Astronomía

Fracción de objetos activos en filamentos cósmicos

2019-12-19T00:00:00Z

Fracción de objetos activos en filamentos cósmicos Pérez, Noelia Rocío A grandes escalas el Universo puede considerarse como homogéneo e isotrópico; sin em- bargo, al estudiarlo en detalle pueden apreciarse estructuras definidas en menores escalas. Es posible detectar que las mismas no se encuentran localizadas aleatoriamente, sino que se concentran en grupos que van desde dos hasta cientos o miles de galaxias conectados entre sí a través de estructuras filamentarias. El estudio de galaxias activas pertenecientes al campo de densidad utilizado para la detección de estas estructuras resulta fundamental para entender los procesos evolutivos que suceden en las distintas etapas de formación del Universo. Para ello se utilizo el catálogo de filamentos de Tempel et al. (2014) y la muestra completa en volumen de ´ galaxias del Sloan Digital Sky Survey (SDSS) - Data Release 8 (con líneas de emisión medidas ´ con S=R > 2 el rango de redshift 0:04 < z < 0:1). Del relevamiento SDSS se seleccionaron aquellas galaxias con núcleos activos (AGN, ´ Active Galactic Nuclei) que forman parte del campo de densidades de estructuras filamentarias y se analizaron sus propiedades (color, edad, índice de concentración y luminosidad del OIII) con respecto a su posición en el diagrama BPT y su distribución en función de propiedades filamentarias (distancia al eje, longitud, luminosidad y riqueza). Para ello se utilizaron dos formas diferentes de analizar la posición de los objetos activos en el diagrama. La primera tomando muestras dentro de rangos obtenidos mediante líıneas paralelas al criterio de clasificación de Kauffmann et al. (2003b), y por otro lado, se tomaron muestras en bines perpendiculares a la misma curva. Las muestras paralelas al criterio de Kauffmann et al. (2003b) muestran una evolución de las galaxias huésped en dirección perpendicular a la curva de clasificación mencionada, mientras que no es posible observar diferencias con respecto a las propiedades de los filamentos que habitan. En el caso de las muestras perpendiculares al criterio de Kauffmann et al. (2003b), solo se observan variaciones en la distribución del parámetro indicativo de la edad de los objetos y de la luminosidad del OIII sin mostrar variaciones con respecto a las propiedades filamentarias. Ademas se restringió este análisis para AGN en el entorno local del filamento, tomando aquellas ubicadas a distancias menores al eje filamentario que 2 h−1 Mpc, sin detectar diferencias significativas con respecto a los resultados anteriores. En un análisis más detallado, se restringió la muestra utilizando las líneas de clasificación de Kewley et al. (2001a), para eliminar los objetos compuestos y Kewley et al. (2006) para dividir la muestra en LINER y Seyfert, tomando unicamente aquellas que se encuentran en el entorno local de filamentos (distancias al eje menores o iguales a 2 h−1 Mpc). Ademas para comprender el comportamiento de los dos tipos de galaxias con AGN, se construyeron muestras de control con galaxias sin actividad nuclear que presentan similares distribuciones de color, redshift, edad y luminosidad. Se analizaron las fracciones tanto de LINER, Seyfert y sus respectivas muestras de control estudiando el comportamiento de color y edad de estas galaxias en función de las propiedades filamentarias. Los resultados no muestran una señal significativa de las muestras de AGN con sus respectivas muestras de control con respecto a parámetros filamentarios tales como riqueza y luminosidad. En relación a la longitud del filamento se han podido detectar que las AGN mas viejas y rojas se distribuyen de forma aproximadamente uniforme, disminuyendo su fracción lentamente para filamentos más largos. Sin embargo, al extender el análisis de las propiedades de AGN para distancias hasta 8 h−1 Mpc se observo que las mismas no cumplen estrictamente con la relación morfología-densidad en grandes escalas, como puede verse para las muestras de control.

Estima de redshifts fotométricos para galaxias en la región del cúmulo de Ophiuchus

