava ominaisuus, mutta tämä laajennus ei ole yhtä joustava kuin Legendren polynomit.

Vertailunopeus km / s (oletus 0). Tulon alkuperäinen arvaus ja lähtönopeudet mitataan tämän nopeuden suhteen. Tätä avainsanaa käytetään yleensä laskemaan mallien lähtöaallonpituuden ja galaksispektrin ero seuraavasti:

Avainsanalle annettu arvo on ratkaisevan tärkeää kaksipuoliseen kiinnitykseen. Tässä tapauksessa vsyst voidaan määrittää aikaisemmasta normaalista yksipuolisesta sovituksesta galaksin nopeusprofiiliin. Tämän alkusovituksen jälkeen vsyst voidaan määritellä mitatuksi nopeudeksi galaksin keskellä. Tarkemmin vsyst on arvo, joka on vähennettävä, jotta saataisiin melkein anti-symmetrinen nopeusprofiili galaksin ytimen kahdelle vastakkaiselle puolelle.

TÄRKEÄÄ: tämä arvo on yleensä eri systeemisestä nopeudesta voidaan saada kirjallisuudesta. Älä yritä käyttää sitä!

Lähtöparametrit

Tallennetaan pPXF-luokan attribuutteina:

Vektori, jolla on parhaiten sopiva lisäainepolynomi.

Vektori, jolla on parhaiten sopiva malli galaksispektrille. Tämä on lineaarinen yhdistelmä malleista, sekoitettuna parhaiten sopivan LOSVD: n kanssa, kerrottuna kerrannaispolynomilla ja sen jälkeen lisätyillä polynomien jatkumoehdoilla tai taivaankomponenteilla.

Pienennetty istuvuuden chi ^ 2 (nimittäin chi ^ 2 / DOF) (missä DOF

TÄRKEÄÄ: jos Chi ^ 2 / DOF ei ole

1 se tarkoittaa, että virheitä ei ole arvioitu oikein tai että malli on huono ja se on ei puhtaan avainsanan asettaminen on turvallista.

Jos gas_component ei ole None, tämä ominaisuus palauttaa parhaiten sopivan kaasuspektrin yksinään. Yksin tähtispektri voidaan laskea nimellä tähti_spektri = pp.bestfit - pp.gas_bestfit

Vektori, jonka kaikkien linjojen integroitu vuokaavio (lukumäärinä) on asetettu tosi -asetukseksi syöttökanavan_komponentti avainsanassa. Jos viiva koostuu dupletista, vuokausi on molempien viivojen virtaus. Jos Balmer-sarja syötetään yhtenä mallina, tämä on koko sarjan vuokaavio.

TÄRKEÄÄ: pPXF ei tee oletuksia tulovirtausyksiköistä: Palautetulla .gas_flux-yksiköllä on samat yksiköt kuin arvolla, joka saataisiin vain summaamalla kaasupäästön spektripikselien arvot. Tämä tarkoittaa, että jos spektri on yksikköinä erg / (cm ^ 2 s A), pPXF-arvo on kerrottava pikselikoolla Angstromissa linjan aallonpituudella, jotta saadaan integroitu linjavirta erg / (cm) yksikköinä. ^ 2 s).

HUOMAUTUS: Jos kaasun punoitusta ei ole ja kukin tulokaasumallit normalisoitiin summaan = 1, niin pp.gas_flux = pp.painot [pp.gas_component].

Kun kaasumalli on identtisesti nolla sovitetulla alueella, pp.gas_flux = pp.gas_flux_error = np.nan. Vastaavat komponentit pp.gas_zero_template asetetaan arvoon True. Nämä np.nan-arvot asetetaan laskennan lopussa merkitsemään määrittelemättömät arvot. He tekevät ei osoittavat numeerisia ongelmia todellisen pPXF-laskennan kanssa, ja loput pPXF-lähdöstä ovat luotettavia.

muodollinen epävarmuus (1 * sigma) määrälle pp.gas_flux.

Tämä virhe on likimääräinen, koska siinä jätetään huomioimatta kovuus kaasuvirran ja minkä tahansa epälineaarisen parametrin välillä. Käynnistystä voidaan käyttää virheiden tarkentamiseen.

Nämä virheet ovat merkityksettömiä, ellei Chi ^ 2 / DOF

1. Kuitenkin jos yksi olettaa että sopivuus on hyvä, korjattu arvio virheistä on:

vektori, jolla on parhaiten sopiva kaasun punoituskäyrä.

Parhaiten sopiva E (B-V) -arvo, jos asetetaan avainsana gas_reddening.

vektorikoko gas_component.sum () asetettu arvoon True, jossa kaasumalli oli identtisesti nolla sovitetulla alueella. Näille kaasukomponenteille pp.gas_flux = pp.gas_flux_error = np.nan.

Kokonaisvektori, joka sisältää sopivien pikselien indeksit. Tämä vektori on kopio syötetyistä hyvistä pikseleistä, jos puhdas = epätosi, muuten se päivitetään poistamalla havaitut poikkeamat.

