الفلك

إعادة الربط اللوغاريتمي والإزالة المستمرة للأطياف النجمية

إعادة الربط اللوغاريتمي والإزالة المستمرة للأطياف النجمية


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

أحاول أن أتعلم كيفية اشتقاق خط توزيعات سرعة الرؤية من طيف المجرة لاستخراج المعلمات الحركية مثل سرعة الدوران وتشتت السرعة. لذلك أحتاج إلى إعداد بعض الأطياف الخاصة بي. في هذا المثال ، أخذت أطيافًا نجمية من كتالوج الأميال http://miles.iac.es/pages/stellar-libraries/the-catalogue.php. حاولت إعادة تشكيل الأطياف على مقياس لوغاريتمي للطول الموجي ثم حاولت إزالة الاستمرارية كما وصفها Bender et. آل عام 1994 ، توزيعات سرعة خط البصر للمجرات الإهليلجية (متوفرة أيضًا هنا وفي بوابة البحث).

هنا هو الجزء ذو الصلة من الورقة:

3.1 تخفيض واشتقاق توزيعات سرعة خط البصر

كانت أطياف CCD غير متحيزة ، وطرح داكن ومسطحة بالطريقة المعتادة. تمت إزالة وحدات البكسل الساخنة وأحداث الأشعة الكونية باستخدام a $ كابا $-$ سيغما $ إجراء القطع. بعد ذلك ، تم إعادة تشكيل الأطياف إلى مقياس لوغاريتمي لطول الموجة وتم اشتقاق متوسط ​​طيف السماء أثناء كل تعرض عن طريق حساب متوسط ​​عدة خطوط من حواف أطياف CCD. بعد طرح أطياف السماء ، تم توسيط أطياف نفس المجرة المأخوذة في مواضع شق متطابقة وإضافتها. بعد ذلك ، تم إعادة تشكيل الأطياف على طول الشق لضمان نسبة إشارة إلى ضوضاء تسمح باشتقاق المعلمات الحركية. كخطوة أخيرة في المعالجة المسبقة ، تمت إزالة سلسلة المجرة على خطوتين. أولاً ، تم تركيب كثير الحدود من الرتبة الرابعة إلى السادسة لكل طيف سطراً. ثم ، تباين جذر متوسط ​​التربيع $ sigma_s $ من الطيف حول كثير الحدود المجهزة وتم تكرار الملاءمة بما في ذلك فقط تلك البكسلات التي انخفضت قيمتها في نطاق بين 0$ sigma_s $ و 2$ sigma_s $ حول النوبة الأولى. أخيرًا ، تم تقسيم الطيف على كثير الحدود المناسب الثاني. يتجنب هذا الإجراء حقيقة أن خطوط الامتصاص الأقوى تزعج الملاءمة وتؤدي إلى تقريب مرضٍ لـ "سلسلة" المجرة. تم العثور على طريقة إزالة الاستمرارية هذه لتكون متفوقة على الإجراءات المطبقة عادة والتي تشمل الترشيح في مساحة فورييه. والسبب هو أن الترشيح في فضاء فورييه قد يغير ملامح خطوط الامتصاص بطريقة تجعل المشتق منها H_4 دولار قد يتم تعويض القيم (انظر أدناه) بشكل منهجي فيما يتعلق بالقيم الحقيقية. الترتيب المناسب لـ ...

(لقطة شاشة أصلية)

لست متأكدًا مما إذا كنت قد قمت بهذا بشكل صحيح. هذا هو الكود الخاص بي:

# قراءة في البيانات الطيفية 1D ، والتي يتم تخزينها تقليديًا بتنسيق FITS # قراءة في أطياف القوالب النجمية من مكتبة الأميال http://miles.iac.es/ # بواسطة 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-star # قائمة وحدة بيانات الرأس (HDUs) هي المكون الأعلى من بنية ملف FITS # hdu.info () يلخص محتوى الملف المفتوح يناسب الملف hdu = fits.open (ملف) # تتكون كائنات HDU من رأس ووحدة بيانات / سمات # لقراءة الرأس بالكامل يمكن للمرء استخدام الطباعة (repr (hdr)) hdr = hdu [0]. بيانات الرأس = hdu [0] .data # استخراج مصفوفات متضاربة للتدفق والطول الموجي من تدفق البيانات وطول الموجة من تدفق البيانات = البيانات [0] w = WCS (hdr ، naxis = 1 ، الاسترخاء = خطأ ، fix = False) lam = w.wcs_pix2world (np.arange (len (flux_raw))، 0) [0] # مقياس الطول الموجي اللوغاريتمي للحصول على مقياس سرعة ثابت # لـ N بكسل في مصفوفة الطول الموجي ، تحتاج إلى إعادة إنشاء الأطياف # على الأقل N بكسل في موجي لوغاريتمي gth log_lam_raw = np.log (lam) # rebinning اللوغاريتمي log_lam = np.linspace (min (log_lam_raw)، max (log_lam_raw)، num = len (lam)) # إزالة السلسلة المتصلة من الأطياف def fit_polynom (log_lam، a0، a1، a2 ، a3، a4، a5): "" "fit func = 2 nd order polynom" "" إرجاع 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] # fit data باستخدام scipy.curve_fit () fit_params، fit_covariances = curve_fit (fit_polynom، log_lam ، flux_raw، p0 = init_fit_param) # حساب جذر متوسط ​​الانحراف التربيعي rms_array = np.sqrt ((flux_raw - fit_polynom (log_lam، * fit_params)) ** 2) # فقط استخدم قيم التدفق للمناسبة الثانية التي لها قيمة جذر متوسط ​​التربيع <2 fit_params2 ، fit_covariances2 = curve_fit (fit_polynom، log_lam [np.argwhere (rms_array <= 2)] [:، 0]، flux_raw [np.argwhere (rms_array <= 2)] [:، 0]، p0 = init_fit_param) # إزالة الاتصال بقسمة التدفق على التدفق متعدد الحدود المناسب = (flux_raw / (fit_polynom (log_lam ، * fit_params2))) -1

لقد اخترت fipolynom من أجل 5 من الواضح أن هذا يمكن أن يكون متنوعًا ، ولكن لا ينبغي أن يكون مصدر القلق الرئيسي. هذا مخطط للتدفق فوق الطول الموجي والتدفق فوق الطول الموجي المعاد لوغاريتمي مع حدود Fitpolynom.

وهنا حبكة مع السلسلة المتصلة "التي تمت إزالتها" ، والتي لا تبدو صحيحة تمامًا.

لذا ، هل يمكن لأي شخص أن يخبرني إذا أ) قمت بإعادة الربط اللوغاريتمي بشكل صحيح و ب) إذا كان مقاربتي لإزالة السلسلة المستمرة منطقيًا أو يجب أن يكون متنوعًا. أريد مواصلة العمل مع الأطياف المستمرة التي تمت إزالتها واستخراج خط توزيعات سرعة الرؤية (للمجرات) ، لكني بحاجة إلى التأكد من أنني أفهم الإعداد المسبق بشكل صحيح. شكرا جزيلا


إعادة الربط اللوغاريتمي والإزالة المستمرة للأطياف النجمية - علم الفلك

مايكل جيه كورتز ، دوغلاس جيه مينك ، ويليام إف ويات ، دانيال جي فابريكانت ، وغيليرمو توريس
مركز هارفارد سميثسونيان للفيزياء الفلكية ، كامبريدج ، ماساتشوستس 02138

جيرارد أ كريس
قسم الفيزياء وعلم الفلك ، جامعة جونز هوبكنز ، بالتيمور ، MD 21218

جون ل. تونري
قسم الفيزياء ، معهد ماساتشوستس للتكنولوجيا ، كامبريدج ، MA 02139

في برامج وأنظمة تحليل البيانات الفلكية I ، ASP Conf. سر ، المجلد. 25 ، محرران. م. وورال ، سي. Biemesderfer ، و J. Barnes ، ص. 432-438

الملخص

XCSAO عبارة عن حزمة برمجية للحصول على السرعات الشعاعية للنجوم والمجرات من الأطياف الضوئية باستخدام طريقة الارتباط المتبادل. تمت كتابته للعمل في بيئة IRAF ، وهو متوافق مع الحزم الأخرى التي يتم تطويرها في SAO للأطياف البصرية. نناقش المكونات الفردية للحزمة من حيث القرارات المطلوبة لإعداد الحزمة الخاصة بأداة / برنامج مراقبة جديد. باستخدام الأطياف الاصطناعية ، نعرض الإجراءات اللازمة لتحسين معلمات الإعداد ، وإظهار متانة الحزمة عند تطبيقها على الأطياف من كل من النجوم والمجرات.

الكلمات المفتاحية تحليل البيانات ، الأطياف ، السرعات الشعاعية ، الانزياح الأحمر

مقدمة

يمكن الحصول على نسخ من البرامج النصية المصدر وتثبيت IRAF بواسطة FTP مجهول على ftp://cfa-ftp.harvard.edu/pub/iraf/rvsao.tar.Z. يمكن العثور على ملف المستند التمهيدي في نفس الدليل. تم اختبار XCSAO على نطاق واسع على Decstations و Sparcstations ومن المتوقع ألا تواجه أي تغييرات كبيرة. لا يزال EMSAO يخضع لمراجعة جوهرية. تم استخدام كلتا المهمتين في الإنتاج في SAO خلال العام الماضي ، وهما قيد الإنتاج حاليًا بواسطة العديد من برامج الانزياح الأحمر الكبيرة والسرعة الشعاعية في جميع أنحاء العالم.

تعود أصول XCSAO إلى برنامج XCOR الذي كتبه جيري كريس ، بالإضافة إلى كود FORTH ، وترجمة FORTRAN له بواسطة Tonry. في النهاية قمنا بتضمين طرق تقدير الاستمرارية من FXCOR لمايك فيتزباتريك. تمت كتابة التعليمات البرمجية الخاصة بنا ويحتفظ بها دوج مينك.

تقدم هذه الورقة لمحة موجزة للغاية عن قدرات XCSAO ، وبعض إجراءات الاختبار التي قمنا بتطويرها لها. وصف شامل للبرنامج قيد التحضير لـ PASP (Kurtz وآخرون 1992).

عناصر XCSAO

تنسيقات الإدخال

ريبينينج

لاحظ أن هذا binning يشير إلى أنه من المفيد أن يكون القالب يغطي أوسع نطاق ممكن من الطول الموجي ، عند تشتت مساوٍ أو أفضل من المجهول ، فإن rebinning سيختار بعد ذلك منطقة الطول الموجي المناسبة للتداخل الأقصى ، مع الدقة التي يحددها المجهول . نجد أنه من الأفضل في جميع الحالات إعادة الالتحاق بالقوة الأكبر التالية التي تبلغ اثنين من عدد وحدات البكسل الفعلية ، بدلاً من العدد الأصغر التالي.

Apodization

قمع خط الانبعاث والاستمرارية

إذا كان EMCHOP = نعم ، فسوف يقوم XCSAO بإزالة خطوط الانبعاث واستبدالها بقيمة الاتصال قبل إجراء الارتباط التبادلي. تم العثور على خطوط الانبعاث باستخدام ICFIT ، مع ضبط المعلمات بالنسبة للضغط المستمر ، فإن طريقة العثور على خطوط الانبعاث هنا مماثلة لتلك المستخدمة في المهمة الشقيقة EMSAO. تعد إزالة خطوط الانبعاث أمرًا بالغ الأهمية لإيجاد انزياح أحمر لخط الامتصاص من المجرات ذات خطوط الانبعاث ، إذا كان الطيف صاخبًا جدًا لإزالة خط الانبعاث ، أو إذا كان يحتوي على ميزات امتصاص زائفة حادة من طرح السماء الضعيف ، نوصي بإخراج المناطق المخالفة يدويًا باستخدام SPLOT.

تصفية فورييه

    1. نوع المنحدر المستخدم في مرشح ممر النطاق ليس مهمًا (بافتراض أنه اختيار معقول ، فإن وظيفة الخطوة ليست معقولة). لذلك قمنا بإزالة جميع خيارات نوع المرشح من XCSAO ، واستخدمنا فقط جرس جيب التمام.

عبر الارتباط

تركيب الذروة

حساب الخطأ

حيث w هي FWHM لقمة الارتباط ، و r هي نسبة ارتفاع ذروة الارتباط إلى اتساع الضوضاء غير المتماثلة.

بالنسبة لبرامج المراقبة الكبيرة ، يمكن الحصول على تقدير أفضل للخطأ. المعامل 3/8 w ثابت في كثير من الحالات ، ويمكن تقديره بأخذ متوسط ​​عدد من المقاييس. ثم يصبح تقدير الخطأ ثابتًا مقسومًا على (1 + r). هذا ليس ممكنًا في جميع الحالات ، على سبيل المثال عندما يتم تغيير fourier roll-on منخفض التمرير ، فإن علاقة r بتغييرات الخطأ. 3/8 w يتتبع هذا بشكل صحيح. يوضح الشكل الثاني الأخطاء المحسوبة (النقاط) مقابل متوسط ​​الأخطاء الفعلي (الخطوط الصلبة) كدالة لـ إحصاء r لثلاثة مرشحات تمرير منخفض مختلفة لاحظ أن الأخطاء المحسوبة تتعقب الأخطاء الفعلية ، لكن علاقة r بتغير الخطأ.

تقديرات الخطأ الفردية (النقاط) مقابل متوسط ​​الأخطاء الفعلية (الخطوط الصلبة) لـ 1200 أطياف إيكيل الاصطناعية. المجموعات الثلاث مخصصة لثلاث نقاط مختلفة لمرشح فورييه ، وتظهر معلمات المرشح ، ومتوسط ​​الأخطاء لكل مرشح في الشكل.

تنسيقات الإخراج

مؤامرة الإخراج الأولية من XCSAO

مخطط الإخراج يظهر خطوط الامتصاص المسمى

يوضح الشكل الثالث المخطط النهائي القياسي ، ويوضح الشكل الرابع مخطط خط الامتصاص ، لكلاهما لطيف المجرة الذي لاحظه M. Ramella باستخدام تلسكوب ESO 1.5 متر.

اختبارات

لقد اختبرنا XCSAO باستخدام أطياف تركيبية تم إنشاؤها للحصول على عدد محدد من التهم المأخوذة من التوزيع الأصلي ، وهو طيف للقالب. بالنسبة لاختبارات أطياف echelle ، استخدمنا نماذج Kurucz للقوالب ، ولاختبارات أطياف المجرة ، استخدمنا ملاحظات S / N عالية. لاحظ أنه يمكننا معرفة الفرق الحقيقي في السرعة الشعاعية بين المجهول والقوالب إما بالضبط في حالة النماذج ، أو حيث كان طيف القالب هو بالضبط المستخدم لإنشاء الأطياف التركيبية ، أو مع دقة عالية جدًا ، كما هو الحال عند الشعاعي. يختلف قالب السرعة عن القالب المستخدم في إنشاء الأطياف التركيبية.

كانت البيانات المستخدمة لإنشاء الشكل الثاني عبارة عن 1200 طيف اصطناعي تم إنشاؤه من نموذج Kurucz لقزم 5500K ، وله ما بين 5000 و 30000 عدد إجمالي. كان القالب المستخدم للارتباط المتبادل هو نفس القالب تمامًا الذي تم استخدامه لإنشاء الأطياف التركيبية. سيتم العثور على وصف كامل لإجراءات الاختبار في Kurtz ، وآخرون. (1992).

شكر وتقدير

قدم ستيف ليفين وجون مورس مساهمات مهمة في تطوير الكود. ساهم كل من ديف لاثام وأليخاندرا ميلون وسوزان توكاراز وجون هوشرا بخبراتهم بشكل كبير. كتب مايك فيتزباتريك وفرانك فالديس الكثير من كود IRAF الذي استخدمناه.


شدة خطوط الانبعاث في الأطياف النجمية

يمكن تفسير الظروف في الغلاف الجوي النجمي الممتد بشكل كافٍ من خلال نظرية الإشعاع المخفف إذا افترضنا أن العمق البصري في الخطوط صغير بدرجة كافية.

من أجل التحقق من هذا الافتراض الأساسي ، تم تطوير اعتماد شدة الانبعاث على عدد الذرات عن طريق القياس مع منحنى النمو لخطوط الامتصاص. تُستخدم هذه العلاقة ، التي تسمى منحنى النمو لخطوط الانبعاث ، في تحليل أطياف الانبعاث المرصودة وتكشف أن افتراض الأعماق البصرية الصغيرة مسموح به في كثير من الحالات.

علاوة على ذلك ، من الملاحظ أنه حتى طيف الانبعاث القوي قد يتأثر بامتصاص الغلاف. إذا كانت هاتان الظاهرتان ، بمعنى آخر. يتم التعامل مع الأطياف كوحدة ، وتظهر منحنيات النمو لخطوط الامتصاص والانبعاث كحالات مقيدة لعلاقة أكثر عمومية بين كثافة الخط واحتمال الانتقال والبيانات المميزة للغلاف الجوي. تصف هذه العلاقة الفرق بين أطياف القشرة المختلفة والتغيرات في طيف الغلاف الجوي المتوسع ، ويمكن استخدامها لدراسة بنية الغلاف.

يجب إدخال معادلة معممة للتأين للتحقيق في أطياف الانبعاث.


3 طرح السماء

3.1 بناء نموذج

التحدي الخاص بالبيانات التي تم جمعها لهذه الدراسة هو الطرح الدقيق للسماء من التعريضات العلمية باستخدام تعريضات غير متزامنة للسماء. هنا ، نحتاج إلى طريقة لربط ما لاحظناه في تعريضاتنا لسماء الإزاحة بالسماء في إطاراتنا العلمية. اعتمدنا في البداية طريقة تحليل المكونات الرئيسية (PCA) من خلال استخدام تطهير الغلاف الجوي في زيورخ (zap Soto et al. 2016) لتحلل إطار السماء الأقرب مؤقتًا. وجدنا أنه بسبب الاختلافات الزمنية في السماء ، فإن انبعاث الملوثات في هذا الإطار لا يمثل ذلك في التعرضات العلمية ، على الرغم من ملاحظته مباشرة بعد ذلك. لذلك لا يمكن استخدام المكونات الرئيسية (أجهزة الكمبيوتر) لإطار الإزاحة لإعادة بناء السماء في الملاحظة العلمية. العمل الأخير بواسطة van Dokkum et al. (2019b) ودانيلي وآخرون. (2019) أثبت أن الأنيسول الخماسي الكلور هو طريقة فعالة للغاية لوصف انبعاث الملوثات لأنه ينشئ أساسًا يمكن من خلاله استخدام مزيج خطي بسيط من مكوناته eigenspectra لنمذجة التلوث. لذلك نكتب برنامج طرح السماء PCA الخاص بنا والذي لا يفحص فقط التعريضات الضوئية للسماء القريبة مؤقتًا من الإطار العلمي ذي الصلة ولكن جميع التعريضات السماوية التي تم التقاطها عبر ليالي المراقبة. 3 عند استخدام المجموعة الكاملة من التعريضات للسماء لبناء أجهزة الكمبيوتر الخاصة بنا ، نتوقع أن تصف هذه المكونات الآن أي اختلافات زمنية موجودة في بياناتنا. نستخدم هذه المكونات لبناء نموذج لملاحظاتنا نتوقع أن التدفق الملحوظ ، أثناء استهداف VCC 1287 سيكون مزيجًا من انبعاث الملوثات من عدد لا يحصى من المصادر الأخرى ، وكلها موجودة في أجهزة الكمبيوتر ، جنبًا إلى جنب مع تدفق الاهتمام (VCC 1287 ).

بعد أن استخرجنا طيفًا لكل من تعريضاتنا العشر للسماء خلال ليالي المراقبة ، قمنا بتحليلها إلى أجهزة الكمبيوتر الخاصة بهم باستخدام حزمة python scikit-learn (Pedregosa et al. 2011). هذا يخلق عشرة eigenspectra التي شكلت الأساس للتغيرات الزمنية في انبعاث الملوثات عبر ملاحظات السماء لدينا.