2025-03-25T00:00:00Z

Estima de redshifts fotométricos para galaxias en la región del cúmulo de Ophiuchus Zarate Ojeda, Francisco Mariano El cúmulo de Ophiuchus es una de las estructuras extragalácticas más masivas del universo local. Su desafiante ubicación en la Zona de Oscurecimiento Óptico (ZOA) es responsable de las dificultades observacionales en el óptico debido a la alta extinción y crowding estelar. En este Trabajo se presentan estimas de redshifts fotométricos (zphot) de galaxias en la región del cúmulo. Esto se logró mediante el uso del código EAZY, que utiliza técnicas de correlación cruzada entre plantillas de espectros de galaxia y los datos fotométricos aportados. Esta información fotométrica se obtuvo de relevamientos en el NIR y el óptico disponibles en la región. Utilizando imágenes de los relevamientos mencionados, en la región cubierta por el catálogo de Durret et al. 2018, se obtuvieron magnitudes de apertura mediante el software SExtractor en las bandas JKs (VVVX/VHS), H (VVVX) y grizY (DECaPS2). Se inspeccionaron visualmente los objetos del catalogo de Durret et al. 2018 mediante imágenes en falso ´ grz y JHKs según la disponibilidad de estas, buscando características morfológicas que permitiesen desarrollar un catalogo (CF) con mediciones fotométricas en el NIR y en el óptico de candidatas a galaxias en la región del cúmulo de Ophiuchus. ´ Se utilizaron los datos fotométricos del CF en diferentes configuraciones con el código EAZY, el cual permitió obtener distribuciones de ´ zphot. Se hallo que utilizando las mediciones ´ en los filtros grizY JKs se obtienen la mayor cantidad de objetos con zphot concordante con la distribución de ´ z spec para el cúmulo de Ophiuchus. ( ´ zphot = 0.030 ± 0.01), esto convalida la metodología empleada. Ademas se obtiene un conjunto de 149 objetos con alta probabilidad de ´ pertenecer al cúmulo de Ophiuchus, los cuales cuentan con mediciones de ´ zphot satisfactorias y se encuentran dentro de ±3σ del ajuste definido por Galdeano et al. 2022 para la secuencia roja del cúmulo en las bandas ´ J − Ks. Estos objetos, que no cuentan con zspec medido, resultan ser un prometedor objetivo para mediciones espectroscopicas futuras, de manera que pueda ´ confirmarse su naturaleza extragaláctica como miembros del cúmulo de Ophiuchus.

Galaxias en cúmulos seleccionadas con inteligencia artificial

2024-08-09T00:00:00Z

Galaxias en cúmulos seleccionadas con inteligencia artificial Martín Girardi, Gimena El estudio de cúmulos de galaxias contribuye a diversas áreas de la astronomía, permitiendo poner a prueba modelos cosmológicos, investigar la evolución de galaxias, y la influencia del entorno sobre las mismas. La estimación de las propiedades físicas de los cúmulos de galaxias depende de la correcta determinación de las galaxias que pertenecen a un cúmulo, separándolas de aquellas que se encuentran frente o detrás del mismo. En este trabajo se investiga la capacidad de tres algoritmos de aprendizaje automático para seleccionar galaxias miembros de cúmulos. Se analiza cómo el uso de distintos conjuntos de atributos fotométricos influye en su desempeño, y cómo este varía en función de distintas variables, incluyendo redshift, color y luminosidad. El conjunto de galaxias utilizado para el entrenamiento y la evaluación de los algoritmos fue seleccionado a partir del catálogo de galaxias y cúmulos identificados fotomé- tricamente, publicado por Wen & Han (2021), construido utilizando los catálogos Hyper Suprime-Cam Subaru Strategic Program y unWISE. Para abordar el desequilibrio de clases entre galaxias pertenecientes y no pertenecientes a cúmulos, se seleccionaron las galaxias encerradas en un radio de aproximadamente 𝑅��500 alrededor de la galaxia central de cada cúmulo. De este modo, el conjunto de galaxias resultante contuvo un 35 % de galaxias miembros de cúmulos. Los 3 algoritmos analizados en este trabajo fueron redes neuronales (NN, neural networks), bosques aleatorios (RF, random forests), y máquinas de vectores de soporte (SVM, support vector machines). Sus predicciones fueron evaluadas según un conjunto de métricas, que incluyó precisión 𝑃��, sensibilidad 𝑅��, y el área bajo la curva ROC (ROC AUC). En el caso de NN, se compararon distintas arquitecturas para seleccionar aquella que produjese los mejores resultados. Para RF y SVM se realizó una búsqueda de hiperparámetros para determinar el mejor modelo. Los algoritmos NN y RF produjeron resultados similares al ser evaluados con un mismo conjunto de datos y de atributos, y se continuó utilizando NN para analizar el desempeño del modelo. El desempeño de SVM fue similar o inferior al de los otros algoritmos, según el conjunto de datos utilizado. El conjunto de atributos considerado inicialmente incluyó magnitudes, colores y parámetros morfológicos en las bandas HSC grizy y la banda WISE W1. Para NN, este conjunto resultó en una precisión 𝑃�� = 0,47, sensibilidad 𝑅�� = 0,74, y ROC AUC = 0,74. El rendimiento del modelo mejoró significativamente al incorporar un conjunto de estimadores de densidad local Σ 𝑛�� basados en la distancia proyectada al 𝑛��-ésimo vecino más cercano, resultando en 𝑃�� = 0,76, 𝑅�� = 0,87 y ROC AUC = 0,93. Por otro lado, los mejores resultados fueron producidos al añadir el redshift de la BCG (brightest cluster galaxy, la galaxia más luminosa de un cúmulo) más cercana en distancia proyectada, produciendo predicciones con 𝑃�� = 0,90, 𝑅�� = 0,93 y ROC AUC = 0,99. La calidad de las predicciones realizadas disminuye con el redshift (𝑧��) de las galaxias y los cúmulos analizados, resultado esperado dada la mayor incertidumbre en las mediciones fotométricas y la identificación de cúmulos a mayor redshift. Para 𝑧�� < 1, el método investigado en este trabajo produce resultados satisfactorios, dependiendo del conjunto de atributos utilizado. El desempeño de los algoritmos en función de color, magnitud y otros atributos se relaciona generalmente con la proporción de galaxias pertenecientes y no pertenecientes a cúmulos en distintos rangos de los mismos. En rangos de un atributo donde la fracción de galaxias miembros de cúmulos es menor, disminuye la capacidad de los modelos para identificarlas, resaltando la importancia de disponer de un conjunto de datos balanceado para su entrenamiento.