Tämä muuttuja sisältää vektorin muodollinen epävarmuus (1 * sigma) sovitetuille parametreille lähtövektorissa sol. Tätä vaihtoehtoa voidaan käyttää, kun nopeus on välttämätöntä, epävarmuustekijöiden suuruusluokan estimaatin saamiseksi, mutta me voimakkaasti Suosittelemme suorittamaan käynnistyssimulaatioita luotettavampien virheiden saamiseksi. Itse asiassa näitä virheitä voidaan vakavasti aliarvioida alueella, jolla rangaistusvaikutus on tärkein (sigma & lt 2 * velscale).

Nämä virheet ovat merkityksettömiä, ellei Chi ^ 2 / DOF

1. Kuitenkin jos yksi olettaa että sopivuus on hyvä, korjattu arvio virheistä on:

TÄRKEÄÄ: Kun suoritetaan Monte Carlon simulaatioita virheen selvittämiseksi, rangaistuksen (esijännityksen) tulisi olla nolla tai parempi hyvin pieni arvo. Katso selitys osasta Cappellari & amp Emsellem (2004).

Edellä olevan .apoly-määritteen korvaa tämän suurelta osin.

Kun aste & gt = 0 sisältää lisäaineen Legendre polynomien painot järjestyksessä 0, 1. aste. Parhaiten sopiva lisäainepolynomi voidaan nimenomaisesti arvioida seuraavasti:

Kun trig = True, polynomi arvioidaan seuraavasti:

Kun tehdään kaksipuolinen sovitus (katso galaksiparametrin ohje), additiivisten polynomien annetaan olla erilaisia ​​vasemman ja oikean spektrin kohdalla. Tällöin additiivisten polynomien lähtöpainot vaihtelevat ensimmäisen (vasemman) ja toisen (oikean) spektrin välillä.

Lineaarisen järjestelmän ennustusmatriisi [nPikseliä, aste + nTemplates].

pp.matriisi [nPikselit,: aste] sisältää additiiviset polynomit, jos aste & gt = 0.

pp.matrix [nPixels, degree:] sisältää LOSVD: n sekoittamat mallit ja kerrottuna multiplikatiivisilla polynomeilla, jos mdegree & gt 0.

pp.matrix [nPixels, -nGas:] sisältää nGas-emissiolinjan mallit, jos ne on annettu. Jälkimmäisessä tapauksessa sopivin kaasupäästölinjan spektri on:

Parhaiten sopiva moninkertainen polynomi (tai punoituskäyrä, kun punoitus on asetettu).

Edellä olevan .mpoly-määritteen korvaa tämän suurelta osin.

Kun mdegree & gt 0, tämä sisältää lähdössä kertoimien 1, 2 multiplikatiivisten Legendre-polynomien kertoimet. Mdegree. Polynomi voidaan nimenomaisesti arvioida seuraavasti:

Kun trig = True, polynomi arvioidaan seuraavasti:

Parhaiten sopiva E (B-V) -arvo, jos punoittava avainsana on asetettu.

Vektori, joka sisältää lähdössä kinematiikan parametrit.

  • Jos hetket = 2, tämä sisältää [Vel, Sigma]
  • Jos momentit = 4, tämä sisältää [Vel, Sigma, h3, h4]
  • Jos momentit = N, tämä sisältää [Vel, Sigma, h3. h n]

Asennettaessa useita kinemaattisia komponentteja, pp.sol sisältää luettelon kaikkien eri komponenttien ratkaisusta, peräkkäin, lajiteltuina komponenttien mukaan: pp.sol = [sol1, sol2. ].

Vel on nopeus, Sigma on nopeuden dispersio, h3 - h6 ovat Gauss-Hermite-kertoimet. Malliparametrit sovitetaan samanaikaisesti.

TÄRKEÄÄ: Lähtön pPXF nopeuden ja punasiirtymän välinen tarkka suhde on Vel = c * np.log (1 + z). Katso yksityiskohtainen selitys kohdasta Cappellari (2017).

Nämä ovat oletusparametrien oletusarvoiset turvallisuusrajat (niitä voidaan muuttaa käyttämällä rajattua avainsanaa):

  • Vel: n on oltava +/- 2000 km / s ensimmäisestä arvailusta
  • velscale / 100 & lt Sigma & lt 1000 km / s
  • -0,3 & lt [h3, h4,. ] & lt 0,3 (todellisten galaksien ääriarvo)

Kaksipuolisen LOSVD-sovituksen tapauksessa lähtöarvot viittaavat ensimmäiseen sisääntulevan galaksin spektriin, kun taas toisella spektrillä on rakenteeltaan kinemaattisia parametreja [-Vel, Sigma, -h3, h4, -h5, h6]. Jos vsyst on nolla (kuten vaaditaan kaksipuoliselle sovitukselle), lähtönopeus mitataan vsyst: n suhteen.

Sisältää optimoinnin ulostulotilan. Positiiviset arvot edustavat yleensä menestystä (tila määritetään kuten scipy.optimize.least_squares).

Vastaanottaa niiden painojen arvon, joilla kukin templaatti kerrottiin sopivaksi galaksispektriin. Optimaalinen malli voidaan laskea matriisi-vektori-kertolaskulla:

Nämä painot eivät sisällä lisäainepolynomien painoja, jotka on erikseen varastoitu polypainoihin.