نعرض أجهزة الكمبيوتر العشرة المستخرجة للاستخدام في هذا النموذج في الشكل 2. في الممارسة العملية ، استخدام جميع المكونات العشرة غير ضروري حيث يتم التقاط غالبية المعلومات في المكونات الأربعة الأولى والنتائج لا تختلف بشكل كبير عند استخدام مكونات أقل. لقد اقتصرنا على عشرة أجهزة كمبيوتر من خلال عدد إطارات الأوفست سكاي لدينا. يشبه الكمبيوتر الشخصي الأول بشكل ملحوظ متوسط ​​جميع إطارات السماء. من الأمور ذات الأهمية الخاصة ميزات امتصاص الطاقة الشمسية المرئية في الطيف على الرغم من الملاحظات التي يتم التقاطها أثناء ظروف القمر المظلم. يلتقط الكمبيوتر الشخصي الثاني التباين في خطوط الانبعاث حول 5200 جنبًا إلى جنب مع التباين في امتصاص الطاقة الشمسية. يلتقط الكمبيوتران الثالث والرابع اختلافات في السلسلة جنبًا إلى جنب مع أي اختلافات في خطوط الانبعاث لم يتم التقاطها بواسطة PC2. وبعيدًا عن هذه المكونات ، تتضمن المعلومات الموجودة في أجهزة الكمبيوتر في الغالب سلسلة منخفضة المستوى واختلافات في الضوضاء. نظرًا لأننا نعالج البيانات بشكل مختلف قبل تشغيل PCA (على سبيل المثال ، معايرة النجوم القياسية ، وتكوين الأدوات ، وما إلى ذلك) ، تختلف أجهزة الكمبيوتر الخاصة بنا عن تلك الموضحة في الشكل. 3 من van Dokkum et al. (2019b) ، على الرغم من أنهما يلتقطان الكثير من نفس الاختلافات. يشبه PC1 الخاص بنا متوسط ​​إطار السماء Van Dokkum et al. (2019b). يشبه PC2 الخاص بنا PC4 الذي يلتقط التباين في خطوط OH الأقوى وخصائص امتصاص الطاقة الشمسية وانبعاث [N i] حول 5200 Å ويلتقط PC3 بالمثل تباين انبعاث OH في أطيافنا.

المكونات العشرة الرئيسية التي استخرجناها من إطارات السماء المتقابلة. من الأمور ذات الأهمية الخاصة التغيير في مستويات التدفق التي تنتقل إلى المكونات الرئيسية الأعلى. يتم التقاط معظم معلومات الميزة الطيفية في المكونات الأربعة الأولى ، ومع ذلك لا تزال المكونات ذات الترتيب الأعلى مفيدة لضمان إمكانية استعادة الاستمرارية بدقة.

المكونات العشرة الرئيسية التي استخرجناها من إطارات السماء المتقابلة. من الأمور ذات الأهمية الخاصة التغيير في مستويات التدفق التي تنتقل إلى المكونات الرئيسية الأعلى. يتم التقاط معظم معلومات الميزة الطيفية في المكونات الأربعة الأولى ، ومع ذلك لا تزال المكونات ذات الترتيب الأعلى مفيدة لضمان إمكانية استعادة الاستمرارية بدقة.

بالإضافة إلى أجهزة الكمبيوتر هذه ، نطلب أيضًا نموذجًا لانبعاثات المجرة. استنادًا إلى تركيب توزيع الطاقة الطيفية البصرية وشبه الأشعة تحت الحمراء لـ VCC 1287 في Pandya et al. (2018) ، نتوقع أن يكون عدد سكاننا النجميين متوسطًا إلى كبار السن (≥7.5 Gyr) والفقراء بالمعادن ([ض/ ض] & lt −1.55) (بانديا وآخرون 2018). تعطي الدراسات الطيفية لمجموعات UDG الأخرى نتائج مماثلة لتعدادها النجمي (Ferré-Mateu et al. 2018 Gu et al. 2018 Ruiz-Lara et al. 2018). لهذا السبب ، اخترنا 12 نموذجًا عالي الدقة من مكتبة Coelho's (2014) للأطياف النجمية المركبة عالية الدقة وقمنا بتسهيلها على دقة KCWI. تم اختيار تسعة قوالب لتشابهها مع عمالقة من النوع K (−0.3 & lt [Fe / H] & lt −1.3 4) حيث كان معروفًا منذ فترة طويلة أن هذه النجوم تمثل نوع السكان القدامى فقراء المعادن الذي نتوقعه مراقبة (مثل Morgan & amp Mayall 1957). تم اختيار القوالب الثلاثة المتبقية لتشبه نجمًا طيفيًا من النوع A و F و G ، على التوالي. لقد أجرينا نتائج مناسبة مع الجميع لاختبار تأثير عدم تطابق القالب على أفضل نموذج مناسب لدينا. كما هو متوقع ، قدمت القوالب العملاقة من النوع K باستمرار أفضل ملاءمة لبياناتنا. بشكل مشجع ، عند تركيب جميع القوالب ، وجدنا معامل انزياح أحمر مشابه لـ VCC 1287 في نموذجنا.في حالة استخدام القالب النجمي من النوع A لانبعاث المجرات ، فإن أفضل ملاءمة لمعامل تطبيعها يكون صغيرًا بدرجة كافية بحيث لا يتم استخدامه بشكل أساسي في الطرح السماوي. في مثل هذه الحالة ، حيث لا يتم استخدام قالب المجرة ، كنا لا نزال قادرين على استعادة العديد من الميزات الطيفية نفسها. بالنسبة إلى التخفيض المتبقي ، نختار أحد هذه القوالب العملاقة K ([Fe / H] = −1) كقالب لدينا لانبعاث المجرات.

3.2 تركيب النموذج

بعد أن قمنا ببناء نموذج لما نتوقع أن نلاحظه ، قمنا بعد ذلك بتكييفه مع بياناتنا باستخدام أقصى تقدير للاحتمالية عند إجراء هذا التعظيم ، نجد اعتمادًا ضئيلًا على معلمات الإخراج على أفضل معلمات إدخال التخمين لدينا. نتيجة لذلك ، نضيف خطوة إضافية حيث نأخذ مجموعة معلمات الإخراج هذه ونستخدمها لتهيئة تحليل سلسلة ماركوف مونت كارلو (MCMC) للتوزيع اللاحق باستخدام emcee (Foreman-Mackey et al. 2013). نحن نسمح بمسابقات موحدة واسعة. تشير التحقيقات إلى حدوث احتراق في العينة بعد ∼700 تكرار ، على الرغم من أننا نأخذ عينات فقط بعد 800 تكرار للتأكد من أننا نأخذ عينات من التوزيع اللاحق. لضمان استكشاف مساحة المعلمة بالكامل بشكل مناسب ، نقوم بمضاعفة عدد المشاة حتى نتأكد من أننا نستكشف التوزيع اللاحق بالكامل. نستخدم 800 مشاية. التوزيعات الخلفية غاوسية ومستقلة عن جميع المعلمات. نحن نأخذ القيمة المتوسطة لهذه التوزيعات كمعلمات مثالية في بناء النموذج النهائي لبياناتنا. إذا استخدمنا القيمة المتوسطة لهذه التوزيعات اللاحقة في بناء النموذج ، فلن نجد فرقًا ملحوظًا. بطرح مكون السماء للنموذج الأمثل من بياناتنا ، نصل إلى إطارات علمية مطروحة من السماء. نحن نطبق التصحيحات ذات المركز الثنائي ذات الصلة باستخدام Tollerud (2015) والوسيط يجمع بين الإطارات التسعة لإنشاء أطيافنا العلمية النهائية. نعرض متوسط ​​الأطياف المجمعة الناتجة في الشكل 3. ونقدر نسبة إشارة إلى ضوضاء (S / N) تبلغ 17 لكل عند H لهذا الطيف.

الطيف المكدس النهائي الذي نستخدمه لاشتقاق الحركية الداخلية لـ VCC 1287 بعد طرح السماء. تم تطبيق تصحيحات Barycentric قبل التكديس. لسهولة المشاهدة ، تم تقسيم الطيف إلى نصفين. ح β والمغنيسيومب تم تسمية ثلاثة توائم.

الطيف المكدس النهائي الذي نستخدمه لاشتقاق الحركية الداخلية لـ VCC 1287 بعد طرح السماء. تم تطبيق تصحيحات Barycentric قبل التكديس. لسهولة المشاهدة ، تم تقسيم الطيف إلى نصفين. ح β والمغنيسيومب تم تسمية ثلاثة توائم.

من أجل التحقق من أن عملية طرح السماء لدينا قادرة على استعادة تدفق المجرة بشكل صحيح ، قمنا ببناء مجموعتين من مجموعات البيانات الوهمية. لكليهما ، نأخذ واحدة من حالات التعرض للسماء الخاصة بنا ونقوم بإدخال التدفق من أحد القوالب النجمية الاصطناعية العملاقة من النوع K من Coelho (2014) وفقًا للشكل 4. أحد هذه القوالب هو نفسه الذي نستخدمه لتقليل البيانات ، والآخر هو ببساطة عملاق K مماثل نستخدمه لإثبات أن طرحنا قوي في حالة عدم تطابق طفيف في القالب. نعرض نتائج تشغيل طرح السماء على مجموعتي البيانات هاتين (بدون إطار السماء المستخدم في إنشائها) في الشكل 4. عندما يتطابق القالب المُدرج في بياناتنا الوهمية مع القالب الذي نستخدمه في نموذجنا للمراقبة ، نحن قادرون على استعادة التدفق الداخلي بضوضاء إضافية. في حالة وجود عدم تطابق طفيف بين القالب في نموذجنا وتدفق "المجرة" في بياناتنا الوهمية ، ما زلنا قادرين على استعادة التدفق الذي أدخلناه بمستوى مماثل من الضوضاء المضافة. نخلص إلى أن طرح السماء لدينا قادر على استعادة تدفقنا المصطنع بشكل فعال ، مما يمنح الثقة في أطيافنا العلمية المستخرجة ، حتى في السيناريو المحتمل أن قالب الاسترداد الخاص بنا لا يتطابق تمامًا مع التدفق الفعلي من VCC 1287.

الإنشاء والطرح اللاحق لبياناتنا الوهمية من السماء. اللوحة العلوية: طيفنا الوهمي. تمت إضافة انبعاث قالب المجرة (أحمر مع قاعدة مضافة) إلى طيف السماء (أسود) لإنشاء بياناتنا الوهمية (الأزرق). اللوحة الثانية من الأعلى: مقارنة بين مجموعة البيانات الوهمية المطروحة من السماء (أسود) والقالب المُدرج في البيانات (أحمر). اللوحة الثانية من الأسفل: نفس اللوحة الثانية من الأعلى مع إدخال قالب مختلف في البيانات إلى ما هو مستخدم في نموذج الملاحظة. اللوحة السفلية: بقايا الاستخراج باستخدام نفس القالب (برتقالي) وقوالب مختلفة (سماوي). في جميع اللوحات ، يكون موضع H β و Mgب تم وضع علامة ثلاثية في قالب المجرة. روتين طرح السماء لدينا قادر على استعادة التدفق في بياناتنا الوهمية بشكل فعال.

الإنشاء والطرح اللاحق لبياناتنا الوهمية من السماء. اللوحة العلوية: طيفنا الوهمي. تمت إضافة انبعاث قالب المجرة (أحمر مع قاعدة إضافية) إلى طيف السماء (أسود) لإنشاء بياناتنا الوهمية (الأزرق). اللوحة الثانية من الأعلى: مقارنة بين مجموعة البيانات الوهمية المطروحة من السماء (أسود) والقالب المُدرج في البيانات (أحمر). اللوحة الثانية من الأسفل: نفس اللوحة الثانية من الأعلى مع إدخال قالب مختلف في البيانات إلى ما هو مستخدم في نموذج الملاحظة. اللوحة السفلية: بقايا الاستخراج باستخدام نفس القالب (برتقالي) وقوالب مختلفة (سماوي). في جميع اللوحات ، يكون موضع H β و Mgب تم وضع علامة ثلاثية في قالب المجرة. روتين طرح السماء لدينا قادر على استعادة التدفق في بياناتنا الوهمية بشكل فعال.


4 تطبيقات STARNET للاشتراك في SPECTRA

تم إجراء مسح APOGEE في تلسكوب مؤسسة سلون 2.5 متر في نيو مكسيكو ، ويغطي نطاق الطول الموجي من 1.5 إلى 1.7 ميكرومتر في النطاق H ، مع دقة طيفية ر = 22500. تمت إعادة النظر في الأهداف عدة مرات حتى يتم الوصول إلى S / N ≥ 100 (Majewski وآخرون ، 2017). تتم معالجة جميع الزيارات باستخدام خط أنابيب لتقليل البيانات إلى 1D ويتم معايرة الطول الموجي قبل دمجها. يتم تسجيل الزيارات الفردية ، والأطياف المجمعة غير الطبيعية ، والأطياف المجمعة العادية في قاعدة بيانات APOGEE المتاحة للجمهور (Nidever et al. 2015).

المعلمات النجمية APOGEE وخط أنابيب الوفرة الكيميائية (ASPCAP) هي أداة خط أنابيب لتقليل ما بعد البيانات للمنتجات العلمية المتقدمة. يعتمد خط الأنابيب هذا على خوارزمية FERRE الملائمة للمربعات الصغرى غير الخطية (Garcia-Pérez et al. 2016) ، والتي تقارن الطيف المرصود بشبكة من الأطياف الاصطناعية المتولدة من أجواء النموذج النجمي المفصل وحسابات نقل الخط الإشعاعي. بالنسبة إلى DR12 ، كانت هذه الشبكة الاصطناعية هي شبكة ASSET المستخدمة للتدريب في القسم السابق. تقدر عملية التركيب المعلمات النجمية (تيإف، سجل ز، [Fe / H]) ووفرة لـ 15 عنصرًا مختلفًا (C و N و O و Na و Mg و Al و Si و S و K و Ca و Ti و V و Mn و Fe و Ni). تتم معايرة هذه النتائج بشكل أكبر بمقارنات مع المعلمات النجمية من التحليلات الطيفية الضوئية للنجوم من مجموعة متنوعة من العناقيد النجمية (Cunha et al. 2015 Mészáros et al. 2015) انظر الملحق لمزيد من التفاصيل.

4.1 المعالجة المسبقة لبيانات الإدخال

كاختبار ، تم تدريب StarNet أيضًا باستخدام أطياف APOGEE المرصودة والمعلمات النجمية ASPCAP DR13 (انظر Albareti et al. 2017). لم يتم تضمين أطياف خطأ APOGEE والأخطاء المقدرة من ASPCAP كجزء من المجموعة المرجعية. هذا يحد بشكل فعال من دقة StarNet لمعلمات مجموعة المرجع. لتقليل انتشار أخطاء ASPCAP في نتائج StarNet ، قمنا بتحديد نطاق مجموعة البيانات الخاصة بنا. على سبيل المثال ، Holtzman et al. (2015) حذر من استخدام النجوم أكثر برودة من تيإف = 4000 كلفن ، حيث تكون النماذج أقل تأكيدًا ، وكذلك النجوم الأكثر سخونة حيث تكون الميزات الطيفية أقل تحديدًا. لهذه الأسباب ، تم تقليل مجموعة البيانات لدينا إلى نجوم بين 4000 كلفن تيإف ≤ 5500 ك.

قام فريق APOGEE أيضًا بوضع علامة على نجوم وزيارات معينة لمجموعة متنوعة من الأسباب الأخرى. النجوم من مجموعة بيانات DR13 مع STARFLAG أو ASPCAPFLAG تمت إزالتها من مجموعة البيانات ، والتي تشمل النجوم الملوثة بالثبات (انظر Nidever وآخرون. 2015 Jahandar وآخرون. 2017) ، النجوم التي تم تمييزها لوجود جار مشرق ، أو وجود المعلمات المقدرة بالقرب من حافة شبكة المعلمة للنماذج التركيبية. علاوة على ذلك ، تمت إزالة النجوم التي تحتوي على [Fe / H] & lt − 3 ، أو النجوم ذات السرعة الشعاعية المبعثرة ، & lt! [كداتا[الخامس]] & GT مبعثر، أكبر من 1 كم ثانية -1. أطياف ذات ارتفاع & lt! [كداتا[الخامس]] & GT مبعثر من المحتمل أن تكون نجومًا ثنائية (Nidever et al. 2015) ، مع وجود خطوط طيفية مكررة.

تطبيق هذه القيود على مجموعة مرجعية سمح لـ NN بالتدريب على مجموعة بيانات أنظف والتعلم من المعلمات النجمية الأكثر دقة ، مع وضع هذه القيود على مجموعة الاختبار كانت محاولة لتعظيم صلاحية معلمات ASPCAP النجمية لاستخدامها عند المقارنة مع تنبؤات StarNet. تم تلخيص كل هذه التخفيضات في مجموعة بيانات APOGEE في الجدول 2.

تم تطبيق التخفيضات على APOGEE DR13 لمجموعة التدريب والاختبار.

يقطع . قم بزيارة سبيكترا. أطياف مجتمعة.
لا تخفيضات 559 484 143 482
ASPCAPFLAG 327 594 92 983
ستار فلاج 142 875 45 474
4000 ك & لترتيإف & lt5500 ك 127 357 39 017
& lt! [كداتا[الخامس]] & GT مبعثر & lt1 كم ثانية −1 120 879 37 311
[Fe / H] & GT −3 120 879 37 311
سجل(ز) ! = −9999 113 956 35 591
الجمع بين SNR و GT 200 53 135 لا ينطبق
التقسيم إلى مجموعات مرجعية واختبار عدة التدريبات مجموعة عبر التحقق من الصحة مجموعة الاختبار
41 000 3784 21 037
يقطع . قم بزيارة سبيكترا. أطياف مجتمعة.
لا تخفيضات 559 484 143 482
ASPCAPFLAG 327 594 92 983
ستار فلاج 142 875 45 474
4000 ك & لترتيإف & lt5500 ك 127 357 39 017
& lt! [كداتا[الخامس]] & GT مبعثر & lt1 كم ثانية −1 120 879 37 311
[Fe / H] & GT −3 120 879 37 311
سجل(ز) ! = −9999 113 956 35 591
الجمع بين SNR و GT 200 53 135 لا ينطبق
التقسيم إلى مجموعات مرجعية واختبار عدة التدريبات مجموعة عبر التحقق من الصحة مجموعة الاختبار
41 000 3784 21 037

تم تطبيق التخفيضات على APOGEE DR13 لمجموعة التدريب والاختبار.

يقطع . قم بزيارة سبيكترا. أطياف مجتمعة.
لا تخفيضات 559 484 143 482
ASPCAPFLAG 327 594 92 983
ستار فلاج 142 875 45 474
4000 ك & لترتيإف & lt5500 ك 127 357 39 017
& lt! [كداتا[الخامس]] & GT مبعثر & lt1 كم ثانية −1 120 879 37 311
[Fe / H] & GT −3 120 879 37 311
سجل(ز) ! = −9999 113 956 35 591
الجمع بين SNR و GT 200 53 135 لا ينطبق
التقسيم إلى مجموعات مرجعية واختبار عدة التدريبات مجموعة عبر التحقق من الصحة مجموعة الاختبار
41 000 3784 21 037
يقطع . قم بزيارة سبيكترا. أطياف مجتمعة.
لا تخفيضات 559 484 143 482
ASPCAPFLAG 327 594 92 983
ستار فلاج 142 875 45 474
4000 ك & لترتيإف & lt5500 ك 127 357 39 017
& lt! [كداتا[الخامس]] & GT مبعثر & lt1 كم ثانية −1 120 879 37 311
[Fe / H] & GT −3 120 879 37 311
سجل(ز) ! = −9999 113 956 35 591
الجمع بين SNR و GT 200 53 135 لا ينطبق
التقسيم إلى مجموعات مرجعية واختبار عدة التدريبات مجموعة عبر التحقق من الصحة مجموعة الاختبار
41 000 3784 21 037

بالإضافة إلى القيود المذكورة أعلاه ، تضمنت المجموعة المرجعية فقط أطياف الزيارة الفردية من النجوم حيث كان الطيف المشترك يحتوي على S / N & gt 200. ومن المعروف أن دقة المعلمة النجمية ASPCAP تتحلل عند S / N الأدنى (نيس وآخرون 2015 Casey et آل 2016). ومع ذلك ، فإن استخدام أطياف S / N عالية مجتمعة حيث أدى إدخال التدريب إلى تجهيز النموذج (انظر الملحق أ) بأطياف عالية S / N. للتعويض عن هذه المشكلة ، تم تدريب StarNet على أطياف الزيارة الفردية ، أثناء استخدام المعلمات النجمية التي تم الحصول عليها من الأطياف المدمجة. سمحت هذه الخطوة بتدريب النموذج على أطياف S / N منخفضة بمعلمات عالية الدقة. كان تحديد عينة التدريب الخاصة بنا لاحتواء المعلمات النجمية من أطياف S / N العالية أمرًا عمليًا أيضًا: حاليًا لا تستطيع StarNet وزن أطياف الإدخال وفقًا لخصائص ضوضاء الأطياف أثناء التدريب. عند الجمع بين مجموعات البيانات المختلفة ، والتي سنتناولها في العمل المستقبلي ، قد تصبح أكثر أهمية ، ولكنها أقل صلة بالتحليل الحالي.