Galaxias en cúmulos seleccionadas con inteligencia artificial

2024-08-09T00:00:00Z

Galaxias en cúmulos seleccionadas con inteligencia artificial Martín Girardi, Gimena El estudio de cúmulos de galaxias contribuye a diversas áreas de la astronomía, permitiendo poner a prueba modelos cosmológicos, investigar la evolución de galaxias, y la influencia del entorno sobre las mismas. La estimación de las propiedades físicas de los cúmulos de galaxias depende de la correcta determinación de las galaxias que pertenecen a un cúmulo, separándolas de aquellas que se encuentran frente o detrás del mismo. En este trabajo se investiga la capacidad de tres algoritmos de aprendizaje automático para seleccionar galaxias miembros de cúmulos. Se analiza cómo el uso de distintos conjuntos de atributos fotométricos influye en su desempeño, y cómo este varía en función de distintas variables, incluyendo redshift, color y luminosidad. El conjunto de galaxias utilizado para el entrenamiento y la evaluación de los algoritmos fue seleccionado a partir del catálogo de galaxias y cúmulos identificados fotomé- tricamente, publicado por Wen & Han (2021), construido utilizando los catálogos Hyper Suprime-Cam Subaru Strategic Program y unWISE. Para abordar el desequilibrio de clases entre galaxias pertenecientes y no pertenecientes a cúmulos, se seleccionaron las galaxias encerradas en un radio de aproximadamente 𝑅�500 alrededor de la galaxia central de cada cúmulo. De este modo, el conjunto de galaxias resultante contuvo un 35 % de galaxias miembros de cúmulos. Los 3 algoritmos analizados en este trabajo fueron redes neuronales (NN, neural networks), bosques aleatorios (RF, random forests), y máquinas de vectores de soporte (SVM, support vector machines). Sus predicciones fueron evaluadas según un conjunto de métricas, que incluyó precisión 𝑃�, sensibilidad 𝑅�, y el área bajo la curva ROC (ROC AUC). En el caso de NN, se compararon distintas arquitecturas para seleccionar aquella que produjese los mejores resultados. Para RF y SVM se realizó una búsqueda de hiperparámetros para determinar el mejor modelo. Los algoritmos NN y RF produjeron resultados similares al ser evaluados con un mismo conjunto de datos y de atributos, y se continuó utilizando NN para analizar el desempeño del modelo. El desempeño de SVM fue similar o inferior al de los otros algoritmos, según el conjunto de datos utilizado. El conjunto de atributos considerado inicialmente incluyó magnitudes, colores y parámetros morfológicos en las bandas HSC grizy y la banda WISE W1. Para NN, este conjunto resultó en una precisión 𝑃� = 0,47, sensibilidad 𝑅� = 0,74, y ROC AUC = 0,74. El rendimiento del modelo mejoró significativamente al incorporar un conjunto de estimadores de densidad local Σ 𝑛� basados en la distancia proyectada al 𝑛�-ésimo vecino más cercano, resultando en 𝑃� = 0,76, 𝑅� = 0,87 y ROC AUC = 0,93. Por otro lado, los mejores resultados fueron producidos al añadir el redshift de la BCG (brightest cluster galaxy, la galaxia más luminosa de un cúmulo) más cercana en distancia proyectada, produciendo predicciones con 𝑃� = 0,90, 𝑅� = 0,93 y ROC AUC = 0,99. La calidad de las predicciones realizadas disminuye con el redshift (𝑧�) de las galaxias y los cúmulos analizados, resultado esperado dada la mayor incertidumbre en las mediciones fotométricas y la identificación de cúmulos a mayor redshift. Para 𝑧� < 1, el método investigado en este trabajo produce resultados satisfactorios, dependiendo del conjunto de atributos utilizado. El desempeño de los algoritmos en función de color, magnitud y otros atributos se relaciona generalmente con la proporción de galaxias pertenecientes y no pertenecientes a cúmulos en distintos rangos de los mismos. En rangos de un atributo donde la fracción de galaxias miembros de cúmulos es menor, disminuye la capacidad de los modelos para identificarlas, resaltando la importancia de disponer de un conjunto de datos balanceado para su entrenamiento.