Taivaan avainsanaa käytettäessä painot [: nTemplates] sisältävät mallien painot, kun taas painot [nTemplates:] antavat taivaan painot. Siinä tapauksessa parhaiten sopivan galaksimallin ja taivaan antaa:

Kun teet kaksipuolista sovitusta (katso galaksiparametrin ohje) yhdessä taivaan avainsanalla taivaan painot saavat olla erilaiset vasemmalle ja oikealle spektrille. Tällöin lähtötaivupainot vaihtelevat ensimmäisen (vasemman) ja toisen (oikean) spektrin välillä.

Kuinka asettaa säännöllisyys

PPXF-rutiini voi antaa järkeviä nopeita tuloksia oletusarvoisella bias-parametrilla, mutta kuten missä tahansa rangaistussa / suodatetussa / laillistetussa menetelmässä, optimaalinen rangaistuksen määrä riippuu yleensä tutkittavasta ongelmasta.

Yleissääntö on, että rangaistuksen tulisi jättää näkökentän nopeuden jakauma (LOSVD) käytännössä muuttumattomaksi, kun se on näytteistetty hyvin ja signaali-kohinasuhde (S / N) on riittävän korkea.

ESIMERKKI: Jos odotat LOSVD-arvoa, jolla on korkein h4

0,2 ja hyväksymäsi rangaistus (puolueellisuus) puolestaan ​​ratkaisun kohti paljon alempaa h4: tä

0,1, vaikka mitattu sigma & gt 3 * velscale ja S / N on korkea, niin olet väärinkäyttö pPXF-menetelmä!

RESEPTI: Seuraava on yksinkertainen käytännön resepti rangaistuksen järkevälle määrittämiselle pPXF: ssä:

  1. Valitse vähintään (S / N) _min-taso kinematiikkaasi varten ja sijoita tiedot spesiaalisesti siten, että spektrit eivät ole alle (S / N) _min
  2. Suorita kinematiikkasi sovitus ilman rangaistus (avainsanan puolueellisuus = 0). Ratkaisu on meluisa ja siihen voivat vaikuttaa väärät ratkaisut, mutta tämän vaiheen avulla voit tarkistaa tutkittavan galaksin odotetut keskiarvot Gauss-Hermite-parametreissa [h3, h4].
  3. Suorita Monte Carlon simulointi spektreistäsi esimerkiksi mukana oleva ppxf_example_simulation.py-rutiini. Ota simulaatiossa S / N: ksi valittu arvo (S / N) _min ja syötteenä [h3, h4] edellisen vaiheen rangaistamattomassa pPXF-sovituksessa mitatut edustavat enimmäisarvot
  4. Valitse rangaistukseksi suurin arvo sellainen, että sigma & gt 3 * velscale: n keskimääräinen ero delta lähdön [h3, h4] ja syötteen [h3, h4] välillä on hyvin sisällä (esim. delta

Onko sinulla ongelmia ensimmäisen istuvuuden kanssa?

Ensimmäisen pPXF-sovituksesi yleiset ongelmat johtuvat vääristä aallonpituusalueista tai erilaisista nopeusasteikoista galaksin ja mallien välillä. Ymmärrä nämä ongelmat nopeasti yrittämällä piirtää (loki uudelleen asetettu) galaksi ja malli juuri ennen pPXF-menettelyn soittamista.

Voit käyttää jotain seuraavista Python-riveistä säätämällä tasoitusikkunaa ja pikselisiirtoa. Jos et saa karkeaa ottelua silmällä, se tarkoittaa jotain vikaa ja on epätodennäköistä, että pPXF (tai jokin muu ohjelma) löytää hyvän ottelun:


5. Keskustelu

Etäisyys, RV, metallisuus ja kiertorata viittaavat siihen, että PW1 ei vain liity LA II: een, vaan että se liittyy myös MC: hin ja MS: ään. PW1: n yhdistäminen LA II: een antaa vivahteikkaamman kuvan LA: sta kuin aikaisemmin on ollut mahdollista. PW 1 ei ainoastaan ​​tarjoa etäisyyttä LA: han, vaan se myös rajoittaa sen kemiallisia, kiertoradan ja dynaamisia ominaisuuksia, kuten sitä, miten MW-kuumahallin paine vaikuttaa siihen. Samaan aikaan PW 1: n liittäminen LA-kaasuun selittää myös joitain sen ominaisuuksia, kuten jäljempänä käsitellään.

5.1. PW: n spatiaalinen morfologia 1

Yksi PW 1: n salaisuuksista on sen epätavallinen tilamuoto ja pitkänomainen jakauma. H i LA II -kaasun ja PW 1 -tähtien spatiaalinen korrelaatio viittaa kuitenkin luonnolliseen selitykseen tälle. PW1-tähdet eivät edusta yhtä yksittäistä ryhmää, joka on häiriintynyt, vaan todennäköisesti todennäköinen useiden tähtien muodostumistapahtumien tulos, joka liittyy LA II: n suurtiheyksisiin Hi-ryhmiin. Tämä on yleinen piirre, jota havaitaan meduusan galakseissa, jotka kokevat pässipainetta galaksiryhmissä. Siksi saattaa olla tarkoituksenmukaisempaa kutsua PW 1: tä tähtien muodostumiseksi "kompleksiksi" tai yhdistykseksi eikä tähtijoukoksi perinteisessä mielessä.