كانت المرحلة الأخيرة من المعالجة المسبقة للبيانات هي تطبيع الأطياف. نفذ كل من Cannon 2 (Casey et al. 2016) و ASPCAP تقنيات تطبيع متصلة مستقلة بالإضافة إلى ذلك ، تم تطبيع أطياف APOGEE DR13 في مناطق طيفية معينة. تم تطبيع الأطياف الاصطناعية ASSET بالمثل لتسهيل المطابقة المناسبة مع البيانات. لقد تم اقتراح (على سبيل المثال Casey et al. 2016) أن أساليب التطبيع المستمرة ASPCAP تؤدي إلى تبعية S / N. يعد هذا أحد القيود المحتملة لـ StarNet عندما يتم تدريبه على الأطياف الاصطناعية ، حيث تم تطبيع هذه الأطياف ASPCAP دون إضافة ضوضاء مسبقًا. سيتم استبعاد أي عناصر غير خطية في تطبيع الاستمرارية من مجموعة بيانات الأطياف التركيبية. إذا كان هذا التطبيع غير المتسق يمثل مشكلة بالفعل ، فقد يؤدي إلى عدم تطابق متأصل بين طيف اصطناعي وطيف S / N APOGEE منخفض من المعلمات النجمية المتطابقة ، مما يؤدي إلى تقديرات معلمات نجمية خاطئة.

حفزنا هذا الاحتمال لتحيز التطبيع المستمر على اعتماد طريقة تطبيع بسيطة وخطية في StarNet للتدريب والاختبار على أطياف APOGEE ، وتم تقسيم الأطياف إلى شرائح زرقاء وخضراء وحمراء ، وتم تقسيم كل شريحة حسب قيمة التدفق المتوسط. . ثم تم دمج الرقائق الثلاث لإنشاء ناقل طيف واحد. نظرًا لأن إجراءات التطبيع لا تحتاج عادةً إلى معلومات خارجية ، فإن نهجنا البسيط هو أيضًا اختبار قدرات الشبكة مقارنةً بإزالة سلسلة متصلة بدافع مادي. ومع ذلك ، يلزم إجراء مزيد من التحليل لتحديد التأثير الكامل لتطبيع الاستمرارية في نهج NN هذا.

4.2 تدريب واختبار StarNet باستخدام أطياف APOGEE

تم تدريب StarNet واختباره وفقًا لمعايير ASPCAP النجمية (تيإف، سجل ز، [Fe / H]) المقابلة لأطياف الزيارة الفردية والأطياف المدمجة ، على التوالي. كما تمت مناقشته سابقًا ، شمل هذا النجوم من مجموعة بيانات APOGEE DR13 مع التخفيضات الموضحة في الجدول 2. كان هناك 17149 نجمة مع S / N & gt 200 التي تفي بهذه المتطلبات ، منها 2651 تم استخدامها كجزء من مجموعة الاختبار ، و تم استخدام 14498 نجمة (تحتوي على 44784 زيارة فردية) كمجموعة مرجعية StarNet. هذا أقل بقليل من 10 في المائة من إجمالي مجموعة بيانات APOGEE DR13. تم اختيار مجموعة فرعية من هذه الزيارات الفردية (41000 أو 92 في المائة من المجموعة المرجعية) بشكل عشوائي لمجموعة التدريب. تم استخدام أطياف الزيارة المتبقية البالغ عددها 3784 للتحقق من صحة نموذج StarNet بعد كل انتشار أمامي أثناء التدريب. لم يتم العثور على انحرافات كبيرة بين التحديدات العشوائية للتدريب وعينات التحقق من الصحة.

بمجرد التدريب ، تم تطبيق StarNet على مجموعة الاختبار التي تحتوي على أطياف S / N مجتمعة عالية ومنخفضة. تتم مقارنة تنبؤات StarNet بمعلمات ASPCAP في الشكل 3. بالنسبة لأطياف S / N العالية ، تُظهر تنبؤات StarNet اتفاقًا ممتازًا مع نتائج ASPCAP DR13. بالنسبة لأطياف S / N المنخفضة ، هناك انحرافات أكبر وأكبر بين StarNet و DR13. على سبيل المثال ، في درجات حرارة عالية (تيإف& gt 5000 K) ، تتوقع StarNet درجات حرارة أقل فعالية من DR13. تعتمد جودة تنبؤات النموذج على عدد النجوم في مجموعة التدريب التي تمتد على مساحة المعلمة لمجموعة الاختبار ، لذلك نقترح أن هذه الانحرافات ناتجة عن عدد غير كافٍ من النجوم ذات تيإف& gt 5000 كلفن (∼4 في المائة) في مجموعتنا المرجعية. وبالمثل ، هناك عدد قليل من النجوم ذات المعادن المنخفضة ، [Fe / H] & lt −1.5 (0.2٪ من المجموعة المرجعية) ، وبالتالي فإن تطبيق StarNet على أكثر النجوم فقيرة بالمعادن يؤدي أيضًا إلى انحرافات أكبر عن نتائج DR13. يعزز التحيز في حجم العينة ، كما رأينا في هاتين المنطقتين ، الحاجة إلى مجموعات تدريب كبيرة لشبكات NN العميقة مثل StarNet.

بقايا تنبؤات StarNet ومعلمات ASPCAP لمجموعة اختبار مكونة من 21037 أطيافًا مجمعة على نطاق كبير من S / N. تم تدريب StarNet على 41000 من أطياف الزيارة الفردية من مجموعة بيانات APOGEE DR13. مع انخفاض S / N ، تُرى انحرافات صغيرة للنجوم الأكثر سخونة ، والنجوم في الطرف السفلي من نطاق الجاذبية السطحية ، والنجوم الأكثر فقرًا بالمعادن ، والتي من المحتمل أن تكون بسبب انحياز حجم العينة في مجموعة التدريب. تظهر التوزيعات المتبقية المتوقعة على اليمين (أرجواني داكن للأطياف مع S / N & gt 200 ، أرجواني فاتح لـ S / N & lt 100).

ملحوظة. يتم حساب القيمة المتوسطة (m͊) والانحراف (الانحرافات) المعياري في كل لوحة ، كما في الشكل 2.

بقايا تنبؤات StarNet ومعلمات ASPCAP لمجموعة اختبار مكونة من 21037 طيفًا مدمجًا على نطاق كبير من S / N. تم تدريب StarNet على 41000 من أطياف الزيارة الفردية من مجموعة بيانات APOGEE DR13. مع انخفاض S / N ، تُرى انحرافات صغيرة للنجوم الأكثر سخونة ، والنجوم في الطرف السفلي من نطاق الجاذبية السطحية ، والنجوم الأكثر فقرًا بالمعادن ، والتي من المحتمل أن تكون بسبب انحياز حجم العينة في مجموعة التدريب. تظهر التوزيعات المتبقية المتوقعة على اليمين (أرجواني داكن للأطياف مع S / N & gt 200 ، أرجواني فاتح لـ S / N & lt 100).

ملحوظة. يتم حساب القيمة المتوسطة (m͊) والانحراف (الانحرافات) المعياري في كل لوحة ، كما في الشكل 2.

يكمن مصدر آخر محتمل للخطأ في التنبؤات في درجات الحرارة المرتفعة والفلزات المنخفضة في الأطياف نفسها. في هذه المناطق ، تكون الميزات الطيفية أضعف ، وبالتالي ستكافح NN لتحديد أهم الميزات أثناء التدريب. وبالمثل ، فإن المعلمات التي يحددها ASPCAP سيكون لها شكوك جوهرية أكبر. علاوة على ذلك ، يمكن تضخيم هذه التأثيرات عند الاختبار على أطياف S / N المنخفضة.

بعد التدريب ، تم تطبيق StarNet بعد ذلك على 148724 نجمة في قاعدة بيانات APOGEE DR13. خطوة الاستنتاج النهائية هذه سريعة جدًا: تستغرق حوالي دقيقة واحدة من وقت وحدة المعالجة المركزية لمجموعة البيانات بأكملها. يمثل الوقت القصير المطلوب لعمل هذه التنبؤات ميزة كبيرة لتقليل البيانات بسرعة في عمليات المسح الطيفية الكبيرة.

تظهر تنبؤات StarNet لـ 99211 طيفًا في الشكل 4 ، حيث النجوم ذات ASPCAP تيإف، سجل ز، أو [Fe / H] قيم 9999 تمت إزالتها مع تلك التي يُفترض أنها كذلك م النجوم القزمية (انظر القسم 5.2). تتم مقارنة تنبؤات StarNet بالمساحات المتساوية النجمية لإظهار الاتجاه المتوقع في علاقات المعلمات ، وقد تم إنشاء أربعة خطوط متساوية الزمان بمعدلات مختلفة ([Fe / H] = 0.25 و 0.25 و 0.75 و −1.75) من قاعدة بيانات Dartmouth Stellar Evolution (Dotter وآخرون .2008) ، بعمر 5 جير و [α / Fe] = 0. يوضح الشكل 4 أيضًا مجموعة StarNet المرجعية المكونة من 14498 نجمة ، مظللة لإظهار الانتشار في وفرتها عبر مساحة المعلمة.

اللوحة اليسرى: المعلمات النجمية من StarNet لـ 99211 نجمة ، تعرض السجل ز المعلمات مقابل تيإف عبر نطاق واسع من [Fe / H] (انظر شريط الألوان). اللوحة اليمنى: مجموعة StarNet المرجعية المكونة من 14498 نجمة مظللة أعلى العينة الكاملة المكونة من 99211 نجمة (باللون الرمادي). تم عرض قيم متساوي الزمان النجمية في كلا اللوحين (من Dotter et al. 2008) ، بأعمار 5 جير وقيم [Fe / H] موجودة في الزاوية اليسرى العليا (المقابلة لشريط اللون).

اللوحة اليسرى: المعلمات النجمية من StarNet لـ 99211 نجمة ، تعرض السجل ز المعلمات مقابل تيإف عبر نطاق واسع من [Fe / H] (انظر شريط الألوان). اللوحة اليمنى: مجموعة StarNet المرجعية المكونة من 14498 نجمة مظللة أعلى العينة الكاملة المكونة من 99211 نجمة (باللون الرمادي). تم عرض قيم متساوي الزمان النجمية في كلا اللوحين (من Dotter et al. 2008) ، بأعمار 5 جير وقيم [Fe / H] موجودة في الزاوية اليسرى العليا (المقابلة لشريط اللون).

لتحليل الاتساق الذاتي لنموذج StarNet ، تم عمل تنبؤات لكل من أطياف الزيارة الفردية والأطياف المدمجة لنفس الكائنات. تم اختيار الأهداف ذات أربع زيارات فردية أو أكثر لهذا الاختبار ، وتم حساب الفروق في القيم المتبقية. لكل حاوية معلمة نجمية ، تظهر القيمة المتوسطة لـ 100 عنصر في الشكل 5 (اللوحة اليمنى) ، بينما كان هناك 230 عنصرًا في كل حاوية S / N (اللوحة اليمنى). تمت مناقشة الأخطاء الكلية والمنتشرة الموضحة في القسم 3.2. عند مقارنة توقعات StarNet للزيارات الفردية بتلك الخاصة بالأطياف المدمجة ، تكون النتائج متسقة تمامًا عبر غالبية مساحة المعلمة ، على الرغم من أنه كما تمت مناقشته سابقًا ، هناك زيادة ملحوظة في الانحرافات عند المعادن المنخفضة ([Fe / H] & lt −1.2 dex) ودرجات حرارة أعلى (تيإف & GT 5100 ك). كما هو متوقع أيضًا ، يزيد التشتت عند S / N الأدنى ، على الرغم من أنه هامشي فقط حتى S / N 60. حتى في أدنى القيم (S / N 15) تكون النتائج متسقة تمامًا. ترجع القدرة على التنبؤ جيدًا على أطياف S / N المنخفضة إلى حد كبير إلى حقيقة أن StarNet تم تدريبه على زيارات فردية - بدلاً من الأطياف المدمجة فقط - باستخدام معلمات نجمية عالية الصلاحية.

مقارنة تنبؤات StarNet بالزيارات الفردية للتنبؤات للأطياف المجمعة المقابلة. اللوحة اليسرى: يتم إجراء المقارنات لمساحة المعلمة ، حيث تشتمل كل حاوية معلمة على 100 طيف تم اختياره عشوائيًا. تم العثور على أكبر الانحرافات في المعادن المنخفضة ودرجات الحرارة المرتفعة. اللوحة اليمنى: يتم إجراء المقارنات بناءً على نسبة S / N للزيارات الفردية ، حيث تحتوي كل حاوية S / N على 230 طيفًا. في كلا المخططين ، "مبعثر (زيارة-مجمعة)" هو الانحراف المعياري في القيم المتبقية بين التنبؤات للزيارات الفردية والأطياف المجمعة للكائنات التي تحتوي على أكثر من أربع زيارات فردية. "الأخطاء المنتشرة" هي مصطلحات الخطأ بسبب طيف الخطأ ، في حين أن "الأخطاء الإجمالية" هي الخطأ المنتشر ومصطلحات "التشتت الجوهري" (انظر القسم 3.2) المضافة في التربيع. تم تدريب StarNet على 41000 من أطياف الزيارة الفردية من مجموعة بيانات ASPCAP DR13.

مقارنة تنبؤات StarNet بالزيارات الفردية للتنبؤات للأطياف المجمعة المقابلة. اللوحة اليسرى: يتم إجراء المقارنات لمساحة المعلمة ، حيث تشتمل كل حاوية معلمة على 100 طيف تم اختياره عشوائيًا. تم العثور على أكبر الانحرافات في المعادن المنخفضة ودرجات الحرارة المرتفعة. اللوحة اليمنى: يتم إجراء المقارنات بناءً على نسبة S / N للزيارات الفردية ، حيث تحتوي كل حاوية S / N على 230 طيفًا. في كلا المخططين ، "مبعثر (زيارة-مجمعة)" هو الانحراف المعياري في القيم المتبقية بين التنبؤات للزيارات الفردية والأطياف المجمعة للكائنات التي تحتوي على أكثر من أربع زيارات فردية. "الأخطاء المنتشرة" هي مصطلحات الخطأ بسبب طيف الخطأ ، في حين أن "الأخطاء الإجمالية" هي الخطأ المنتشر ومصطلحات "التشتت الجوهري" (انظر القسم 3.2) المضافة في التربيع. تم تدريب StarNet على 41000 من أطياف الزيارة الفردية من مجموعة بيانات ASPCAP DR13.

تنعكس أيضًا الاتجاهات التي تظهر في القيم المتبقية بين التنبؤات للزيارات الفردية والأطياف المجمعة (أي زيادة في الانتثار عند المعادن المنخفضة ونسبة S / N المنخفضة) في أخطاء انتشار StarNet (انظر القسم 3.2) ، كما هو موضح في الشكل 5. يوفر هذا الثقة في أن طرق انتشار الخطأ المستخدمة تعطي تقديرًا مناسبًا لأوجه عدم اليقين في تنبؤات StarNet.

4.3 اختيار النموذج

عادةً ما تتضمن معماريات التعلم العميق ، مثل StarNet ، التجريب وضبط المعلمات الفائقة من أجل التقارب مع نموذج مناسب. تتضمن بعض هذه المعلمات الفائقة عدد المرشحات في كل طبقة تلافيفية ، وطول المرشحات التي يتم تحويلها عبر المدخلات في كل من هذه الطبقات التلافيفية ، وعدد عقد الاتصال في كل طبقة متصلة بالكامل ، وحجم نافذة التجميع في طبقة التجميع القصوى (عدد المدخلات التي تتم مقارنتها ببعضها البعض للعثور على القيمة القصوى) ومعدل التعلم لمحسن نزول التدرج. تمت أتمتة الاختيار النهائي للمعلمات الفائقة على النحو التالي: لتحديد بنية النموذج الأمثل ، تم تشغيل تحسين المعلمة المفرطة على مرحلتين. خلال المرحلة الأولى ، تم تغيير عدد الطبقات التلافيفية والطبقات المتصلة بالكامل والمرشحات والعقد بشكل عشوائي ، جنبًا إلى جنب مع طول المرشحات وحجم نافذة التجميع ومعدل التعلم. سمح ذلك للمحسن باختبار مجموعات مختلفة من عدد الطبقات التلافيفية والمتصلة بالكامل مع مجموعة متنوعة من المعلمات الفائقة الأخرى لضمان أن كل مجموعة يمكن أن تصل إلى أقصى إمكاناتها التنبؤية. تم استخدام نفس مجموعات التدريب والتحقق من الصحة (كما هو موضح في القسم 4.1) أثناء تدريب هذه النماذج ، وتم استخدام نفس مجموعة الاختبار (التي تمت مناقشتها في القسم 4.2) لاختبار كل نموذج. كان المقياس المستخدم لمقارنات النماذج هو MSE بين المعلمات المستهدفة والمتوقعة. لكي يتم ترجيح كل معلمة بالتساوي ، تم تطبيع المعلمات بحيث يكون لها متوسط ​​صفر تقريبًا وتباين الوحدة. يوضح الشكل 6 مثالاً على أفضل النماذج أداءً ، والتي تم تقييمها لكل مجموعة من الطبقات.

يتم رسم MSE بين معلمات الهدف المعيارية وتنبؤات StarNet مقابل مجموعات مختلفة من الطبقات التلافيفية والطبقات المتصلة بالكامل. تم استخدام هذه النتائج للمساعدة في تحديد بنية نموذج StarNet.

يتم رسم MSE بين معلمات الهدف المعيارية وتنبؤات StarNet مقابل مجموعات مختلفة من الطبقات التلافيفية والطبقات المتصلة بالكامل. تم استخدام هذه النتائج للمساعدة في تحديد بنية نموذج StarNet.

لقد وجد أن زيادة عدد الطبقات أدى إلى تحسين تنبؤات النموذج ، ولكن كان هناك استقرار في الأداء عند الجمع بين طبقتين تلافيفيتين مع طبقتين متصلتين بالكامل. لا تؤدي إضافة المزيد من الطبقات إلى هذه البنية إلى تحسين نتائج التنبؤ بوضوح ، بينما أدى عدد أقل من الطبقات إلى حدوث MSE أسوأ بشكل ملحوظ.

تم بعد ذلك البدء في تحسين المعلمة الفائقة الثاني ، حيث تم تثبيت عدد الطبقات التلافيفية والمتصلة بالكامل عند اثنين لكل منهما ، بينما تم تنويع المعلمات الفائقة المتبقية وتحسينها باستخدام أداة تقدير Parzen ذات البنية الشجرية (TPE ، Bergstra et al. 2011 ). كان النموذج المختار في هذه المرحلة الثانية من تحسين المعلمة الفائقة مشابهًا للنموذج الموضح في الشكل 1 ، وقد تم استخدام هذا النموذج كنقطة انطلاق لاختيار بنية النموذج لدينا. تم إجراء تغييرات صغيرة لاكتشاف التحسينات الممكنة حتى يتم تنفيذ بنية نموذج StarNet بشكل متسق مع النتائج المناسبة.

في حين أن النماذج الأبسط يمكن أن تعمل بشكل جيد مقارنة بهندسة StarNet عند تدريبها على البيانات الاصطناعية ، فقد تقرر استخدام بنية نموذجية واحدة للتدريب على كل من البيانات التركيبية وأطياف APOGEE.