5.2. LA: n alkuperä

PW 1: n keskimääräinen metallisuus on ≈ − 1,23 samanlainen kuin LA: n ([O / H] ≈ −1,16 Fox et al. 2018), Magellanic Bridge -sillan (≈ − 1,0 Lehner et al. 2008) ja jäljessä oleva MS (≈ − 1.2 Fox et ai. 2013a). Suurten nopeuksien MW H i -pilvien mitatuissa metallisuusasteissa on suuri alue (Wakker 2001), ja siksi näiden erillisten järjestelmien metallien samankaltaisuus tukee käsitystä, että LA: lla, MB: llä ja MS: llä on yhteinen yhteinen alkuperää. Nämä metallisuus ovat myös yhdenmukaisia ​​SMC: n metallisuuden kanssa

2 Gyr sitten. Siksi kaikki nämä kaasurakenteet, jotka liittyvät MC: hin, ovat todennäköisesti peräisin pääasiassa SMC: stä samasta vuorovesitapahtumasta noin 2 Gyr sitten.

Huolimatta kaasurakenteiden samankaltaisista metallimaisuuksista, MS: n ja LA: n alkuperästä keskustellaan edelleen. Tämä johtuu pääasiassa siitä, että (1) havainnointitiedot eivät ole kaukana täydellisistä - esim. Metallisuusmittaukset rajoittuvat pieneen määrään näköviivoja, ja (2) on joitain havaittuja piirteitä, joita ei voida helposti selittää ainoalla SMC-alkuperällä (esim. , Fox et ai. 2013b). Yhdessä viimeaikaisista teoreettisista tutkimuksista Pardy et ai. (2018) väitti, että sekä LMC että SMC edistivät LA: n ja MS: n kaasuominaisuuksien luomista. Tepper-Garcían ja amp Bland-Hawthornin (2018) toisessa viimeaikaisessa MS-simulointityössä ehdotettiin kuitenkin, että LA-kaasu ei ole peräisin MC: stä, koska MW: n kuuman halogeenikaasun paine estäisi kaasua saavuttamasta nykyistä asemaansa. Jos PW 1 on todellakin sidoksissa LA II: een, kuten täällä ehdotamme, niin on nyt havaintotodisteita siitä, että paineen paineen vaikutus on yliarvioitu Tepper-Garcíassa ja amp Bland-Hawthornissa (2018). Oletetaan, että keskeinen syrjivä tekijä on ρMW julkaisuissa Tepper-García ja amp Bland-Hawthorn (2018) verrattuna siihen, mitä päätämme PW 1 -skenaariostamme.

5.3. Ei Natal-kaasuhäiriöitä?

Tähtien muodostumisen laukaisemisen edellytyksiä LA: ssa ei tunneta hyvin. Perustuen siihen, että PW 1 on toistaiseksi ainoa tunnettu tähtikomponentti, joka todennäköisesti liittyy LA II: een, PW 1: n BC: n on täytynyt noudattaa hyvin erityisiä tähtien muodostumisolosuhteita LA: ssa kulkiessaan galaktisen keskitason läpi. PW 1: n tuntemattomien tähtienmuodostusolosuhteiden lisäksi on toinen mysteeri: kuinka PW 1 BC: n morfologia on pysynyt enimmäkseen ehjänä? Analyysimme osassa 4.3 osoittaa, että siihen liittyvän H i-kaasun nykyinen aluejakauma muistuttaa PW 1 -tähtien jakaumaa

Nuoren tähtijoukon muodostava kaasupilvi häiriintyy ensimmäisen SN: n esiintyessä. SN-räjähdykset vääristävät tehokkaasti alkuperäisiä avaruuskorrelaatioita kaasun ja tähtien välillä ruiskuttamalla säteily- ja mekaanista energiaa syntymäkaasuun. Tähtien ja kaasun samanlaiset avaruusjakaumat (- 1015, + 144) siirtymisen jälkeen osoittavat, että PW 1 BC: lle ei suoritettu lainkaan merkittävää kaasunpoisto- ja / tai kaasun tuhoamisjaksoa tai ainakaan ei merkittävällä tasolla. Tämä saattaa olla mahdollista vain, jos tähtien palautetta ei ole PW 1 BC: ssä.