وجدت دراسات سابقة أن تطبيق NNs على الأطياف النجمية يتطلب فقط طبقتين مخفيتين على الأكثر مع عقد أقل من الكمية المستخدمة في StarNet (Bailer-Jones 2000) ، ولكن تم تطبيقها على مجموعات بيانات أصغر بكثير. تسمح أساليب التعلم الآلي الحالية - جنبًا إلى جنب مع مجموعات البيانات الكبيرة - بنماذج أكثر تعقيدًا لتحسين الأداء مع تجنب الإفراط في التجهيز. تقلل طبقة التجميع القصوى درجات حرية النموذج عن طريق تقليل تأثير الأوزان غير الضرورية وبالتالي تبسيط وظيفة النموذج. لتسريع تقارب نموذج StarNet المناسب ، نستخدم ملحق انه عادي (He et al. 2015) تهيئة الوزن ، مما يسمح أيضًا بتقارب النماذج الأعمق وتمكين NN في النهاية من العثور على ميزات أكثر تعقيدًا. باختصار ، فإن انه عادي يسمح المُهيئ ، وتنشيط الوحدة الخطية المصححة (ReLU) ، ومحسن ADAM (انظر الملحق أ) بنموذج أعمق للوصول إلى التقارب بسهولة أكبر وبمعدل متسارع ، بينما تبسط طبقة التجميع القصوى تعقيد رتبة النموذج. استخدام مجموعة التحقق المتقاطع هو أسلوب آخر يتم تنفيذه في StarNet للتخفيف من فرط التخصيص. تم وصف هذه التقنيات والأساليب بمزيد من التفصيل في الملحق أ.

4.4 مقارنات مع المدفع

يعتبر المدفع (نيس وآخرون 2015) نموذجًا توليديًا يعتمد على البيانات ويشترك في نفس القيود مثل نهج التعلم الخاضع للإشراف ، أي يعتمد كلاهما على مجموعة بيانات مرجعية. على عكس StarNet ، يستخدم النهج التوليدي المعلمات النجمية كمدخلات وأطياف كمخرجات أثناء التدريب. يستخدم المدفع دالة متعددة الحدود من الدرجة الثانية لترجمة المعلمات النجمية إلى أطياف ، ويتم العثور على أفضل معاملات الدالة من خلال ملاءمة المربعات الصغرى. أثناء مرحلة الاختبار ، يتم تحديد المعلمات النجمية بخطوة انحدار أخرى ، حيث تتنوع المعلمات النجمية حتى تنتج طيفًا يطابق الطيف المرصود بشكل أفضل.

تم تدريب المدفع في الأصل على APOGEE DR10 (Mészáros et al. 2013) التي جمعت أطيافًا من 542 نجمًا في 19 مجموعة. هذه أمثلة تدريب أقل بكثير من استخدامات StarNet من DR13 ، ومع ذلك كان Cannon قادرًا على التنبؤ بالمعلمات النجمية لأطياف DR10 بشكل جيد للغاية. في محاولة لمقارنة التقنيتين ، قمنا بتدريب نفس بنية StarNet ، المسمى StarNetج1، على نفس مجموعة البيانات المكونة من 542 نجمة من DR10. ستارنتج1 تم تطبيقه بعد ذلك على 29891 طيفًا مدمجًا يحتوي على تنبؤات ASPCAP و Cannon للمعلمات النجمية. تتم مقارنة هذه في الشكل 7 ، حيث حدود StarNetج1 يتم رؤية النموذج بوضوح. تتطلب طريقة التعلم الآلي المستخدمة في StarNet أ كبير عينة تدريب تمتد على مساحة واسعة للمعلمة. لا يمتد التدريب على 542 من الأطياف المدمجة بشكل كافٍ من نطاق المعلمة عند نسبة S / N متراكمة لتلائم مجمع StarNet CNN. يمكن ملاحظة ذلك أيضًا في المخلفات الكبيرة عند مقارنة StarNetج1 التنبؤات ومعلمات ASPCAP DR10. تُظهر التنبؤات لأطياف S / N المنخفضة الانتشار الأكثر أهمية.

مقارنة StarNetج1 النتائج باستخدام ASPCAP (اللوحة اليمنى) و StarNetج1 النتائج باستخدام المدفع 1 (اللوحة اليمنى) ، بالإضافة إلى المقارنات بين المدفع 1 و ASPCAP (اللوحة المركزية). ستارنتج1 تم تدريبه على أطياف APOGEE DR10 المدمجة من نفس 542 نجمًا التي استخدمها المدفع 1 للتدريب. تتضمن مجموعة الاختبار أطياف DR10 المدمجة التي تحتوي على تنبؤات ASPCAP و Cannon 1. يتم حساب القيمة المتوسطة (m͊) والانحراف المعياري (الانحرافات) في كل لوحة ، كما في الشكل 2. (لاحظ أن النطاق في محاور الرسم يختلف عن المؤامرات الأخرى في هذه الورقة).

مقارنة StarNetج1 النتائج باستخدام ASPCAP (اللوحة اليمنى) و StarNetج1 النتائج باستخدام المدفع 1 (اللوحة اليمنى) ، بالإضافة إلى المقارنات بين المدفع 1 و ASPCAP (اللوحة المركزية). ستارنتج1 تم تدريبه على أطياف APOGEE DR10 المدمجة من نفس 542 نجمًا التي استخدمها المدفع 1 للتدريب. تتضمن مجموعة الاختبار أطياف DR10 المدمجة التي تحتوي على تنبؤات ASPCAP و Cannon 1. يتم حساب القيمة المتوسطة (m͊) والانحراف المعياري (الانحرافات) في كل لوحة ، كما في الشكل 2. (لاحظ أن النطاق في محاور الرسم يختلف عن المؤامرات الأخرى في هذه الورقة).

تعد متطلبات مجموعات التدريب الكبيرة التي تمثل مجموعة الاختبار بشكل كافٍ قيدًا على العديد من طرق التعلم العميق ، مثل StarNet. ومع ذلك ، مع توفر مجموعات أكبر من البيانات ، يمكن أن تكون هذه الطرق فعالة للغاية ، كما تمت مناقشته في القسم التالي.

4.5 مقارنات مع المدفع 2

يعتبر Cannon 2 (Casey et al. 2016) استمرارًا لمشروع Cannon. بالإضافة إلى المعلمات النجمية الثلاثة التي تنبأ بها المدفع ، يتوقع المدفع 2 14 وفرة كيميائية إضافية. تم تدريب Cannon 2 أيضًا على أطياف الزيارة الفردية ، لكنه يتدرب على عدد أكبر من النجوم من المدفع. أيضًا ، يضيف Cannon 2 مصطلحًا تنظيمًا في الوظيفة عند التدريب ، لتقليل احتمالية احتواء النموذج على بيانات التدريب.

تتألف مجموعة التدريب الخاصة بـ Cannon 2 من نجوم بـ 200 & lt S / N & lt 300 ، [Fe / H] & gt −3 ، [X / Fe] & lt 2 ، [α / Fe] & gt −0.1 ، [& lt! [كداتا[الخامس]] & GT / Fe] & GT −0.6 ، & lt! [كداتا[الخامس]] & GT مبعثر & lt 1 km s -1 ، والأهداف المستبعدة التي تم وضع علامة عليها باستخدام ASPCAPFLAG. أزالت هذه القطع النجوم بالقرب من حافة شبكة النماذج الاصطناعية ، جنبًا إلى جنب مع مصادر أخرى للخطأ مما أدى إلى ضعف تحديد معلمات ASPCAP. ومع ذلك ، فإنه لم يأخذ في الاعتبار الأطياف التي تم تحديدها باستمرار. تألفت مجموعة تدريب Cannon 2 من زيارات من 12681 نجمة.

لإجراء مقارنة كافية بين النموذجين ، StarNetج2 تم تدريبه على 39098 زيارة من 12681 نجمًا استوفوا نفس القيود التي وضعتها مجموعة تدريب Cannon 2 ، من APOGEE DR12 (Holtzman et al. 2015). مجموعة اختبار مكونة من 85341 أطياف مدمجة مع 4000 كلفن & لتر تيإف& lt 5500 ك وتسجيل ز & lt 3.9 ، مع قيود مماثلة لمجموعة اختبار Cannon 2.

نقوم بتجميع خطأ الجذر التربيعي (RMSE) ومتوسط ​​الخطأ المطلق (MAE) لمجموعة اختبار متطابقة لكل من Cannon 2 و StarNetج2 في الجدول 3. هذا يؤكد الفحص البصري للمخلفات في الشكل 8 ، ذلك StarNetج2 قادر على التنبؤ بالقيم الأقرب إلى المعلمات النجمية ASPCAP. يظهر أيضًا في الشكل 8 ، StarNetج2 يختلف عن ASCAP في المعادن المنخفضة ودرجات الحرارة الأكثر سخونة ، عندما يكون S / N من الأطياف أقل. تظهر هذه التأثيرات أيضًا في تنبؤات Cannon 2. في الواقع ، مقارنة StarNetج2 يظهر على Cannon 2 أن التأثير أكبر في نتائج Cannon 2.

مقارنة StarNetج2 النتائج باستخدام ASPCAP (اللوحة اليمنى) و StarNetج2 النتائج مع تنبؤات Cannon 2 (اللوحة اليمنى) ، بالإضافة إلى مقارنات بين Cannon 2 و ASPCAP (اللوحة المركزية). تستند جميع المعلمات إلى مجموعة بيانات DR12. تم تدريب StarNet على زيارات فردية من نجوم مماثلة لتلك المستخدمة في تدريب Cannon 2. مجموعة الاختبار المستخدمة لمقارنة الطريقتين كانت أيضًا مماثلة لتلك المستخدمة بواسطة Cannon 2. القيمة المتوسطة (m͊) والانحراف المعياري (الانحرافات) في كل لوحة ، كما في الشكل 2.

مقارنة StarNetج2 النتائج باستخدام ASPCAP (اللوحة اليمنى) و StarNetج2 النتائج مع تنبؤات Cannon 2 (اللوحة اليمنى) ، بالإضافة إلى مقارنات بين Cannon 2 و ASPCAP (اللوحة المركزية). تستند جميع المعلمات إلى مجموعة بيانات DR12. تم تدريب StarNet على زيارات فردية من نجوم مماثلة لتلك المستخدمة في تدريب Cannon 2. مجموعة الاختبار المستخدمة لمقارنة الطريقتين كانت أيضًا مماثلة لتلك المستخدمة بواسطة Cannon 2. القيمة المتوسطة (m͊) والانحراف المعياري (الانحرافات) في كل لوحة ، كما في الشكل 2.

مقارنة StarNetج2 ونتائج Cannon 2 لمجموعة اختبار مكونة من 85341 طيفًا مدمجًا من APOGEE DR12. المقاييس المستخدمة هي MAE و RMSE ، فيما يتعلق بنفس النجوم.

قياس . معامل . ستارنتج2 . مدفع 2.
تيإف31.2 46.8
ماي سجل ز0.053 0.066
[Fe / H] 0.025 0.036
تيإف51.2 71.6
RMSE سجل ز0.081 0.102
[Fe / H] 0.040 0.053
قياس . معامل . ستارنتج2 . مدفع 2.
تيإف31.2 46.8
ماي سجل ز0.053 0.066
[Fe / H] 0.025 0.036
تيإف51.2 71.6
RMSE سجل ز0.081 0.102
[Fe / H] 0.040 0.053

مقارنة StarNetج2 ونتائج Cannon 2 لمجموعة اختبار مكونة من 85341 طيفًا مدمجًا من APOGEE DR12. المقاييس المستخدمة هي MAE و RMSE ، فيما يتعلق بنفس النجوم.

قياس . معامل . ستارنتج2 . مدفع 2.
تيإف31.2 46.8
ماي سجل ز0.053 0.066
[Fe / H] 0.025 0.036
تيإف51.2 71.6
RMSE سجل ز0.081 0.102
[Fe / H] 0.040 0.053
قياس . معامل . ستارنتج2 . مدفع 2.
تيإف31.2 46.8
ماي سجل ز0.053 0.066
[Fe / H] 0.025 0.036
تيإف51.2 71.6
RMSE سجل ز0.081 0.102
[Fe / H] 0.040 0.053

4.6 تدريب StarNet بأطياف تركيبية

تتمثل الخطوة التالية الحاسمة في تطوير نهج NN لتحليل الأطياف النجمية في إظهار أن StarNet يمكنه أيضًا التنبؤ بالمعلمات النجمية بدون خط أنابيب خارجي. في هذا القسم ، نقدم نتائج المعلمات النجمية لبيانات APOGEE بعد تدريب StarNet على الأطياف الاصطناعية فقط. هدفنا هو إظهار أن StarNet يمكن أن تعمل كخط أنابيب مستقل لمعالجة البيانات ، مما ينتج قاعدة بيانات مستقلة من المعلمات النجمية التي لا تعتمد على نتائج خطوط أنابيب ASPCAP السابقة للتدريب.

4.6.1 فجوة تركيبية

يشار إلى الاختلافات في توزيعات الميزات بين الأطياف التركيبية والأطياف المرصودة باسم فجوة اصطناعية. لاستكشاف جدوى تدريب StarNet على الأطياف الاصطناعية والتنبؤ بدقة بالمعلمات من الأطياف المرصودة ، كان من الضروري التأكد من أن الفجوة التركيبية كانت صغيرة نسبيًا. نظرًا لأن كل طيف يتكون من 7214 نقطة بيانات أو يمثل نقطة في مساحة 7214 بعدًا ، يتوقع المرء أن يشغل طيفًا اصطناعيًا وملاحظًا له نفس المعلمات تقريبًا نفس المنطقة في هذا الفضاء إذا كانت الفجوة صغيرة بالفعل. لا يمكن تصور هذه المساحة إلا من خلال تقليل الأبعاد. استخدمنا t-Distributed Stochastic Neighbor Embedding (t-SNE Maaten & amp Hinton 2008) ، وهي تقنية تستخدم غالبًا في التعلم الآلي للعثور على مجموعات من البيانات المماثلة في مساحة ثنائية الأبعاد (2D). تتكون هذه المساحة ثنائية الأبعاد من متغيرات عشوائية - وليست معلمات نجمية مادية - تهدف إلى أن تكون بمثابة تمثيل بأبعاد أقل للأطياف لتسهيل التصور.

تم اختيار مجموعة فرعية من 4000 أطياف APOGEE DR13 مع S / N & gt 200 ومعلمات ASPCAP المعروفة بشكل عشوائي ، جنبًا إلى جنب مع 4000 أطياف ASSET الاصطناعية المحرف مع نفس المعلمات. بعد تطبيق t-SNE ، يمكن رؤية فصل واضح بين الأطياف التركيبية وأطياف APOGEE (الصورة اليسرى في الشكل 9). أظهر فحص الأطياف غير المتطابقة أن هناك قيم تدفق صفري في صناديق الطول الموجي على طول الأطياف ، وهي طريقة مستخدمة في خط أنابيب APOGEE لوضع علامة على وحدات البكسل السيئة. لسوء الحظ ، لا يمكن إخفاء هذه القيم في مرحلة الاختبار مع التنفيذ الحالي لـ StarNet ، وبالتالي تم إجراء استيفاء أقرب الجار لتنعيم الأصفار. كشفت جولة أخرى من t-SNE عن اتفاق أوثق بين أطياف اصطناعية وأطياف APOGEE (الصورة اليمنى في الشكل 9). تم إصلاح قيم التدفق الصفري لجميع أطياف APOGEE قبل التنبؤ بمعلماتها النجمية في تدريب StarNet اللاحق من الأطياف الاصطناعية.

تصور t-SNE للأطياف التركيبية و APOGEE قبل استبدال التدفق الصفري من خلال أقرب استيفاء جار (يسار) وبعد (يمين).

تصور t-SNE للأطياف التركيبية و APOGEE قبل استبدال التدفق الصفري من خلال أقرب استيفاء جار (يسار) وبعد (يمين).

بينما يؤدي استيفاء قيم النقطة الصفرية في الأطياف المرصودة إلى تنبؤات أكثر دقة ، فإننا نحذر من أن هذا قد لا يكون حلاً مثاليًا. هذا لأننا نقوم بتعديل البيانات بطريقة قد لا تشبه الطيف بدون قيم النقطة الصفرية. تتمثل الطريقة البديلة في حقن قيم النقطة الصفرية بشكل مصطنع في الأطياف الاصطناعية أثناء التدريب. سيسمح هذا لـ StarNet بتوزيع الأوزان بشكل متساوٍ عبر الطيف ، لتقليد عملية التدريب على الأطياف المرصودة.نلاحظ أن هذه ليست مشكلة عندما يتم تدريب StarNet على أطياف APOGEE الحقيقية التي تحتوي بطبيعتها على قيم التدفق الصفري.

4.6.2 تنبؤات أطياف APOGEE DR12

بعد تدريب StarNet باستخدام أطياف تركيبية من كود ASSET (كما هو موضح في القسم 3) ، قمنا بتطبيقه على مجموعة بيانات مكونة من 21787 أطيافًا مجمعة من APOGEE DR12 1 باستخدام نفس القيود الموجودة في الجدول 2. نقارن نتائجنا مع ASPCAP معلمات DR12 (انظر الشكل 10) ، حيث تم تحديدها أيضًا باستخدام الشبكة الطيفية ASSET (على عكس نتائج APOGEE DR13).

بقايا تنبؤات StarNet ومعلمات ASPCAP لمجموعة اختبار مكونة من 21787 أطيافًا مجمعة من APOGEE. تم إجراء مقارنات مع DR12 من أجل الاتساق منذ أن استخدمت اختباراتنا شبكة ASSET الاصطناعية (غير مستخدمة في DR13). تم تدريب StarNet على 224000 طيف تركيبي تم أخذ عينات منها عشوائيًا من شبكة ASSET الاصطناعية عن طريق الاستيفاء بين نقاط الشبكة. التوزيعات المتوقعة حول المتوسط ​​موضحة على اليمين (أحمر داكن لأطياف المراقبة مع S / N & gt 150 ، أحمر فاتح لـ S / N & lt 100). يتم حساب القيمة المتوسطة (m͊) والانحراف (الانحرافات) المعياري في كل لوحة ، كما في الشكل 2.

بقايا تنبؤات StarNet ومعلمات ASPCAP لمجموعة اختبار مكونة من 21787 أطيافًا مجمعة من APOGEE. تم إجراء مقارنات مع DR12 من أجل الاتساق منذ أن استخدمت اختباراتنا شبكة ASSET الاصطناعية (غير مستخدمة في DR13). تم تدريب StarNet على 224000 طيف تركيبي تم أخذ عينات منها عشوائيًا من شبكة ASSET الاصطناعية عن طريق الاستيفاء بين نقاط الشبكة. التوزيعات المتوقعة حول المتوسط ​​موضحة على اليمين (أحمر داكن لأطياف المراقبة مع S / N & gt 150 ، أحمر فاتح لـ S / N & lt 100). يتم حساب القيمة المتوسطة (m͊) والانحراف (الانحرافات) المعياري في كل لوحة ، كما في الشكل 2.

يتشابه توزيع المخلفات مع تلك التي تظهر في الشكل 3 ، حيث تم تدريب StarNet على أطياف APOGEE المرصودة. باستخدام الطريقة الموضحة في القسم 3.2 ، تم حساب شروط خطأ الانتثار الجوهري للأطياف ذات S / N & gt 150 لتكونتيإف = 51 ك ، سجل ز = 0.06 ، و Δ [Fe / H] = 0.08. بالنسبة لمجموعة البيانات الطيفية بأكملها ، بما في ذلك أطياف S / N المنخفضة ، تكون أخطاء الانتثار الجوهرية أكبر مرتين مما كانت عليه عندما تم تدريب StarNet على معلمات ASPCAP. من المحتمل أن يكون هذا بسبب تأثيرات منهجية غير محسوبة في وقت التدريب ، على سبيل المثال آثار مفيدة أو الانقراض. تم التخطيط لتمديد StarNet ليشمل تأثيرات النمذجة الاصطناعية غير المحسوبة للعمل في المستقبل.

لا يتم محاكاة الانقراض بين النجوم ، والانقراض الجوي ، والتوقيعات الآلية في الأطياف التركيبية. يمكن أن تختلف هذه التأثيرات من نجمة إلى أخرى ، وتؤثر بشكل عام على المناطق الأكثر زرقة في الطيف كوظيفة متغيرة بسلاسة. بالنظر إلى أن أطياف APOGEE تغطي أطوال موجات الأشعة تحت الحمراء لمعظم الأجسام الساطعة القريبة (ح & GT 12.5) ، لا يُتوقع أن تكون تأثيرات الانقراض كبيرة. في القسم 4.7 ، تمت مناقشة حساسية نموذج StarNet لمختلف الميزات في أطياف DR13.