Yksi tapa välttää tähtien palautteen vaikutus kaasupilveen on olla SN-tapahtumia. Testatakseen mahdollisuuden, ettei PW 1: ssä esiintynyt SNe: tä, laskemme SN: n räjähdysten odotetun määrän PW 1: n kaltaisissa tähtijoukoissa. PW 1: n nykyisen massan, iän ja metallisuuden perusteella PARSEC-tähtien evoluutiomallit viittaavat siihen, että PW 1: n alkuperäinen massa on

1800. Simuloimme sitten 1800 tähtijoukkoa 20 000 kertaa olettaen Kroupan alkumassatoiminnon ja laskemme SN-räjähdystapahtumien määrän kussakin tähtijoukossa. Jos oletetaan, että kaikki yli 8 massiiviset tähdet räjähtävät SNe II: na, kaikki simuloidut PW 1: n kaltaiset ryhmät tuottavat vähintään yhden ytimen romahtavan SN

3 Myr (tyypillinen 8 tähden käyttöikä) syntymänsä jälkeen. Siten tämä skenaario ei sovi selittämään samanlaista nykypäivän tilakuviota PW 1: n ja BC: n välillä.

Toinen tapa välttää tähtien palautteen aiheuttama kaasuhäiriö on irrottaa BC ja uudet tähdet alueellisesti ennen ensimmäistä SN-räjähdystä. Yli 3 Myryn PW 1-tähdet pystyivät matkustamaan

50 lyyrin päässä BC: stä kohdan 4.5 kiertoradan laskennan perusteella. Tämä paisuntapaineen aiheuttama spatiaalinen irtikytkentä saattaa estää PW 1 BC: n keskeytymästä tähtien takaisinkytkennällä. Jos PW 1 -tähdet ja kaasu todella erotettiin toisistaan ​​ennen ensimmäistä SN-räjähdystä, oletuksemme SN: n vaikutuksesta tähtien liikkeisiin (kohta 4.5) voidaan luonnollisesti perustella.


Tähtitieteiden logaritminen uudelleenmuodostus ja jatkuva poisto - Tähtitiede

Sinisen optisen aallonpituusalueen spektrien ei tarvitse normaalisti poistaa Tellur-viivoja, kun taas punaisempia aallonpituuksia peittävät spektrit. Jos pystyt välttämään alueita, joissa on telluurisia viivoja, tämä on paras vaihtoehto, koska niitä ei voida poistaa kokonaan.

Käyn ensin läpi vuon kalibroinnin ja yhdistän sen sitten telluurin poistoon jälkikäteen.

Vuon kalibroivat spektrit

Kalibrointitaulukoiden hankkiminen

Ensinnäkin sinun on täytynyt havaita spektrofotometrisen vuon vakiotähti. Keskustelut ja useiden vuonormien absoluuttiset spektrit löytyvät Oke (1990, AJ, 99, 1621) ja Oke & amp Gunn (1983, ApJ, 266, 713). Taulukkotiedot standardeille voidaan saada useista lähteistä, kuten ESO ja ING. Näitä on saatavana kahta erilaista tyyppiä:

  • Oke: nämä koostuvat useiden pienten spektriosien mittauksista, jotka eivät sisällä spektriviivoja, joten niille on tunnusomaista keskiaallonpituus, mittaus ja kaistanleveys (eli kolme saraketta tietokannassa).
  • Filippenko-Greenstein: nämä käyttävät koko spektriä, joten ne soveltuvat paremmin heikkoihin standardeihin, mutta niihin voivat vaikuttaa spektriviivat, jotka voivat antaa systemaattisia virheitä. Saatavilla olevat tulokset soveltuvat periaatteessa standarditähden jatkumoon ja ovat luettelo aallonpituuksista ja mittauksista (ei kaistanleveyksiä).

molly erottaa nämä toisistaan ​​datatiedostossa olevien sarakkeiden lukumäärän mukaan: kolme saraketta tarkoittaa Oke-tyyppistä tietoa ja kaksi saraketta tarkoittaa Filippenko-Greensteinia.

Kun olet valinnut tähtesi ja saanut taulukkotiedot, sitä on muutettava hieman ennen käyttöä. Jos mittaukset annetaan absoluuttisina vuoyksikköinä (milly-Janskys), sinun on lisättävä viiva datatiedoston alkuun arvolla Fluxes = mJy. Jos mittaukset ovat AB-suuruuksia, sinun on lisättävä viiva Fluxes = AB.

Virtausstandardin kalibrointi

Aloita molly ja lue spektrisi. Valitse vuon kalibrointitähti ja anna vuon komento

[telluric-star-slot] tulisi asettaa nollaan tällä hetkellä (käsittelemme tätä alla, koska se on tärkeää punaisen ja infrapunatiedon kannalta).
Useita muita argumentteja on nyt määriteltävä:
[pikseliä] tarvitaan Fillipenko-Greenstein-tietoihin. Hyvä arvo on 20 pikseliä, mutta tätä tulisi kasvattaa, jos datalla on vähän signaalia kohinaan.
[urien lukumäärä]: aloita 5: llä (lisäät todennäköisesti lisää myöhemmin).
[alempi hylkäyskynnys] ja [ylempi hylkäyskynnys]: anna näille suuret arvot (noin -20 ja 20), jotta vältetään tietojen hylkääminen spektrien päissä, joissa vinjetointi on tärkeää.
[hylkäysjaksojen lukumäärä]: 10 on normaalisti hieno.
[Lineaarinen sovitus] valitsee yleensä 'y', mutta valitse 'n' logaritmisen sovituksen suorittamiseksi, jos tietojesi dynaaminen alue on hyvin suuri.
[painokerroin]: valitse normaalisti '0' ilman muutosta tai '1' yksikköpainotusta varten.