سمحت إضافة الضوضاء إلى المجموعة الاصطناعية أيضًا في مرحلة التدريب لـ StarNet بمعرفة أن الميزات أثرت على تقديرات المعلمات النجمية ، مع استبعاد الميزات الضعيفة التي لن يمكن اكتشافها في أطياف APOGEE الصاخبة. من خلال تغيير مستويات الضوضاء ، وجد أن S / N & gt 20 ضروري لتقليل التبعثر الداخلي المتبقي قبل التشبع. لا تساعد إضافة الضوضاء إلى مجموعة التدريب الاصطناعية على إعادة إنتاج إعداد أكثر واقعية فحسب ، بل تفسر أيضًا بعض أوجه عدم اليقين في النمذجة المادية والأدوات وتقليل التجهيز الزائد. نظرًا لأن مجموعة بيانات APOGEE تتكون في الغالب من أطياف S / N عالية ، فإن إضافة نموذج ضوضاء بسيط يبدو أنه كافٍ لنمذجة أطياف APOGEE. ومع ذلك ، قد تتطلب التطبيقات المحتملة على البيانات غير APOGEE (أو بيانات APOGEE ذات المعلمات النجمية الأكثر حساسية) نموذج ضوضاء أكثر شمولاً.

4.7 المشتقات الجزئية

من الممكن فحص النموذج الذي تم تعلمه لتحديد أي أجزاء من الأطياف تقوم NN بتثبيتها عند التنبؤ بالمعلمات النجمية. نقوم بذلك عن طريق حساب المشتقات الجزئية لكل من المخرجات (تيإف، سجل ز، و [Fe / H]) فيما يتعلق بكل قيمة تدفق دخل لطيف معين للحصول على Jacobian (كما هو موضح في القسم 3.2).

خطوط قوس الهيدروجين (HBR): تلعب هذه الخطوط دورًا مهمًا ليس فقط في تحديد الجاذبية ولكن أيضًا في تحديد درجة الحرارة في النجوم الفقيرة بالمعادن.

خطوط المعادن الذرية (مثل FeI و CaI و CuI): تلعب هذه الخطوط دورًا مهمًا في تحديد درجة الحرارة والمعدنية في جميع أنحاء نطاق المعلمات النجمية.

بعض خطوط المعادن الذرية في الشبكة التركيبية التي تلعب دورًا في تحديد درجة الحرارة ، على سبيل المثال يظهر SiI أكثر ويبدو أن Ca I أقل أهمية.

الخطوط غير المحددة أو الأضعف التي لم يتم استخدامها في وظائف نافذة APOGEE ولكنها تلعب دورًا مهمًا في تحديد جميع المعلمات النجمية من الأطياف المرصودة.

خطوط غير محددة أو أضعف تلعب دورًا مهمًا فقط في تحديد المعدنية للنجوم الباردة والنجوم الغنية بالمعادن.

المشتقات الجزئية لمعلمات الإخراج النجمية الثلاثة من نموذج StarNet - المُدرَّبة على أطياف APOGEE - فيما يتعلق بحاويات الطول الموجي للإدخال لقسم من الشريحة الخضراء. تمت مقارنة المشتقات الجزئية للنجوم من نطاقات مختلفة من فضاء المعلمة مع بعضها البعض. النجوم ذات [Fe / H] & gt 0.0 تمت مقارنتها مع النجوم ذات [Fe / H] & lt −1.2 (أعلى). وبالمثل ، النجوم ذات تيإف& gt 5000 كلفن تمت مقارنتها مع تلك التي لديها تيإف& lt 4300 كلفن (أسفل). تم حساب متوسط ​​جاكوبي ذو القيمة المطلقة من 2000 نجمة في كل نطاق معلمة. لاحظ فروق المقياس عند مقارنة المشتقات الجزئية.

المشتقات الجزئية لمعلمات الخرج النجمية الثلاثة من نموذج StarNet - المدربة على أطياف APOGEE - فيما يتعلق بحاويات الطول الموجي للإدخال لقسم من الشريحة الخضراء. تمت مقارنة المشتقات الجزئية للنجوم من نطاقات مختلفة من فضاء المعلمة مع بعضها البعض. النجوم ذات [Fe / H] & gt 0.0 تمت مقارنتها مع النجوم ذات [Fe / H] & lt −1.2 (أعلى). وبالمثل ، النجوم ذات تيإف& gt 5000 كلفن تمت مقارنتها مع تلك التي لديها تيإف& lt 4300 كلفن (أسفل). تم حساب متوسط ​​جاكوبي ذو القيمة المطلقة من 2000 نجمة في كل نطاق معلمة. لاحظ فروق المقياس عند مقارنة المشتقات الجزئية.

المشتقات الجزئية لمعلمات الإخراج النجمية الثلاثة من نموذج StarNet - مُدرَّبة على البيانات التركيبية - فيما يتعلق بخزانات الطول الموجي للإدخال لقسم من الشريحة الخضراء. تمت مقارنة المشتقات الجزئية للنجوم من نطاقات مختلفة من فضاء المعلمة مع بعضها البعض. النجوم ذات [Fe / H] & gt 0.0 تمت مقارنتها مع النجوم ذات [Fe / H] & lt −1.2 (أعلى). النجوم بالمثل مع تيإف& gt 5000 كلفن تمت مقارنتها مع تلك التي لديها تيإف & lt 4300 كلفن (أسفل). تم حساب متوسط ​​جاكوبي ذو القيمة المطلقة من 2000 نجمة في كل نطاق معلمة. لاحظ فروق المقياس عند مقارنة المشتقات الجزئية.

المشتقات الجزئية لمعلمات الإخراج النجمية الثلاثة من نموذج StarNet - مُدرَّبة على البيانات التركيبية - فيما يتعلق بخزانات الطول الموجي للإدخال لقسم من الشريحة الخضراء. تمت مقارنة المشتقات الجزئية للنجوم من نطاقات مختلفة من فضاء المعلمة مع بعضها البعض. النجوم ذات [Fe / H] & gt 0.0 تمت مقارنتها مع النجوم ذات [Fe / H] & lt −1.2 (أعلى). النجوم بالمثل مع تيإف& gt 5000 كلفن تمت مقارنتها مع تلك ذات تيإف & lt 4300 كلفن (أسفل). تم حساب متوسط ​​جاكوبي ذو القيمة المطلقة من 2000 نجمة في كل نطاق معلمة. لاحظ فروق المقياس عند مقارنة المشتقات الجزئية.

لم يتم تحديد أي من هذه الميزات مسبقًا أو ترجيحها خارجيًا قبل تدريب NN. قمنا أيضًا بمقارنة المشتقات الجزئية لمجموعات فرعية من النجوم بـ S / N & lt 60 مقابل S / N & gt 200 ، لكننا لم نجد اختلافات ملحوظة في القدرة التنبؤية. شوهدت نتائج مماثلة في مناطق الطول الموجي الأخرى عبر النطاق الطيفي APOGEE بأكمله.


يحتوي جدول المحتويات الموجود على اليمين على روابط إلى المعلومات الفنية الخاصة بـ SSS عبر الإنترنت. انقر فوق أي عنوان للذهاب إلى تلك الصفحة. تحتوي كل مقالة على رابط في النهاية سيعيدك إلى جدول المحتويات هذا ، أو يمكنك استخدام عنصر القائمة الرئيسية في الأعلى للعودة هنا أيضًا. تنقلك الروابط الملونة إلى صفحات على هذا الموقع تحتوي على مزيد من التفاصيل أو الشروحات. تتضمن العديد من الصفحات ملخصات مكتوبة على مستوى غير تقني ، تظهر هذه الملخصات بخط غامق باللون الأخضر.

يتم توفير المراجع إلى الأدبيات في كل من المقالات الموجودة على اليسار وعلى المدونة. مرر مؤشر الماوس فوق اقتباس لمشاهدة تلميح أداة يحتوي على معلومات حول المرجع ورابط لإصداره عبر الإنترنت ، إذا كان متاحًا. في الجزء العلوي من تلميح الأداة ، سترى نجمة واحدة إلى خمس نجوم تشير إلى إمكانية الوصول إلى المقالة. 1 = جميع الجماهير ، 2 = مستوى متقدم من الأشخاص العاديين ، 3 = مستوى احترافي ولكن مقروء وجذاب ، 4 = مقالة فنية. تتبع النجوم هو رمز يشير إلى المصدر عبر الإنترنت المرتبط. استخدم ارتباط المراجع في القائمة أعلاه لمشاهدة قائمة بجميع المراجع التي تظهر على هذا الموقع.

نظرة عامة [وصف موجز للأداة وأجهزة الكشف]

التغطية الطيفية [تغطية الطول الموجي الدقيقة لنظام الضمان الاجتماعي]

الأطلس الطيفي [مخططات المناطق الطيفية التي يغطيها نظام الضمان الاجتماعي]

نظرة عامة على الإجراء [ملخص خطوات التخفيض]

تنظيم الأرشيف [ترتيب ملفات البيانات الأولية والمختصرة والمورد]

التسلسل الهرمي لفئة OIL [مخطط فئة OIL UML ونظرة عامة على الفئات الرئيسية]

خطوات ما قبل التخفيض [تطعيم ومتوسط ​​إطارات البيانات ، وإنشاء رأس FITS ، وأوصاف ملف السجل]

إزالة الحواف [إزالة الخلفية الأساسية من إطارات البيانات الأولية]

عمل خرائط الطلب [تتبع مواقع الطلبات الطيفية على أجهزة التحكم عن بعد]

الحقل المسطح [إنشاء أطياف المجال المسطح ، وإطارات الهدف الميدانية المسطحة]

إزالة الضوء المتناثر [إزالة الخلفية المتبقية من الإطارات المستهدفة]

استخراج الطيف [استخراج الأطياف غير المقيسة من الأطر المستهدفة]

التطبيع المستمر [ضبط الاستمرارية الشمسية والنجمية في الوحدة]

معايرة الطول الموجي [إنشاء وتطبيق محاليل Thorium-Argon]

حزم طيف HK [وضع أطياف HK بكثافة مطلقة وإنشاء ملفات مكدس طيف]

السلاسل الزمنية للطاقة الشمسية في هونج كونج [إنشاء سلاسل زمنية لهونج كونج وملفات النتائج للشمس]

السلسلة الزمنية Stellar HK [إنشاء السلاسل الزمنية لهونج كونج وملفات النتائج للنجوم]

رسائل النظام [رموز الرسائل المستخدمة بواسطة مكتبة فئة OIL]

ملف بدء التشغيل [ملف بدء التشغيل IDL المستخدم بواسطة OIL]

BasicFITSHeader [وثائق فئة BasicFITSHeader]

المنسق [وثائق فئة المنسق]

قائمة البيانات [وثائق فئة Datalist]

Filelink [وثائق فئة Filelink]

Filestream [وثائق فئة Filestream]

FITSData [وثائق فئة FITSData]

العنوان [وثائق فئة الرأس]

صورة [وثائق فئة الصورة]

Normalizer [وثائق فئة Normalizer]

ObArray [توثيق فئة ObArray]

Ordermap [Ordermap class documents]

ReduceTool [وثائق فئة ReduceTool]

ScatteredLight [وثائق فئة ScatteredLight]

الطيف [وثائق فئة الطيف الترددي]

SSS [مخفض البيانات وفئة التحليل]

WaveCal [وثائق فئة WaveCal]

بدعم من المنح المقدمة من مؤسسة العلوم الوطنية.
[العودة إلى صفحتي الرئيسية | أرسل لي بريدًا إلكترونيًا: jch [at] lowell [dot] edu]
يتم تمويل نظام الضمان الاجتماعي من القطاع العام. ما لم يذكر خلاف ذلك صراحة ، كل شيء على هذا الموقع هو في المجال العام.
إذا كنت تستخدم نتائجنا أو صورنا أو استشهدت بها ، فنحن نقدر لك تقديراً.
من الأفضل مشاهدة هذا الموقع مع موزيلا فايرفوكس.


حزمة pPXF

غرض

استخرج الحركية النجمية للمجرة (V، sigma، h3، h4، h5، h6.) أو المجموعة النجمية وانبعاثات الغاز عن طريق تركيب قالب على طيف مرصود في مساحة البكسل ، باستخدام طريقة Penalized PiXel-Fitting (pPXF) الموصوفة أصلاً في

وترقيتها بشكل كبير في

تتوفر أيضًا الميزات الاختيارية الرئيسية التالية:

  1. يمكن تركيب نموذج مثالي ، تركيبة خطية إيجابية من قوالب إدخال مختلفة ، مع علم الحركة.
  2. يمكن للمرء أن يفرض نعومة على أوزان القالب أثناء الملاءمة. هذا مفيد لإرفاق معنى مادي للأوزان على سبيل المثال من حيث تاريخ تشكل النجوم لمجرة.
  3. يمكن للمرء أن يلائم مكونات حركية متعددة لكل من النجوم وخطوط انبعاث الغاز. يمكن معاقبة كل من LOSVD النجمي والغازي ويمكن وصفهما بسلسلة Gauss-Hermite العامة.
  4. يمكن تركيب أي معلمة من LOSVD (مثل سيجما) لأي مكون حركي أو تثبيتها على قيمة معينة ، بينما يتم تركيب معلمات أخرى. بدلاً من ذلك ، يمكن تقييد المعلمات لتقع ضمن حدود معينة أو حتى مرتبطة بعلاقات بسيطة مع معلمات أخرى.
  5. يمكن تضمين كثيرات الحدود المضافة و / أو المضاعفة لضبط الشكل المتصل للقالب على الطيف المرصود.
  6. يمكن استخدام لقطة سيجما التكرارية لتنظيف الطيف.
  7. من الممكن ملاءمة LOSVD المتماثل المرآة مع طيفين في نفس الوقت. هذا مفيد للأطياف المأخوذة في مواضع مكانية متناظرة فيما يتعلق بمركز نظام نجمي متوازن.
  8. يمكن للمرء تضمين أطياف السماء في الملاءمة ، للتعامل مع الحالات التي تهيمن فيها السماء على الطيف المرصود ويكون الطرح الدقيق للسماء أمرًا بالغ الأهمية.
  9. يمكن للمرء أن يشتق تقديرًا لاحمرار الطيف. يمكن القيام بذلك بشكل مستقل عن الطيف النجمي أو خطوط انبعاث Balmer.
  10. يمكن إدخال مصفوفة التغاير بدلاً من طيف الخطأ ، لحساب الأخطاء المرتبطة في وحدات البكسل الطيفية.
  11. يمكن للمرء تحديد جزء الأوزان بين مكونين حركيين ، على سبيل المثال لنمذجة مساهمات الانتفاخ والأقراص.
  12. يمكن للمرء استخدام قوالب ذات دقة أعلى من المجرة ، لتحسين دقة استخراج LOSVD عند تشتت منخفض.

تسلسل الدعوة

معلمات الإدخال

متجه يحتوي على طيف نجمة قالب واحد أو بشكل أكثر شيوعًا مصفوفة من قوالب الأبعاد [nPixels ، nTemplates] تحتوي على قوالب مختلفة يتم تحسينها أثناء ملاءمة الكينماتيكا. يجب أن يكون nPixels & gt = galaxy.size.

لتطبيق التنظيم الخطي على الأوزان عبر تنظيم الكلمات الرئيسية ، يجب أن تكون القوالب مصفوفة من نموذجين [nPixels ، nAge] ، أو ثلاثة قوالب [nPixels ، nAge ، nMetal] أو أربعة قوالب [nPixels ، nAge ، nMetal ، nAlpha] أبعاد ، اعتمادًا على على عدد المتغيرات السكانية التي يريد المرء دراستها. قد يكون هذا مفيدًا لمحاولة إرفاق معنى فيزيائي بأوزان المخرجات ، من حيث تاريخ تكوين نجم المجرة وتوزيع التركيب الكيميائي. في هذه الحالة ، قد تمثل القوالب نماذج SSP لمجموع نجمي واحد ويجب ترتيبها في تسلسل زيادة العمر أو المعدنية أو ألفا على طول البعد الثاني أو الثالث أو الرابع للصفيف على التوالي.

متجه يحتوي على طيف المجرة المراد قياسه. يجب إعادة تشكيل النجم وأطياف المجرة لوغاريتميًا ولكن يجب إعادة تشكيل السلسلة المتصلة ليس تطرح. يمكن إجراء إعادة الربط باستخدام روتين log_rebin الذي يتم توزيعه مع pPXF.

بالنسبة لمجرات الانزياح الأحمر العالية ، يجب على المرء أن يجعل الأطياف قريبة من الطول الموجي للإطار الثابت ، قبل إجراء ملاءمة pPXF. يمكن القيام بذلك عن طريق قسمة الطول الموجي المرصود على (1 + z) ، حيث z هو تقدير تقريبي للانزياح الأحمر للمجرة ، قبل إعادة الصهر اللوغاريتمي. انظر القسم 2.4 من Cappellari (2017) للحصول على التفاصيل.

يمكن أن تكون المجرة أيضًا مجموعة من أبعاد المجرة [nGalPixels ، 2] تحتوي على طيفين يتم تركيبهما ، في نفس الوقت ، مع انعكاس متماثل LOSVD. هذا مفيد للأطياف المأخوذة في مواضع مكانية متناظرة فيما يتعلق بمركز نظام نجمي متوازن. لمناقشة فائدة هذا التركيب على الوجهين ، انظر على سبيل المثال القسم 3.6 من Rix & amp White (1992).

هام: (1) بالنسبة للتركيب على الوجهين ، يجب استخدام الكلمة الأساسية vsyst. (2) تأكد من إعادة قياس الأطياف بحيث لا تختلف كثيرًا عن الوحدة ، وذلك لتجنب مشاكل التدفق الزائد أو السفلية في الحساب. على سبيل المثال وحدات erg / (s cm ^ 2 A) قد تسبب مشاكل!

متجه يحتوي على خطأ 1 * سيجما (لكل بكسل) في طيف المجرة ، أو مصفوفة التغاير التي تصف الأخطاء المرتبطة في طيف المجرة. بالطبع يجب أن يكون لهذا المتجه / المصفوفة نفس وحدات طيف المجرة.

إذا كانت galaxy عبارة عن مصفوفة Nx2 ، فيجب أن تكون الضوضاء عبارة عن مصفوفة بنفس الأبعاد.

عندما يكون للضوضاء أبعاد NxN ، فمن المفترض أن تحتوي على مصفوفة التغاير مع عناصر سيجما (i، j). عندما تكون الأخطاء في الطيف غير مرتبطة ، يكون مكافئًا رياضيًا للإدخال في pPXF ، ضوضاء متجه الخطأ = errvec أو ضوضاء مصفوفة قطرية NxN = np.diag (errvec ** 2) (ملاحظة مربعة!).

هام: تعتمد عقوبة طريقة pPXF على نسبيا تغيير المخلفات المناسبة. لهذا السبب ستعمل العقوبة كما هو متوقع حتى إذا لم يتوفر تقدير موثوق للضوضاء (انظر Cappellari & amp Emsellem [2004] للحصول على التفاصيل). في حالة عدم توفر ضوضاء موثوقة ، يمكن تعيين هذه الكلمة الرئيسية على:

مقياس سرعة الأطياف بالكيلومتر / ثانية لكل بكسل. يجب أن يكون هو نفسه لكل من أطياف المجرة والقالب. الاستثناء هو عند استخدام الكلمة الأساسية velscale_ratio ، وفي هذه الحالة يمكن إدخال قوالب ذات مقياس velscale أصغر من galaxy.

velscale هو معرف في pPXF بواسطة velscale = c * Delta [np.log (lambda)] ، وهي عبارة عن مقياس velscale تقريبًا

ج * دلتا (لامدا) / لامدا. راجع القسم 2.3 من Cappellari (2017) للحصول على التفاصيل.

متجه ، أو قائمة / مصفوفة من المتجهات [start1 ، start2 ،. ] ، مع التقدير الأولي لمعلمات LOSVD.