Valitse nyt piirtää sovitus: näet spektrin pikseliä kohti olevien lukumäärien spektrin (valkoiset ympyrät), joukon vihreitä katkoviivoja pitkin pystyviivoja, jotka osoittavat, mihin kuutiomaisen viivan solmut on sijoitettu, ja valkoisen viivan mikä osoittaa uran sovittamisen spektriin. Solmut sijoitetaan tasaisesti, ja tuloksena oleva spline sopii todennäköisesti hyvin hyvin, missä data muuttuu hitaasti, mutta sopii vähemmän, jos datalla on aaltoja tai muuta rakennetta.

Ellei sovitus ole jo erittäin hyvä, valitse muokata spline-solmua ja asenna se uudelleen. Voit nyt lisätä ylimääräisiä spline-solmuja pisteisiin, joissa data-arvojen vaihtelut aiheuttavat nykyisen spline-sovituksen heikkoon, ja poistaa kaikki tarpeettomat spline-solmut. Jos haluat lisätä urasolmun, siirrä hiiren osoitin haluamaasi kohtaan ja paina A. Irrota spline-solmu osoittamalla sitä hiirellä ja painamalla R-painiketta. Voit tietysti siirtää solmuja poistamalla nykyisen solmun ja lisäämällä uuden eri kohtaan. Et yleensä halua vaihtaa spline-solmuja liikaa kussakin iteraatiossa tai päätyä yli noin 10-12 solmuun. Älä lisää uria suoraan tietojen loppuun, koska tämä voi aiheuttaa sovituksen epäonnistumisen. Kun olet säätänyt solmukohtia, paina Q nähdäksesi uuden istuvuuden. Voit jatkaa tätä, kunnes saat hyvän uran.

Flux-kalibrointi ei ole kovin tarkka, ja erittäin hyvä sovitus voi olla vaikea saavuttaa. Jopa OK-sovitus voi olla vaikeaa tai mahdotonta alueilla, joilla on paljon spektriviivoja (esim. Balmer-hyppy noin 4000 & Aring). Sinun tulisi olla tietoinen siitä, että tämä ei ole erityisen luotettava prosessi.

Jos jotkut vahvat viivat aiheuttavat suuria ongelmia sovituksessa, yritä peittää ne taajuuksien avulla (mask-komennolla) ennen vuon kalibrointia.

Kun sinulla on hyvä sovitus, lopeta iterointi kirjoittamalla n. Voit nyt tarkastaa tuloksen piirtämällä spektrin käyttämällä ensin laskimia ja sitten milli-Janskys y-akselin määränä. Jos spektrisi on aikavälissä 101, kirjoita

useita kertoja. Muista, että voit vilkkua kuvaajia helposti ylös-nuolinäppäimellä hakeaksesi aikaisemmat komennot (ts. Ylös-nuoli, ylös-nuoli, kirjoita jokaiselle uudelleenohjelmalle). Jos tulos on hyvä, sinulla on nyt vuonkalibrointi, jota voidaan käyttää muihin spektreihisi.

Kohdespektrien kalibrointi

Nyt sinulla on vuon kalibrointi, jota voit käyttää tiedespektreihisi käyttämällä fcal-komentoa:

Koska et ole vielä tehnyt telluurin korjaustähteä, laita 0 arvoon [telluric_cal_slot]. Jäljellä olevissa kehotteissa laita 0,5 [harmaalle ekstinktiokertoimelle] (tämä ei ole normaalisti tärkeää) ja 1,0 [Rayleigh-tekijälle] (voit valita muita arvoja, jos tiedät mitä olet tekemässä). Sitten vuonkalibrointi suoritetaan kohdespektreihin.

Yhdistetty vuon kalibrointi ja tellurin linjan poisto

Puna-aallonpituusspektreille voi olla erittäin tärkeää, että telluuriset viivat poistetaan. Mollyssä flux- ja fcal-komennot on asetettu tekemään nämä kaksi asiaa samanaikaisesti, ja on myös mahdollista käyttää samaa kalibrointispektriä sekä vuonormaalina että telluuristandardina ("vesitähti" mollyterminologiassa) .

Tellurisen linjaspektrin luominen

Sovita ensin toiminto vuon vakiospektriisi ja jaa sovituksella, jotta sen jatkumataso on liikenneympyrä 1.0. Polynominen sovitus on yleensä paras komentoa pfit käyttämällä. Määritä kohdekorttipaikka, ulostulosovituspaikka, käytä polynomijärjestystä 3 - 7 (spektrin muodosta riippuen) ja levitä naamio. Olettaen, että taajuuksesi on korttipaikassa 101 ja sovitus laitetaan korttipaikkaan 102, komento on:

Kun maskivalikko tulee esiin, piirrä spektrisi ja peitä kaikki telluurisen ja tähtisen spektriviivan alueet. Sulje maskivalikko ja sovitus lasketaan. Piirrä spektri ja sen sopivuus eri värein tarkistaaksesi, että istuvuus on hyvä:

Jos sovitus on hyvä, tasaa spektri jatkumoon jakamalla sopivuus:

Nyt haluamme asettaa useimmille tasasuunnitellun spektrin alueille tarkalleen 1,0, jotta vältetään melun tuominen kohdespektreihin myöhemmin. Alueet, joilla on tähtien tähtiominaisuudet, tulisi myös asettaa arvoon 1,0, mutta telluurialueiden ei pitäisi olla. Käytä cset-komentoa:

Kun peitevalikko tulee esiin, piirrä paikka 103 ja kirjoita sitten m peittääksesi. Valitse se tekemällä kohdistin ja peitä sitten alueet, jotka eivät sisällä merkitseviä telluurisia ominaisuuksia. Sulje maskivalikko ja piirrä sitten tulos tarkistaaksesi, että kaikki paitsi telluuriset ominaisuudet on asetettu arvoon 1.0. Tavallisesti on myös hyvä rajoittaa taajuuksien arvot välille 0,0–1,0, jotta se olisi tasaisempi. Voit tehdä tämän käyttämällä komentoa limit:

ja piirrä naamio koko spektrille. Suunnittele tulos - sen pitäisi olla hyvin samanlainen kuin aikaisemmin, mutta melupiikit eivät enää hyökkää yli 1,0 tai alle 0,0. Sinulla on nyt tellurinen spektri.

Vuon vakiokalibrointi ja telluurinen poisto

Nyt käytämme flux-komentoa Tellur-spektrillä:

Veden eksponentin paras arvo näyttää olevan 0,6. Fudge vesimassalle? , 'kyllä' tarkoittaa, että se yrittää sovittaa telluurispektrin suoraan tähtispektriin parhaan sovituksen löytämiseksi, ja 'ei' tarkoittaa, että se laskisi telluurivahvuuden vuosispektrin ilmamassan mukaan, se on todennäköisesti hyvä idea kokeilla molempia. Jos teet vesimassaa, suodattimien on poistettava suuret ja pienet vaihtelut, ja on parasta hyväksyä oletusarvot 31 ja 3. Sinun on sitten käytettävä maskivalikkoa osoittamaan pieni spektrialue, jossa telluurilinjat ovat vahvimpia, minkä avulla se löytää telluurien parhaiten sopivan voiman. Jos et hämmentä vesimassaa, hyväksy oletusarvo 1,0 ilmamassan ja vesimassan suhteelle.

Asenna nyt jatkuma uralla kuten aiemmin, jotta saat vuon kalibroinnin.

Flux-kalibroivat ja telluria poistavat kohdespektrit

Käytämme fcal-komentoa kuten aiemmin, mutta nyt meillä on myös Tellur-spektri:

Anna telluurisen skaalauseksponentin arvo 0,6. Uudelleenkäynnistystä varten (tarvitaan Tellurin ja muiden spektrien aallonpituusskaalojen aikaansaamiseksi) tavalliset valinnat ovat q (nopea) tai s (hitaampi, mutta parempi). Valitse sitten 'y' tai 'n' spektrien hämmentämiseksi (jos valitset 'y', se tuottaa parhaiten sopivat ilmamassan arvot verrattuna todellisiin arvoihin) ja noudata tästä johtuvia lisävaiheita kuten edellisessä kappaleessa. Kun vuon kalibrointi on tapahtunut, huomaat, että kohdespektrit on vuon kalibroitu ja että niiden telluuriset viivat on poistettu (suunnilleen).


Vertailuarvot

Aldebaranilla, Arcturuksella, Polluxilla, Procyonilla ja Alpha Centaurilla on ollut osa ihmiskunnan kulttuuria ja mytologiaa siitä lähtien, kun heidät tunnistettiin ensimmäisen kerran ja niitä käytettiin navigoimaan maapallolla. Tähtitieteilijät käyttivät niitä vertailukohtana kuvaamaan kuun ja planeettojen asemia liikkuessaan yön taivaan läpi ilmestyneinä Babylonian tähtitieteellisiin päiväkirjoihin, jotka ovat peräisin lähes 1000 vuotta eKr. Nyt näillä samoilla tähdillä on jälleen tärkeä rooli vertailutähteinä. Yhdessä kolmenkymmenen muun tähden kanssa niitä käytetään luokittelemaan miljoonat tähdet nykyisissä ja tulevissa tähtitutkimuksissa. Ne ovat jälleen referenssipisteitä, mutta tällä kertaa Linnunradamme kemiallisen evoluution tutkimiseen.