عندما لا يتم تثبيت معلمات LOSVD ، يحتاج كل متجه فقط إلى احتواء start = [velStart ، sigmaStart] التخمين الأولي للسرعة وتشتت السرعة بالكيلومتر / ثانية. يتم تعيين قيم البداية لـ h3-h6 (إذا تم تركيبها) على صفر افتراضيًا. بمعنى آخر ، عندما تكون اللحظات = 4:

عندما يتم تثبيت LOSVD لبعض المكونات الحركية (انظر الكلمة الأساسية الثابتة) ، فإن جميع قيم [Vel ، Sigma ، h3 ، h4. ] ويمكن توفير.

ما لم يتوفر تخمين أولي جيد ، يوصى بضبط سيغما البداية & gt = 3 * velscale بالكيلومتر / ثانية (أي 3 بكسل). في الواقع ، عندما يكون سيجما منخفضًا جدًا ، وبعيدًا عن الحل الحقيقي ، يصبح chi ^ 2 من الملاءمة حساسًا بشكل ضعيف للاختلافات الصغيرة في سيجما (انظر ورقة pPXF). في بعض الحالات ، قد يتسبب الثبات القريب لـ chi ^ 2 في حدوث تقارب سابق لأوانه في التحسين.

في حالة التركيب على الوجهين ، تكون قيمة البداية الجيدة للسرعة هي velStart = 0.0 (في هذه الحالة ، سيكون vsyst بشكل عام غير صفري). بدلاً من ذلك ، يجب أن تضع في اعتبارك أن velStart يشير إلى طيف مجرة ​​الإدخال الأول ، في حين أن الثاني سيكون له سرعة -velStart.

مع المكونات الحركية المتعددة ، يجب أن تكون البداية قائمة بقيم البداية ، واحدة لكل مكون مختلف.

مثال: نريد أن نلائم عنصرين حركيين. نلائم 4 لحظات للمكون الأول و 2 لحظات للحظة الثانية على النحو التالي:

الكلمات الدالة

تحيز هذه المعلمة قياسات (h3 ، h4 ،.) نحو الصفر (Gaussian LOSVD) ما لم يقلل إدراجها بشكل كبير من الخطأ في الملاءمة. اضبط هذا على الانحياز = 0 وليس لتحيز الملاءمة: الحل (بما في ذلك [V ، سيجما]) سيكون أكثر ضوضاء في هذه الحالة. يجب أن يوفر التحيز الافتراضي نتائج مقبولة في معظم الحالات ، ولكن سيكون من الآمن اختباره باستخدام محاكاة مونت كارلو. تتوافق هذه الكلمة الأساسية بدقة مع المعلمة lambda في ورقة Cappellari & amp Emsellem (2004). لاحظ أن العقوبة تعتمد على نسبيا تغيير المخلفات الملائمة ، لذلك فهي غير حساسة للقياس المناسب لناقل الضوضاء. يمكن استخدام التحيز غير الصفري بأمان حتى بدون طيف ضوضاء موثوق ، أو مع ترجيح متساوٍ لجميع وحدات البكسل.

الحدود الدنيا والعليا لكل معلمة حركية. هذه مصفوفة ، أو قائمة مصفوفات ، لها نفس أبعاد البداية ، باستثناء آخر واحد ، وهو اثنان. عمليًا ، لكل عنصر من عناصر البداية ، يحتاج المرء إلى تحديد زوج من القيم [سفلي ، علوي].

مثال: نريد أن نلائم عنصرين حركيين ، مع 4 لحظات للمكون الأول و 2 للمكون الثاني (مثل النجوم والغاز). في هذه الحالة:

ثم يمكننا تحديد حدود لكل معلمة حركية على النحو التالي:

عند تركيب أكثر من مكون حركي واحد ، يجب أن تحتوي هذه الكلمة الرئيسية على رقم المكون لكل قالب إدخال. من حيث المبدأ ، يمكن أن ينتمي كل قالب إلى مكون حركي مختلف.

مثال: نريد ملاءمة أول 50 نموذجًا للمكون 0 وآخر 10 قوالب للمكون 1. في هذه الحالة:

وهو ما يعادل في بناء جملة بايثون:

هذه الكلمة الرئيسية مفيدة بشكل خاص عند تركيب كل من قوالب الانبعاث (الغاز) والامتصاص (النجوم) في وقت واحد (انظر المثال للحصول على الكلمات الأساسية للحظات)

قم بتعيين هذه الكلمة الأساسية لاستخدام طريقة قطع سيجما التكرارية الموضحة في القسم 2.1 من Cappellari et al. (2002). يفيد ذلك في إزالة البكسلات السيئة غير المقنعة أو انبعاثات الغازات المتبقية أو الأشعة الكونية من الملاءمة.

هام: هذا موصى به فقط إذا توفر تقدير موثوق لطيف الضوضاء. انظر أيضا الملاحظة أدناه للحصول على .chi2.

درجة مادة مضافة يستخدم Legendre متعدد الحدود لتصحيح شكل القالب المستمر أثناء الملاءمة (الافتراضي: 4). اضبط الدرجة = -1 لعدم تضمين أي كثير حدود مضافة.

يتم تعيين المتجه المنطقي على True حيث يجب تثبيت معلمة حركية معينة مع القيمة المعطاة في البداية. هذه مصفوفة أو قائمة بنفس أبعاد البداية.

مثال: نريد أن نلائم عنصرين حركيين ، مع 4 لحظات للمكون الأول و 2 للمكون الثاني. في هذه الحالة:

ثم يمكننا عقد ثابت على سبيل المثال سيغما (فقط) لكلا المكونين باستخدام:

ملاحظة: إعداد لحظات سلبية لمكون حركي يكافئ تمامًا الإعداد الثابت = 1 لجميع معلمات المكون الحركي المحدد. بعبارات أخرى:

تسمح هذه الكلمة الرئيسية للشخص بإصلاح النسبة بين أول مكونين حركيين. هذا هو العددية المحددة على النحو التالي:

هذا مفيد على سبيل المثال لمحاولة تحلل الانتفاخ والقرص بشكل حركي.

هام: يجب تطبيع القوالب وأطياف المجرات بمتوسط

1 (بترتيب المقدار) لكي تعمل الكلمة الأساسية الكسر كما هو متوقع. تتم طباعة تحذير إذا لم يكن الأمر كذلك وكان جزء الإخراج الناتج غير دقيق.

تُترك المكونات الحركية المتبقية (المكون & gt 1) خالية ، وهذا يسمح ، على سبيل المثال ، بتضمين مكونات خط انبعاث الغازات.

التسامح الجزئي لإيقاف التصغير غير الخطي.

المتجه المنطقي ، بنفس حجم المكون ، مضبوط على True حيث يصف المكون المحدد خط انبعاث الغاز. إذا تم توفيره ، يوفر pPXF كلا من pp.gas_flux و pp.gas_flux_error في الإخراج.

مثال: في الموقف الشائع حيث يكون المكون = 0 عبارة عن قوالب نجمية والباقي عبارة عن خطوط انبعاث غازية ، فسيتم تعيين:

تُستخدم هذه الكلمة الرئيسية أيضًا لرسم خطوط الغاز بلون مختلف.

مصفوفة سلسلة تحدد أسماء خطوط الانبعاث (مثل gas_names = [& quotHbeta & quot، & quot [OIII] & quot.] ، واحد لكل خط غاز. يجب أن يتطابق طول هذا المتجه مع عدد العناصر غير الصفرية في gas_component. يستخدم هذا المتجه فقط من قبل pPXF لطباعة أسماء الخطوط على وحدة التحكم.

عيّن هذه الكلمة الرئيسية لتقدير أولي لإحمرار الغاز E (B-V) & gt = 0 لتلائم احمرارًا إيجابيًا مع الحركية والقوالب. يفترض الملاءمة افتراضيًا منحنى الانقراض لـ Calzetti et al. (2000) ولكن يمكن تمرير أي وصفة طبية أخرى عبر الكلمة الأساسية reddening_func.

متجه صحيح يحتوي على مؤشرات البيكسلات الجيدة في طيف المجرة (بترتيب تصاعدي). يتم تضمين وحدات البكسل الطيفية فقط في الملاءمة.

هام: هذه الكلمة الرئيسية في جميع المواقف المحتملة لديها لتكون محدد.

عند استخدام الكلمة الأساسية reddening أو gas_reddening ، يجب على المستخدم أن يمرر في هذه الكلمة الأساسية متجهًا له نفس أبعاد المجرة ، مما يعطي الطول الموجي للإطار الثابت في أنجستروم لكل بكسل في طيف مجرة ​​الإدخال. إذا استخدم أحد روتين log_rebin الخاص بي لإعادة تنشيط الطيف قبل ملاءمة pPXF:

يمكن الحصول على الطول الموجي كـ lam = np.exp (logLam).

عندما يتم إعطاء lam ، يظهر الطول الموجي في أفضل مخطط ملائم ، بدلاً من وحدات البكسل.

اضبط على True للاحتفاظ به الكل المعلمات غير الخطية ثابتة و فقط إجراء ملاءمة خطية للقوالب والأوزان متعددة الحدود المضافة. حل الإخراج هو نسخة من الإدخال الأول والأخطاء صفر.

متجه منطقي لطول galaxy.size مع تحديد صحيح للبيكسلات التي يجب تضمينها في الملاءمة. هذه الكلمة الأساسية هي مجرد طريقة بديلة لتحديد وحدات البكسل الجيدة.

خوارزمية لأداء خطوة التصغير غير الخطية. "capfit" الافتراضي هو تطبيق جديد لمنطقة الثقة لطريقة Levenberg-Marquardt ، معمم للتعامل مع قيود الصندوق بطريقة صارمة ، مع السماح أيضًا بالمتغيرات المقيدة أو الثابتة. راجع توثيق scipy.optimize.least_squares لمعرفة الطرق الأخرى.

درجة مضاعف متعدد الحدود Legendre (بمتوسط ​​1) يستخدم لتصحيح الشكل المتصل أثناء الملاءمة (الافتراضي: 0). دائمًا ما يتم تضمين كثير الحدود المضاعف من الدرجة الصفرية في الملاءمة لأنها تتوافق مع الأوزان المخصصة للقوالب. لاحظ أن وقت الحساب يكون أطول مع كثيرات الحدود المضاعفة مقارنة بنفس عدد كثيرات الحدود المضافة.

هام: لا يمكن استخدام كثيرات الحدود المضاعفة عند تعيين الكلمة الأساسية للتحمر ، لأنها تتدهور مع الاحمرار.

ترتيب لحظات Gauss-Hermite لتناسب. اضبط هذه الكلمة الأساسية على 4 لتناسب [h3 ، h4] وعلى 6 لتناسب [h3 ، h4 ، h5 ، h6]. لاحظ أنه في جميع الحالات ، يتم تركيب لحظات GH (غير خطية) سويا مع [V ، سيجما].

إذا كانت اللحظات = 2 أو لم يتم تعيين لحظات ، فسيتم تركيب [V ، سيجما] فقط.

إذا كانت اللحظات سالبة ، فإن حركية المكون المحدد تظل ثابتة على قيم الإدخال. ملاحظة: إعداد لحظات سلبية لمكون حركي يكافئ تمامًا الإعداد الثابت = 1 لجميع معلمات المكون الحركي المحدد.

مثال: نريد الاحتفاظ بالمكون الثابت = 0 ، الذي يحتوي على LOSVD الموصوف بواسطة [V، sigma، h3، h4] ويتم تصميمه باستخدام 100 قالب طيفي في نفس الوقت ، نلائم [V، sigma] للمكون = 1 ، الموصوفة بخمسة قوالب (قد ينشأ هذا الموقف عند تركيب القوالب النجمية مع الكينماتيكا النجمية المحددة مسبقًا ، مع ملاءمة انبعاث الغازات). يجب أن نعطي مدخلات لـ pPXF المعلمات التالية:

عدد صحيح. يعطي النسبة الصحيحة & gt = 1 بين مقياس velscale للمجرة والقوالب. عند استخدام هذه الكلمة الأساسية ، يتم تحويل القوالب بواسطة LOSVD بدقة وضوحها الأصلية ، وبعد ذلك فقط يتم دمجها على وحدات البكسل وتثبيتها في المجرة. هذه الكلمة الرئيسية غير ضرورية بشكل عام وهي مفيدة في الغالب للاختبار.

لاحظ أنه في المواقف الواقعية ، يصبح عدم اليقين في المعرفة والاختلافات الخاصة بوظيفة انتشار الخط الجوهرية هو العامل المحدد لاستعادة LOSVD أقل بكثير من velscale.

قم بتعيين هذه الكلمة الرئيسية لرسم أفضل حل مناسب والمخلفات في نهاية الملاءمة.

يمكن للمرء أيضًا استدعاء دالة الفئة pp.plot () بعد استدعاء pp = ppxf (.).

قم بتعيين هذه الكلمة الأساسية لمنع الإخراج المطول لأفضل المعلمات الملائمة في نهاية الملاءمة.

عيّن هذه الكلمة الرئيسية لتقدير أولي للاحمرار E (B-V) & gt = 0 لتلائم احمرارًا إيجابيًا مع الحركية والقوالب. يفترض الملاءمة افتراضيًا منحنى الانقراض لـ Calzetti et al. (2000 ، ApJ ، 533 ، 682) ولكن يمكن تمرير أي وصفة طبية أخرى عبر الكلمة الأساسية reddening_func.

هام: لا يمكن استخدام الكلمة الأساسية mdegree عند تعيين reddening.

إذا كانت هذه الكلمة الرئيسية غير صفرية ، فإن البرنامج يطبق التسوية الخطية من الدرجة الأولى أو الثانية على الأوزان أثناء ملاءمة pPXF. يتم التنظيم في بُعد واحد أو بعدين أو ثلاثة بناءً على ما إذا كانت مصفوفة القوالب لها بعدين أو ثلاثة أو أربعة أبعاد على التوالي. تتوافق القيم التنظيمية الكبيرة مع إخراج أوزان أكثر سلاسة. عندما تكون هذه الكلمة الرئيسية غير صفرية ، فسيكون الحل هو المفاضلة بين نعومة الأوزان وجودة الملاءمة.

يقدم القسم 3.5 من Cappellari (2017) وصفًا للتسوية.

عند تركيب مكون حركي متعدد ، يتم تطبيق التنظيم فقط على المكون الأول = 0 ، بينما لا يتم تنظيم المكونات الإضافية. يكون هذا مفيدًا عند تركيب المجموعات النجمية مع خطوط انبعاث الغازات. في هذه الحالة ، يجب إعطاء القوالب الطيفية SSP أولاً ، ثم يتم تقديم قوالب انبعاثات الغاز أخيرًا. في هذه الحالة ، يتعين على المرء استخدام الكلمة الأساسية reg_dim (أدناه) ، لإعطاء pPXF أبعاد معلمات السكان (مثل nAge ، nMetal ، nAlpha). يوجد مثال على الاستخدام في الملف ppxf_example_population_gas_sdss.py.

تأثير نظام التسوية هو ما يلي:

  • مع reg_ord = 1 فإنه يفرض المشتقات الرقمية الأولى بين الأوزان المجاورة (في حالة 1-dim) ليكون مساويًا لـ w [j] - w [j + 1] = 0 مع وجود خطأ Delta = 1 / regul.
  • باستخدام reg_ord = 2 ، فإنه يفرض المشتقات العددية الثانية بين الأوزان المجاورة (في حالة 1-dim) ليكون مساويًا لـ w [j-1] - 2 * w [j] + w [j + 1] = 0 مع وجود خطأ دلتا = 1 / ريجول.

قد يكون من المفيد تحديد regul = 1 / Delta والتفكير في Delta على أنها خطأ التنظيم.

هام: يجب أن تكون دلتا أصغر ولكن بنفس الترتيب من حيث الحجم للأوزان النموذجية لتؤثر على التنظيم. إحدى الطرق السريعة لتحقيق ذلك هي:

قسّم مصفوفة القوالب الكاملة على عدد قياسي بحيث يكون للقالب النموذجي وسيط واحد:

افعل الشيء نفسه مع طيف مجرة ​​الإدخال:

بدلاً من ذلك ، للحصول على تعريف أكثر صرامة للمعامل التنظيم:

قم بإجراء ملاءمة غير منتظمة (regul = 0) ثم أعد قياس طيف ضوضاء الإدخال بحيث:

يتم تحقيق ذلك من خلال إعادة قياس طيف ضوضاء الإدخال على النحو التالي:

يتوافق التنظيم المشتق مع الحد الأقصى الذي لا يزال متوافقًا مع الملاحظات وسيكون تاريخ تكوين النجم المشتق هو الأكثر سلاسة (الحد الأدنى للانحناء أو التباين الأدنى) الذي لا يزال متسقًا مع الملاحظات.

ترتيب المشتق الذي يتم تصغيره من خلال التسوية. يتم دعم المقدرين التاليين المتناظرين دورانيًا:

reg_ord = 1: يصغر التكامل على أوزان التدرج اللوني التربيعي:

reg_ord = 2: يصغر التكامل على أوزان الانحناء التربيعي:

عند استخدام التنظيم مع أكثر من مكون حركي (باستخدام الكلمة الأساسية المكونة) ، يتم تطبيق التنظيم فقط على العنصر الأول (المكون = 0). هذا مفيد لملاءمة السكان النجميين وانبعاثات الغاز معًا.

في هذه الحالة ، يتعين على المرء استخدام الكلمة الأساسية reg_dim ، لإعطاء pPXF أبعاد معلمات السكان (مثل nAge ، nMetal ، nAlpha). يجب على المرء إنشاء مجموعة أولية من قوالب السكان مثل على سبيل المثال القوالب [nPixels، nAge، nMetal، nAlpha] وحدد:

يتم بعد ذلك إعادة تشكيل مجموعة القوالب النجمية إلى مصفوفة ثنائية الأبعاد على النحو التالي:

ويتم إلحاق قوالب انبعاثات الغاز كأعمدة إضافية في النهاية. يوجد مثال على الاستخدام في ppxf_example_population_gas_sdss.py.

عند استخدام التنظيم مع مكون واحد (لا يتم استخدام الكلمة الأساسية المكونة ، أو تحتوي على قيم متطابقة) ، يتم الاستدلال على عدد قوالب المجتمع على طول أبعاد مختلفة (مثل nAge ، nMetal ، nAlpha) من أبعاد مصفوفة القوالب وهذه الكلمة الأساسية هي ليس من الضروري.

يُعرّف الفرق التربيعي بالكيلومتر / ثانية على النحو التالي:

بين التشتت الآلي لطيف المجرة والتشتت الفعال لأطياف القالب.

هذه الكلمة الرئيسية مفيدة عندما تكون القوالب ذات دقة أعلى من المجرة ولم يتم تحويلها لتتناسب مع التشتت الفعال لطيف المجرة. في هذه الحالة ، يتم الالتواء بواسطة pPXF بدقة متزايدة ، باستخدام تحويل فورييه التحليلي.

متجه يحتوي على طيف السماء المراد تضمينه في الملاءمة ، أو مجموعة أبعاد السماء [nPixels، nSky] التي تحتوي على أطياف السماء المختلفة لإضافتها إلى نموذج طيف المجرة المرصود. يجب إعادة تسليط الضوء على السماء مثل طيف المجرة ويجب أن يكون لها نفس عدد البكسل.

تُطرح السماء عمومًا من البيانات قبل ملاءمة pPXF. ومع ذلك ، بالنسبة للأرصاد التي يهيمن عليها طيف السماء بشدة ، حيث يكون طرح السماء الدقيق للغاية أمرًا بالغ الأهمية ، فقد يكون ذلك مفيدًا ليس لطرح السماء من الطيف ، ولكن لتضمينها في الملاءمة باستخدام هذه الكلمة الرئيسية.

عند استدعاء pPXF عدة مرات بمجموعة متطابقة من القوالب ، يمكن للمرء استخدام هذه الكلمة الأساسية لتمرير FFT الحقيقي للقوالب ، المحسوبة في مكالمة pPXF سابقة ، مخزنة في سمة pp.templates_rfft. توجد هذه الكلمة الرئيسية بشكل أساسي لإظهار عدم الحاجة إليها.

هام: استخدم هذه الكلمة الأساسية فقط إذا كنت تفهم ما تفعله!

قائمة بتعبيرات السلسلة. كل تعبير & quotties & & quot؛ المعلمة إلى معلمات أخرى مجانية أو ثابتة. يُسمح بأي تعبير يتضمن ثوابت ومصفوفة المعلمة p [j]. نظرًا لأنها مقيدة تمامًا ، تعتبر المعلمات المقيدة ثابتة ولا يتم حساب أي أخطاء لها.

هذه مصفوفة ، أو قائمة مصفوفات ، لها نفس أبعاد البداية. من الناحية العملية ، لكل عنصر من عناصر البداية ، يحتاج المرء إلى تحديد إما سلسلة فارغة '' مما يعني أن المعلمة مجانية ، أو تعبير سلسلة يتضمن بعض المتغيرات p [j] ، حيث يمثل الفهرس j فهرس القائمة المسطحة من المعلمات الحركية.

مثال: نريد أن نلائم ثلاثة مكونات حركية ، مع 4 لحظات للمكون الأول ولحظتين للثاني والثالث (على سبيل المثال ، النجوم ومكونان من الغاز). في هذه الحالة:

ثم يمكننا فرض قيود المساواة V2 = V3 على النحو التالي:

أو يمكننا فرض قيود المساواة sigma2 = sigma3 على النحو التالي:

ملاحظة: يمكن للمرء من حيث المبدأ استخدام الكلمة الأساسية المربوطة لربط LOSVD لمكونين حركيين تمامًا. ومع ذلك ، يتم تحقيق هذا التأثير نفسه من خلال تعيينهم لنفس المكون الحركي باستخدام الكلمة الأساسية المكونة.

قم بتعيين حساب المثلثات = صحيح لاستخدام المتسلسلات المثلثية كبديل لكثيرات الحدود Legendre ، لكل من متعددات الحدود المضافة والمضاعفة. عندما تكون المثلث = صحيح ، فإن السلسلة المجهزة أدناه تحتوي على N = درجة / 2 أو N = mdegree / 2:

هام: السلسلة المثلثية لها شروط حدية دورية. هذه خاصية مرغوبة في بعض الأحيان ، لكن هذا التوسع ليس مرنًا مثل كثيرات حدود Legendre.

السرعة المرجعية بالكيلومتر / ثانية (الافتراضي 0). يتم قياس تخمين الإدخال الأولي وسرعات الإخراج فيما يتعلق بهذه السرعة. تُستخدم هذه الكلمة الرئيسية بشكل عام لحساب الاختلاف في الطول الموجي الافتتاحي للقوالب وطيف المجرة على النحو التالي:

القيمة المخصصة لهذه الكلمة الأساسية هي مهم للتركيب على الوجهين. في هذه الحالة ، يمكن تحديد vsyst من التوافق العادي السابق من جانب واحد لملف سرعة المجرة. بعد هذا التوافق الأولي ، يمكن تعريف vsyst على أنه السرعة المقاسة في مركز المجرة. وبشكل أكثر دقة ، فإن القيمة vsyst هي القيمة التي يجب طرحها للحصول على ملف تعريف سرعة مضاد متماثل تقريبًا على الجانبين المتقابلين لنواة المجرة.

هام: هذه القيمة بشكل عام مختلف من السرعة النظامية التي يمكن للمرء الحصول عليها من الأدبيات. لا تحاول استخدام ذلك!

معلمات الإخراج

يتم تخزينها كسمات لفئة pPXF:

ناقلات مع أفضل تركيب كثير الحدود المضافة.

ناقل مع أفضل نموذج مناسب لطيف المجرة. هذه مجموعة خطية من القوالب ، ملتفة مع LOSVD الأنسب ، مضروبة في كثيرات الحدود المضاعفة ومع إضافة مصطلحات متصلة متعددة الحدود أو مكونات السماء لاحقًا.

إن chi ^ 2 المخفض (أي chi ^ 2 / DOF) للملاءمة (حيث DOF

هام: إذا لم يكن Chi ^ 2 / DOF كذلك

1 يعني أن الأخطاء لم يتم تقديرها بشكل صحيح ، أو أن النموذج سيئ وهو كذلك ليس آمن لتعيين الكلمة الأساسية النظيفة.

إذا لم يكن gas_component بلا ، فإن هذه السمة ترجع طيف الغاز الأنسب وحده. يمكن حساب الطيف النجمي وحده على أنه stellar_spectrum = pp.bestfit - pp.gas_bestfit

متجه مع التدفق المتكامل (في الأعداد) لجميع الأسطر التي تم تعيينها على أنها True في الكلمة الأساسية gas_component الإدخال. إذا كان الخط يتكون من مزدوج ، فإن التدفق هو كلا الخطين. إذا تم إدخال سلسلة Balmer كقالب واحد ، فهذا هو تدفق السلسلة بأكملها.

هام: لا يقدم pPXF أي افتراضات حول وحدات تدفق الإدخال: يحتوي .gas_flux المرتجع على نفس الوحدات التي يمكن الحصول عليها من خلال جمع قيم البكسلات الطيفية لانبعاث الغاز. هذا يعني أنه إذا كان الطيف بوحدات erg / (cm ^ 2 s A) ، فيجب مضاعفة قيمة pPXF بحجم البكسل في Angstrom عند طول موجة الخط للحصول على تدفق الخط المتكامل بوحدات erg / (cm ^ 2 ق).

ملحوظة: إذا لم يكن هناك احمرار بالغاز وتم تطبيع كل قوالب غاز إدخال لمجموع = 1 ، فإن pp.gas_flux = pp.weights [pp.gas_component].

عندما يكون قالب الغاز صفرًا بشكل مماثل داخل المنطقة المجهزة ، فعندئذٍ pp.gas_flux = pp.gas_flux_error = np.nan. يتم تعيين المكونات المقابلة لـ pp.gas_zero_template على True. يتم تعيين قيم np.nan هذه في نهاية الحساب للإشارة إلى القيم غير المعرفة. إنهم يفعلون ليس تشير إلى المشكلات العددية المتعلقة بحساب pPXF الفعلي ، ويمكن الاعتماد على بقية ناتج pPXF.

رسمي عدم اليقين (1 * سيجما) للكمية pp.gas_flux.

هذا الخطأ تقريبي لأنه يتجاهل التباين بين تدفق الغاز وأي معلمة غير خطية. يمكن استخدام Bootstrapping لأخطاء أكثر دقة.

هذه الأخطاء لا معنى لها ما لم Chi ^ 2 / DOF

1. ولكن إذا كان أحد يفترض أن الملاءمة جيدة ، والتقدير المصحح للأخطاء هو:

ناقلات مع منحنى احمرار الغاز الأنسب.

أفضل قيمة ملائمة E (B-V) إذا تم تعيين الكلمة الأساسية gas_reddening.

متجه بحجم gas_component.sum () مضبوط على True حيث كان قالب الغاز صفرًا بشكل مماثل داخل المنطقة المجهزة. بالنسبة لمكونات الغاز تلك ، pp.gas_flux = pp.gas_flux_error = np.nan.

متجه صحيح يحتوي على مؤشرات وحدات البكسل الجيدة في الملاءمة. هذا المتجه هو نسخة من وحدات البكسل الجيدة للإدخال إذا كانت نظيفة = خطأ وإلا فسيتم تحديثها عن طريق إزالة القيم المتطرفة المكتشفة.

يحتوي هذا المتغير على متجه رسمي عدم اليقين (1 * سيغما) للمعلمات المجهزة في متجه الإخراج sol. يمكن استخدام هذا الخيار عندما تكون السرعة ضرورية ، للحصول على تقدير لحجم الشكوك ، لكننا بقوة نوصي بتشغيل عمليات محاكاة bootstrapping للحصول على أخطاء أكثر موثوقية. في الواقع ، يمكن التقليل من أهمية هذه الأخطاء في المنطقة التي يكون فيها تأثير العقوبة أكثر أهمية (sigma & lt 2 * velscale).

هذه الأخطاء لا معنى لها ما لم Chi ^ 2 / DOF

1. ولكن إذا كان أحد يفترض أن الملاءمة جيدة ، والتقدير المصحح للأخطاء هو:

هام: عند تشغيل محاكاة مونت كارلو لتحديد الخطأ ، يجب ضبط العقوبة (التحيز) على صفر ، أو الأفضل على قيمة صغيرة جدًا. انظر القسم 3.4 من Cappellari & amp Emsellem (2004) للحصول على شرح.

يتم استبدال هذا إلى حد كبير بخاصية .apoly أعلاه.

عندما تحتوي الدرجة & gt = 0 على أوزان المادة الإضافية Legendre متعددة الحدود للرتبة 0 ، 1. درجة. يمكن تقييم كثير الحدود المضاف الأفضل بشكل صريح على النحو التالي:

عند حساب المثلثات = صحيح ، يتم تقييم كثير الحدود على النحو التالي:

عند إجراء تركيب على الوجهين (انظر تعليمات معلمة المجرة) ، يُسمح بأن تكون كثيرات الحدود المضافة مختلفة للطيف الأيمن والأيسر. في هذه الحالة ، تتناوب أوزان الخرج في كثيرات الحدود المضافة بين الطيف الأول (الأيسر) والطيف الثاني (الأيمن).

مصفوفة التنبؤ [nPixels، degree + nTemplates] للنظام الخطي.

تحتوي المصفوفة [nPixels،: degree] على كثيرات الحدود المضافة إذا كانت درجة & gt = 0.

تحتوي المصفوفة [nPixels، degree:] على القوالب التي تم تحويلها بواسطة LOSVD ، ومضروبة في كثيرات الحدود المضاعفة إذا كانت mdegree & gt 0.

تحتوي صفحات المصفوفة [nPixels، -nGas] على قوالب خط انبعاث الغازات إن وجدت. في الحالة الأخيرة ، يكون أفضل طيف لخط انبعاث الغازات هو:

أفضل منحنى متعدد الحدود المضاعف (أو منحنى احمرار عند تعيين الاحمرار).

يتم استبدال هذا إلى حد كبير بخاصية .mpoly أعلاه.

عندما mdegree & gt 0 يحتوي هذا في المخرجات على معاملات متعدد حدود Legendre المضاعف للرتبة 1 ، 2. mdegree. يمكن تقييم كثير الحدود بشكل صريح على النحو التالي:

عند حساب المثلثات = صحيح ، يتم تقييم كثير الحدود على النحو التالي:

أفضل قيمة ملائمة لـ E (B-V) إذا تم تعيين الكلمة الأساسية للتحمر.

المتجه الذي يحتوي في الخرج على معلمات الكينماتيكا.

  • إذا كانت اللحظات = 2 فهذا يحتوي على [Vel، Sigma]
  • إذا كانت اللحظات = 4 فهذا يحتوي على [Vel، Sigma، h3، h4]
  • إذا كانت اللحظات = N فهذا يحتوي على [Vel، Sigma، h3. حن]

عند تركيب مكون حركي متعدد ، يحتوي pp.sol على قائمة بالمحلول لجميع المكونات المختلفة ، واحدة تلو الأخرى ، مرتبة حسب المكون: pp.sol = [sol1 ، sol2. ].

السرعة هي السرعة ، سيجما هي تشتت السرعة ، h3 - h6 هي معاملات Gauss-Hermite. يتم تركيب معلمات النموذج في وقت واحد.

هام: العلاقة الدقيقة بين سرعة الإخراج pPXF والانزياح الأحمر هي Vel = c * np.log (1 + z). انظر القسم 2.3 من Cappellari (2017) للحصول على شرح مفصل.

هذه هي حدود الأمان الافتراضية على معلمات التركيب (يمكن تغييرها باستخدام الكلمة الأساسية الحدود):

  • تم تقييد فيل ليكون +/- 2000 كم / ثانية من تخمين الإدخال الأول
  • velscale / 100 & lt Sigma & lt 1000 كم / ثانية
  • -0.3 & lt [h3، h4،. ] & lt 0.3 (قيمة قصوى للمجرات الحقيقية)

في حالة ملاءمة LOSVD على الوجهين ، تشير قيم الخرج إلى طيف مجرة ​​الإدخال الأول ، في حين أن الطيف الثاني سيكون له معلمات حركية البناء [-Vel ، Sigma ، -h3 ، h4 ، -h5 ، h6]. إذا كانت vsyst غير صفرية (كما هو مطلوب للتركيب على الوجهين) ، يتم قياس سرعة الإخراج فيما يتعلق بـ vsyst.

يحتوي على حالة إخراج التحسين. تمثل القيم الإيجابية عمومًا النجاح (يتم تعريف الحالة كما في scipy.optimize.least_squares).

يتلقى قيمة الأوزان التي تم من خلالها ضرب كل قالب ليناسب طيف المجرة على أفضل وجه. يمكن حساب القالب الأمثل بضرب متجه المصفوفة:

لا تشتمل هذه الأوزان على أوزان متعددات الحدود المضافة والتي يتم تخزينها بشكل منفصل في pp.polyweights.

عند استخدام الكلمة الأساسية sky ، تحتوي الأوزان [: nTemplates] على أوزان القوالب ، بينما تعطي الأوزان [nTemplates:] الأوزان الخاصة بالسماء. في هذه الحالة ، يتم تقديم أفضل قالب وسماء مناسب للمجرة من خلال:

عند إجراء تركيب على الوجهين (انظر تعليمات معلمة galaxy) سويا باستخدام الكلمة الأساسية sky ، يُسمح بأن تكون أوزان sky مختلفة للطيف الأيمن والأيسر. في هذه الحالة ، تتناوب أوزان مخرجات السماء بين الطيف الأول (الأيسر) والطيف الثاني (الأيمن).

كيفية ضبط التنظيم

يمكن أن يعطي روتين pPXF نتائج سريعة معقولة باستخدام معلمة التحيز الافتراضي ، ومع ذلك ، كما هو الحال في أي طريقة معاقبة / مصفاة / منظمة ، فإن المقدار الأمثل للعقوبة يعتمد بشكل عام على المشكلة قيد الدراسة.

القاعدة العامة هنا هي أن العقوبة يجب أن تترك توزيع سرعة خط البصر (LOSVD) غير متأثر تقريبًا ، عندما يتم أخذ عينات منه جيدًا وتكون نسبة الإشارة إلى الضوضاء (S / N) عالية بما فيه الكفاية.

مثال: إذا كنت تتوقع LOSVD مع ارتفاع يصل إلى h4

0.2 والعقوبة التي اعتمدتها (التحيز) تحيز الحل نحو h4 أقل بكثير

0.1 ، حتى عندما يكون مقياس sigma & gt 3 * velscale المقاس و S / N مرتفعًا ، فأنت سوء الاستخدام طريقة pPXF!

الوصفة: فيما يلي وصفة عملية بسيطة لتحديد معقول للعقوبة في pPXF:

  1. اختر حدًا أدنى (S / N) _min لاستخراج الحركية وقم بتخزين بياناتك مكانيًا بحيث لا توجد أطياف أدناه (S / N) _min
  2. قم بعمل نوبة حركية بدون عقوبة (تحيز الكلمة الأساسية = 0). سيكون الحل صاخبًا وقد يتأثر بالحلول الزائفة ، ولكن هذه الخطوة ستسمح لك بالتحقق من النطاقات المتوسطة المتوقعة في معلمات Gauss-Hermite [h3، h4] للمجرة قيد الدراسة
  3. قم بإجراء محاكاة مونت كارلو لأطيافك ، على سبيل المثال إجراء ppxf_example_simulation.py المضمن. اعتماد S / N في المحاكاة القيمة المختارة (S / N) _min وكمدخل [h3 ، h4] القيم التمثيلية القصوى المقاسة في ملاءمة pPXF غير المعاقب عليها في الخطوة السابقة
  4. اختر كعقوبة (تحيز) أكبر قيمة مثل ، بالنسبة لـ sigma & gt 3 * velscale ، يكون متوسط ​​الفرق بين الناتج [h3 ، h4] والمدخلات [h3 ، h4] جيدًا داخل (مثل دلتا

هل تواجه مشاكل مع أول هاتف؟

تحدث المشكلات الشائعة في ملاءمة pPXF الأولى بسبب نطاقات الطول الموجي غير الصحيحة أو مقاييس السرعة المختلفة بين المجرة والقوالب. لاكتشاف هذه المشكلات بسرعة ، حاول تجاوز مجرة ​​(إعادة إنشاء السجل) والقالب قبل استدعاء إجراء pPXF.

يمكنك استخدام شيء مثل خطوط Python التالية أثناء ضبط نافذة التنعيم وتغيير البكسل. إذا لم تتمكن من الحصول على تطابق تقريبي بالعين ، فهذا يعني أن هناك خطأ ما ومن غير المرجح أن يجد pPXF (أو أي برنامج آخر) تطابقًا جيدًا:


5. مناقشة

تشير المسافة و RV والمعدنية والمدار إلى أن PW 1 ليس مرتبطًا بـ LA II فحسب ، بل إنه مرتبط أيضًا بـ MCs و MS. يسمح ارتباط PW 1 بـ LA II بإلقاء نظرة أكثر دقة على LA مما كان ممكنًا في السابق. لا يوفر PW 1 قياس المسافة إلى LA فحسب ، بل إنه يقيد أيضًا خصائصه الكيميائية والمدارية والديناميكية ، مثل كيفية تأثره بضغط الكبش من هالة MW الساخنة. في الوقت نفسه ، يشرح أيضًا ربط PW 1 بغاز LA بعض خصائصه ، كما هو موضح أدناه.

5.1 التشكل المكاني لـ PW 1

أحد ألغاز PW 1 هو شكله المكاني غير العادي وتوزيعه الممدود. ومع ذلك ، فإن الارتباط المكاني لغاز H i LA II ونجوم PW 1 يشير إلى تفسير طبيعي لذلك. لا تمثل نجوم PW 1 مجموعة واحدة قد تعطلت ، بل من المحتمل أن تكون نتيجة لأحداث متعددة لتشكيل النجوم مرتبطة بتكتلات H i عالية الكثافة في LA II. هذه سمة شائعة لوحظت في مجرات قنديل البحر التي تعاني من ضغط كبش في مجموعات المجرات. لذلك ، قد يكون من الأنسب أن نطلق على PW 1 تشكيل نجمي "معقد" أو رابطة بدلاً من عنقود نجمي بالمعنى التقليدي.

5.2 أصل لوس أنجلوس

متوسط ​​المعدن لـ PW 1 لـ ≈ 1.23 مشابه للمعدنية المقاسة لـ LA ([O / H] ≈ 1.16 Fox et al. 2018) ، جسر Magellanic (≈ − 1.0 Lehner et al. 2008) ، و MS اللاحقة (≈ ≈ 1.2 Fox et al. 2013a). هناك نطاق كبير في المعادن المقاسة لسحب MW H i عالية السرعة (Wakker 2001) ، وبالتالي ، فإن تشابه المعادن في هذه الأنظمة المتميزة يدعم فكرة أن كل من LA و MB و MS تشترك جميعها في الأصل. تتوافق هذه المعادن أيضًا مع فلزية SMC

2 جير قبل. لذلك ، من المحتمل أن تكون كل هياكل الغاز هذه المرتبطة بـ MCs نشأت بشكل أساسي من SMC من نفس حدث المد والجزر منذ حوالي 2 Gyr.

على الرغم من الخصائص المعدنية المتشابهة بين هياكل الغاز ، لا يزال أصل MS و LA موضع نقاش. ويرجع ذلك أساسًا إلى (1) أن بيانات المراقبة بعيدة عن الاكتمال - على سبيل المثال ، تقتصر قياسات المعادن على عدد صغير من خطوط الرؤية ، و (2) هناك بعض الميزات المرصودة التي لا يمكن تفسيرها بسهولة من خلال أصل SMC الوحيد (على سبيل المثال ، فوكس وآخرون 2013 ب). في واحدة من الدراسات النظرية الحديثة باردي وآخرون. جادل (2018) بأن كلا من LMC و SMC ساهم في إنشاء ميزات غاز LA و MS. ومع ذلك ، اقترح عمل آخر لمحاكاة MS حديثًا قام به Tepper-García & amp Bland-Hawthorn (2018) أن غاز LA لا ينشأ في MCs لأن ضغط الكبش من غاز الهالة الساخن MW سيمنع الغاز من الوصول إلى موقعه الحالي. إذا كانت PW 1 مرتبطة بالفعل بـ LA II ، كما نقترح هنا ، فهناك الآن دليل رصدي على أن تأثير ضغط الكبش مبالغ فيه في Tepper-García & amp Bland-Hawthorn (2018). المميز الرئيسي هو المفترض ρميغاواط في Tepper-García & amp Bland-Hawthorn (2018) مقابل ما نستنتج من السيناريو الخاص بنا لـ PW 1.