Olemme perustaneet otoksen vertailutähdistä, jotka kattavat F-, G- ja K-spektrityyppien alueen erilaisilla metallisuuksilla ja edustavat merkittävää osaa galaksimme tähtipopulaatioista. Tämäntyyppisiä tähtiä on eniten galaksissa, ja ne muodostavat yli 80% kaikista tähdistä, jotka ovat kirkkaampia kuin 20. suuruus Galaktisten vakiomallien arvioiden mukaan. Vertailutähdet valitaan siten, että niillä on mahdollisimman paljon tietoa niiden todellisen lämpötilan ja pinnan painovoiman määrittämiseksi spektroskopiasta riippumatta. Käyttämällä mitattuja kulmahalkaisijoita, bolometrisiä vuoria ja parallakseja sekä tähtien evoluutiomalleista, kiertoradiodynamiikasta tai asteroseismologiasta arvioituja massaa tehollinen lämpötila määritetään Stefan & ndashBoltzmann -suhteesta (tähden pinnan kirkkaus on verrannollinen säteen ja neliön neliöön). neljäs pintalämpötilan teho) ja pinnan painovoima Newtonin painovoimalakista. Keräsimme myös korkealaatuisia korkean resoluution spektrejä spektrikirjaston rakentamiseksi. Näitä käytetään määrittämään yli 20 kemiallisen alkuaineen metallipitoisuus ja yksittäiset runsaudet. Tätä analyysiä varten käytetään useita menetelmiä ja yhdistetään.

Tehokas lämpötila ja pinnan painovoima 34 Gaia FGK Benchmark -tähden perussuhteista. Ellipsien puoliakselit vastaavat epävarmuustekijöitä. Väri osoittaa metallipitoisuuden suhteessa aurinkoon logaritmisella asteikolla perustuen korkean resoluution spektreistä mitattuihin rautapitoisuuksiin. Kiitos Procyonin, Auringon ja Arkturuksen värillisistä spektreistä: N.A.Sharp, NOAO / AURA / NSF.

Ilmakehän parametrit ovat referenssi suurten maa- ja avaruuspohjaisten tähtitutkimusten, kuten ESA-tehtävän, testaamiseen ja homogenisointiin Gaia, eurooppalainen Gaia-ESO: n julkinen spektroskooppinen tutkimustai Australian suuri tarkkailuohjelma GALAH (Galaktinen arkeologia HERMESin kanssa) ja katso myös Linnunrata. Spektrikirjaston ja lisävälineiden avulla spektrien mukauttamiseksi erilaisten tutkimusten ominaisuuksiin voidaan luoda yhteys näiden suurten projektien välille. Tämä työ tehdään yhteistyössä useiden muiden tutkimusryhmien kanssa, pääasiassa Santiagossa (Chile) ja Bordeaux'ssa (Ranska).

Alkuperäistä vertailutähtien otosta laajennetaan täyttämään parametritila yhä useammalla tähdellä. Osallistumme useisiin tarkkailuohjelmiin, joissa käytetään suuria optisia / infrapuna-interferometrejä tähtien halkaisijoiden mittaamiseen (ESO: n erittäin suuri teleskooppi-interferometri Cerro Paranalilla Chilessä ja CHARA-ryhmä Mount Wilsonissa Kaliforniassa).


Luento 7 - Tähtiluokitus (2/2/99)

Jatkuvien päästöjen ja mustan kappaleen säteily muuttui

Tähtiluokat ovat pääosin lämpötilaluokkia. Värit vastaavat lämpötiloja mustan rungon suhteen. Läpinäkymätön aine lämpötilassa T (kelvineinä) säteilee jatkuvaa valospektriä, jonka aiheuttaa atomien (ja niiden elektronien) liike ja törmäykset

Mustakappaleen säteilyn huippuaallonpituus on kääntäen verrannollinen lämpötilaan ja pinnan neliömetriä kohti säteilevä kokonaisteho on verrannollinen neljäs lämpötilan teho:

HR-kaavio: Massa-valovoima-säteet-suhteet

Hertzsprung-Russell (HR) -kaavio on perusedellytys tähtien astrofysiikan ymmärtämiselle. Esitetyt perusmäärät ovat log L vs. -log T. HR-kaavion variantit sisältävät väri-suuruuskaavion, joka kuvaa absoluuttisen visuaalisen suuruuden M_V vs. väri B-V. Alla on esimerkki HR-kaaviosta:

Kun otetaan huomioon kirkkaus ja lämpötila, jotka määrittävät tähden sijainnin HR-kaaviossa, meidän on sitten tarkasteltava sädettä ja massaa. Ensin voimme johtaa säteen suhteen Stefan-Boltzmann-suhteen ja pintavirran avulla:

Täten vakiosäteiset viivat seuraavat suunnilleen pääjärjestyksen kaltevuutta. Tähdet ylhäällä ja oikealla ovat suurempia (jättiläiset ja suurjätit) ja tähdet alapuolella ja vasemmalla ovat pienempiä (kääpiöt). Esimerkiksi voimme soveltaa tätä kirkkaaseen Vega-tähtiin:

Tähden massa kasvaa karkeasti kirkkaudella, kun siirryt pääsekvenssiä ylöspäin. Tähtien massat, jotka eivät kuulu pääjärjestykseen, ovat kuitenkin ongelmallisia. Jätämme nämä, kunnes ymmärrämme paremmin tähtien rakenteen ja evoluution. Tähtien pääjärjestyksessä on likimääräinen teholaki-suhde:

Tämä pätee tähtiin, jotka ovat massiivisempia kuin noin 0,4 Msun.

Atom

Vetyä ja heliumia varten muodostuva atomin ydin ja elektroni "pilvi":

Bohrin malli atomista - elektronit kiertävät "planeettoja" atomien "aurinkokunnassa":