5.3 لا يوجد اضطراب غاز ناتال؟

شروط إطلاق تشكل النجوم في لوس أنجلوس ليست مفهومة جيدًا. استنادًا إلى حقيقة أن PW 1 هو المكون النجمي الوحيد المعروف حتى الآن والذي من المحتمل أن يكون مرتبطًا بـ LA II ، يجب أن يكون BC لـ PW 1 قد استوفى شروط تكوين النجوم الخاصة جدًا في لوس أنجلوس أثناء المرور عبر المستوى الأوسط المجري. بصرف النظر عن ظروف تكوين النجوم المجهولة لـ PW 1 ، هناك لغز آخر: كيف بقيت مورفولوجيا PW 1 BC سليمة في الغالب؟ يوضح تحليلنا في القسم 4.3 أن التوزيع المكاني الحالي لغاز الهيدروجين المصاحب يشبه التوزيع المكاني لنجوم PW 1 عبر

تتعطل سحابة الغاز التي تشكل عنقود نجمي فتي عندما يحدث أول SN. تعمل انفجارات SN بشكل فعال على تشويه الارتباطات المكانية الأصلية بين الغاز والنجوم عن طريق حقن الطاقة الإشعاعية والميكانيكية في غاز الولادة. تشير التوزيعات المكانية المماثلة للنجوم والغاز بعد التحول (- 1015 ، + 144) في أن PW 1 قبل الميلاد لم يخضع لعملية إزالة كبيرة للغاز و / أو تدمير الغاز على الإطلاق ، أو على الأقل ليس عند مستوى كبير. قد يكون هذا ممكنًا فقط في حالة عدم وجود ردود فعل نجمية في PW 1 قبل الميلاد.

تتمثل إحدى طرق تجنب تأثير ردود الفعل النجمية على سحابة الغاز في عدم وجود أحداث SN. لاختبار احتمال عدم حدوث SNe في PW 1 ، نحسب العدد المتوقع لانفجارات SN في مجموعات النجوم الشبيهة بـ PW 1. استنادًا إلى الكتلة والعمر والمعدنية الحالية لـ PW 1 ، تشير النماذج التطورية النجمية PARSEC إلى أن الكتلة الأولية لـ PW 1 هي

1800. ثم نحاكي عنقود نجمي 1800 مرة 20000 مرة بافتراض دالة كتلة أولية لـ Kroupa ونحصي عدد أحداث انفجار SN في كل مجموعة نجمية. إذا افترضنا أن جميع النجوم الأكبر من 8 تنفجر على شكل SNe II ، فإن كل المجموعات المحاكاة الشبيهة بـ PW 1 تنتج ما لا يقل عن 1 من انهيار النواة SN

3 Myr (عمر نموذجي لـ 8 نجوم) بعد ولادته. وبالتالي ، فإن هذا السيناريو غير مناسب لشرح النمط المكاني المماثل في الوقت الحاضر بين PW 1 و BC.

هناك طريقة أخرى لتجنب اضطراب الغاز من خلال ردود الفعل النجمية وهي الفصل المكاني للنجوم BC والنجوم المتكونة حديثًا قبل أول انفجار SN. أكثر من 3 Myr ، تمكن نجوم PW 1 من السفر

50 ليرة) بعيدًا عن BC بناءً على الحساب المداري في القسم 4.5. هذا الفصل المكاني بسبب ضغط الكبش قد يمنع PW 1 قبل الميلاد من التعطل بشكل كبير عن طريق التغذية المرتدة النجمية. إذا تم بالفعل فصل نجوم PW 1 والغاز قبل أول انفجار SN ، فإن افتراضنا حول عدم وجود تأثير لـ SN على الحركات النجمية (القسم 4.5) يمكن تبريره بشكل طبيعي.


إعادة الربط اللوغاريتمي والإزالة المستمرة للأطياف النجمية - علم الفلك

لن تحتاج الأطياف من نطاق الطول الموجي البصري الأزرق عادةً إلى إزالة خطوط تلوريك منها ، في حين أن الأطياف التي تغطي الأطوال الموجية الحمراء سوف تفعل ذلك. إذا كان بإمكانك تجنب استخدام المناطق التي تحتوي على خطوط تيلوريك ، فهذا هو الخيار الأفضل ، حيث لا يمكن إزالتها تمامًا.

سأخضع لمعايرة التدفق أولاً ، ثم أدمج هذا مع إزالة التيلوريك بعد ذلك.

أطياف معايرة التدفق

الحصول على جداول المعايرة

أولاً ، يجب أن تكون قد لاحظت نجمًا قياسيًا للتدفق الطيفي. يمكن العثور على المناقشات والأطياف المطلقة للعديد من معايير التدفق في Oke (1990 ، AJ ، 99 ، 1621) و Oke & amp Gunn (1983 ، ApJ ، 266 ، 713). يمكن الحصول على البيانات المجدولة للمعايير من عدة مصادر ، مثل ESO و ING. هذه متوفرة في نوعين مختلفين:

  • Oke: تتكون هذه القياسات من العديد من الأجزاء الصغيرة من الطيف التي لا تحتوي على خطوط طيفية ، لذلك تتميز بطول موجة مركزي وقياس وعرض نطاق (أي ثلاثة أعمدة في ملف البيانات).
  • Filippenko-Greenstein: هذه تستخدم الطيف الكامل لذا فهي أكثر ملاءمة للمعايير الباهتة ، ولكن يمكن أن تتأثر بالخطوط الطيفية التي قد تؤدي إلى أخطاء منهجية. النتائج المتاحة هي في الأساس مناسبة لاستمرارية النجم القياسي ، وهي قائمة بأطوال الموجات والقياسات (بدون عرض نطاق).

يميز مولي بينها بعدد الأعمدة في ملف البيانات: ثلاثة أعمدة تعني بيانات من نوع Oke وعمودان يعنيان Filippenko-Greenstein.

بمجرد اختيار نجمك والحصول على البيانات المجدولة ، ستحتاج إلى تعديل طفيف قبل الاستخدام. إذا تم إعطاء القياسات بوحدات التدفق المطلق (ميلي- Janskys) ، يجب عليك إضافة سطر في بداية ملف البيانات مع Fluxes = mJy. إذا كانت القياسات بمقادير AB ، فيجب عليك إضافة الخط Fluxes = AB.

معايرة معيار التدفق

ابدأ مولي واقرأ في أطيافك. اختر نجمة معايرة التدفق وأعطي أمر التدفق

يجب وضع [فتحة نجمة تيلوريك] على صفر في الوقت الحالي (سنتعامل مع هذا أدناه ، حيث إنه مهم للبيانات في الأحمر والأشعة تحت الحمراء).
يجب الآن تحديد وسيطات أخرى مختلفة:
ستكون هناك حاجة إلى [بكسل] لبيانات Fillipenko-Greenstein. القيمة الجيدة هي 20 بكسل ، ولكن يجب زيادتها إذا كانت البيانات ذات إشارة منخفضة للضوضاء.
[عدد الخطوط]: ابدأ بالرقم 5 (من المحتمل أن تضيف المزيد لاحقًا).
[عتبة الرفض الأدنى] و [عتبة الرفض العليا]: أعط قيمًا كبيرة لهذين (حوالي -20 و 20) لتجنب رفض البيانات في نهايات الأطياف حيث يكون التظليل مهمًا.
[عدد دورات الرفض]: 10 عادة جيدة.
[الملاءمة الخطية] عادةً ما تختار "y" ، ولكن اختر "n" لعمل ملاءمة لوغاريتمية إذا كانت بياناتك تحتوي على نطاق ديناميكي كبير جدًا.
[عامل الوزن]: اختر عادةً "0" بدون تغيير أو "1" لوحدة الترجيح.

اختر الآن رسم الملاءمة: سترى مخططًا لعدد الأعداد لكل بكسل في الطيف (الدوائر البيضاء) ، ومجموعة من الخطوط الرأسية الخضراء المتقطعة التي تشير إلى مكان وضع عقدة الشريحة المكعبة ، وخط أبيض مشيرا إلى شريحة تناسب الطيف. سيتم تباعد العقد بشكل موحد ، ومن المحتمل أن يكون الخط الناتج مناسبًا بشكل جيد جدًا حيث تتغير البيانات ببطء ولكنها تتناسب بشكل أقل إذا كانت البيانات تحتوي على موجات أو بنية أخرى.

ما لم يكن الملاءمة جيدًا بالفعل ، اختر تعديل عقدة الخيوط وإعادة تركيبها. يمكنك الآن إضافة عقدة خدد إضافية في النقاط التي تتسبب فيها الاختلافات في قيم البيانات في ضعف ملاءمة الشريحة الحالية ، وإزالة أي عقد إضافية غير ضرورية. لإضافة عقدة خدد ، حرك مؤشر الماوس إلى النقطة التي تريدها واضغط على A. لإزالة عقدة خدد ، أشر إليها بالماوس واضغط على R. يمكنك بالطبع تحريك العقدة عن طريق إزالة العقدة الحالية وإضافة عقدة جديدة في نقطة مختلفة. لن ترغب عادةً في تغيير عقدة الخطوط كثيرًا في كل تكرار ، أو ينتهي بك الأمر بأكثر من 10 إلى 12 عقدة. لا تقم بإضافة خطوط مباشرة في نهايات البيانات لأن هذا قد يتسبب في فشل الملاءمة. بمجرد ضبط مواضع العقدة ، اضغط على Q لرؤية الملاءمة الجديدة. يمكنك الاستمرار في القيام بذلك حتى تحصل على شريحة مناسبة بشكل جيد.

معايرة التدفق ليست دقيقة للغاية ، وقد يكون من الصعب تحقيق التوافق الجيد. حتى التوافق الجيد يمكن أن يكون صعبًا أو مستحيلًا في المناطق التي يوجد بها العديد من الخطوط الطيفية (مثل قفزة Balmer حوالي 4000 و Aring). يجب أن تدرك أن هذه العملية ليست موثوقة بشكل خاص.

إذا تسببت بعض الخطوط القوية في حدوث مشكلات كبيرة في الملاءمة ، فحاول إخفاءها (باستخدام أمر القناع) من الطيف قبل معايرة التدفق.

بمجرد أن يكون لديك توافق جيد ، أدخل "n" لإيقاف التكرار. يمكنك الآن فحص النتيجة عن طريق رسم الطيف باستخدام الأعداد الأولى ثم ميلي جانسكيس ككمية المحور ص. إذا كان الطيف الخاص بك في الفتحة 101 ، فاكتب

عدة مرات. تذكر أنه يمكنك وميض المخططات بسهولة باستخدام مفتاح السهم لأعلى لاستدعاء الأوامر السابقة (مثل سهم لأعلى ، سهم لأعلى ، أدخل لكل إعادة). إذا كانت النتيجة جيدة ، فلديك الآن معايرة تدفق يمكن تطبيقها على أطيافك الأخرى.

معايرة الأطياف المستهدفة

الآن لديك معايرة التدفق ، يمكنك تطبيقها على أطياف العلوم الخاصة بك باستخدام الأمر fcal:

نظرًا لأنك لم تصنع نجمة تصحيح تلوريك بعد ، ضع 0 في [telluric_cal_slot]. في المطالبات المتبقية ، ضع 0.5 لـ [معامل الانقراض الرمادي] (هذا ليس مهمًا بشكل طبيعي) و 1.0 لـ [عامل رايلي] (يمكنك اختيار قيم أخرى إذا كنت تعرف ما تفعله). سيتم بعد ذلك تطبيق معايرة التدفق على الأطياف المستهدفة.

معايرة التدفق المشترك وإزالة خط التيلوريك

بالنسبة لأطياف الطول الموجي الأحمر ، قد يكون من المهم جدًا إزالة خطوط التيلوريك. في molly يتم إعداد أوامر التدفق و fcal للقيام بهذين الأمرين في نفس الوقت ، ومن الممكن أيضًا استخدام نفس طيف المعايرة كمعيار تدفق ومعيار تيلوري ("نجم الماء" في المصطلحات المولية) .

إنشاء طيف خطي تلوري

قم أولاً بملاءمة وظيفة مع طيف التدفق القياسي الخاص بك وقسمها على الملاءمة بحيث يكون مستواها المتصل حول 1.0. عادةً ما يكون التركيب متعدد الحدود هو الأفضل ، باستخدام الأمر pfit. حدد الفتحة المستهدفة ، وفتحة ملائمة الإخراج ، واستخدم ترتيب متعدد الحدود من 3 إلى حوالي 7 (اعتمادًا على شكل الطيف) وقم بتطبيق قناع. بافتراض أن الطيف الخاص بك في الفتحة 101 وسيتم وضع الملاءمة في الفتحة 102 ، فإن الأمر هو:

عندما تظهر قائمة القناع ، ارسم طيفك وقم بإخفاء جميع مناطق الخطوط الطيفية النجمية والتلورية. قم بإنهاء قائمة القناع وسيتم احتساب الملاءمة. ارسم الطيف وملاءمته بألوان مختلفة للتأكد من الملاءمة:

إذا كان الملاءمة جيدًا ، فقم بتصحيح الطيف إلى السلسلة المتصلة بالقسمة على الملاءمة:

نريد الآن ضبط معظم مناطق الطيف المعدل على 1.0 بالضبط لتجنب إدخال الضوضاء فيه إلى الأطياف المستهدفة لاحقًا. يجب أيضًا تعيين المناطق ذات السمات الطيفية النجمية على 1.0 ولكن يجب ألا يتم تعيين المناطق التليورية. استخدم الأمر cset:

عندما تظهر قائمة القناع ، ارسم الفتحة 103 ثم اكتب m للقناع. اختر القيام بذلك باستخدام المؤشر ، ثم قم بإخفاء المناطق التي لا تحتوي على ميزات تيلوريك ذات دلالة. قم بإنهاء قائمة القناع ثم قم برسم النتيجة للتحقق من أن كل شيء باستثناء ميزات التيلوريك قد تم ضبطه على 1.0. من الجيد أيضًا تحديد قيم الطيف بين 0.0 و 1.0 لجعلها أكثر سلاسة. للقيام بذلك ، استخدم الأمر limit:

ورسم القناع خارج الطيف بأكمله. ارسم النتيجة - يجب أن تكون مشابهة جدًا للسابق ولكن لم تعد أي طفرات ضوضاء تظهر أعلى من 1.0 أو أقل من 0.0. لديك الآن طيف تلوري.

معايرة التدفق القياسي وإزالة التيلوريك

الآن نستخدم أمر flux مع طيف تلوري:

يبدو أن أفضل قيمة لأس الماء هي 0.6. ل fudge watermass؟ ، "نعم" تعني أنها ستحاول ملاءمة الطيف التليري مباشرة مع الطيف النجمي للعثور على أفضل ملاءمة ، وتعني "لا" أنها ستحسب القوة التوضيحية وفقًا للكتلة الهوائية لطيف التدفق ، فمن المحتمل أن تكون جيدة فكرة لتجربة كليهما. إذا قمت بالتلاعب بالكتلة المائية ، فستقوم المرشحات بإزالة التباين الكبير والصغير الحجم ومن الأفضل قبول القيم الافتراضية 31 و 3. ستحتاج بعد ذلك إلى استخدام قائمة القناع للإشارة إلى منطقة صغيرة من الطيف حيث تكون خطوط التيلوريك هي الأقوى ، والتي تجد بها أفضل قوة مناسبة للتلوريات. إذا كنت لا تتلاعب بالكتلة المائية ، فعليك قبول القيمة الافتراضية 1.0 لنسبة الكتلة الهوائية إلى الكتلة المائية.

الآن قم بملاءمة الاستمرارية مع شريحة كما كان من قبل للحصول على معايرة التدفق.

أطياف الهدف لمعايرة التدفق والتلوريك

نستخدم الأمر fcal كما كان من قبل ، ولكن لدينا الآن أيضًا طيفًا تلوريًا:

أعط قيمة 0.6 لأس القياس التيلوري. لإعادة الصقل (اللازمة لعمل مقاييس الطول الموجي لمطابقة التيلوريك والأطياف الأخرى) ، فإن الخيارات المعتادة هي q (سريع) أو s (أبطأ ولكن أفضل). ثم اختر "y" أو "n" للتلاعب بالأطياف (إذا اخترت "y" ، فسيتم إخراج أفضل قيم كتلة هوائية مقارنة بالقيم الفعلية) واتبع الخطوات الإضافية الناتجة عن ذلك كما في الفقرة أعلاه. بمجرد حدوث معايرة التدفق ، ستجد أن أطياف الهدف تمت معايرتها وتم إزالة خطوطها التيلورية (تقريبًا).


النجوم المعيارية

لعب Aldebaran و Arcturus و Pollux و Procyon و Alpha Centauri دورًا في ثقافة وأساطير البشرية منذ أن تم التعرف عليها واستخدامها للتنقل على الأرض. استخدمها علماء الفلك كنقطة مرجعية لوصف مواقع القمر والكواكب أثناء تحركها في سماء الليل ، وظهرت في اليوميات الفلكية البابلية التي يعود تاريخها إلى ما يقرب من 1000 عام قبل الميلاد. الآن تلعب هذه النجوم نفسها مرة أخرى دورًا مهمًا كنجوم مرجعيون. جنبا إلى جنب مع ثلاثين نجمًا آخر ، يتم استخدامها لتصنيف ملايين النجوم التي تمت ملاحظتها من خلال الاستطلاعات النجمية الحالية والمستقبلية. إنها مرة أخرى نقاط مرجعية ، ولكن هذه المرة لاستكشاف التطور الكيميائي لمجرتنا درب التبانة.

لقد أنشأنا عينة من النجوم المعيارية تغطي مجموعة من الأنواع الطيفية F و G و K بمعدن مختلف ، وهي تمثل جزءًا كبيرًا من المجموعات النجمية في مجرتنا. النجوم من هذه الأنواع الطيفية هي الأكثر عددًا في المجرة - فهي تشكل أكثر من 80٪ من جميع النجوم أكثر سطوعًا من 20 درجة وفقًا لتقديرات نماذج المجرة القياسية. يتم اختيار النجوم المعيارية للحصول على أكبر قدر ممكن من المعلومات المتاحة لتحديد درجة الحرارة الفعالة والجاذبية السطحية بشكل مستقل عن التحليل الطيفي. باستخدام الأقطار الزاويّة المُقاسة ، والتدفق البوليومتري ومناظر المنظر ، والكتل المقدرة من نماذج التطور النجمي ، أو الديناميات المدارية ، أو علم الأستيروز ، يتم تحديد درجة الحرارة الفعالة من علاقة Stefan & ndashBoltzmann (يتناسب لمعان سطح النجم مع مربع نصف القطر و القوة الرابعة لدرجة حرارة السطح) ، وجاذبية السطح من قانون نيوتن للجاذبية. قمنا أيضًا بجمع أطياف عالية الدقة ذات جودة عالية لبناء مكتبة طيفية. تستخدم هذه لتحديد المحتوى المعدني والوفرة الفردية لأكثر من 20 عنصرًا كيميائيًا. من أجل هذا التحليل ، يتم استخدام عدة طرق وجمعها.

درجة الحرارة الفعالة والجاذبية السطحية من العلاقات الأساسية لـ 34 Gaia FGK Benchmark Stars. تتوافق محاور الأشكال البيضاوية مع أوجه عدم اليقين. يشير اللون إلى محتوى المعدن بالنسبة للشمس على مقياس لوغاريتمي بناءً على وفرة الحديد المقاسة من أطياف عالية الدقة. ائتمان الأطياف الملونة لـ Procyon و Sun و Arcturus: NA Sharp و NOAO / AURA / NSF.

تعمل بارامترات الغلاف الجوي كمرجع للاختبار والمواءمة بين المسوحات النجمية الأرضية والفضائية الكبيرة ، مثل مهمة وكالة الفضاء الأوروبية. جايا، الاوربيون المسح الطيفي العام Gaia-ESO، أو برنامج المراقبة الأسترالية الكبيرة غلا (علم الآثار المجري مع هيرمس) وندش انظر أيضًا درب التبانة. بمساعدة المكتبة الطيفية جنبًا إلى جنب مع الأدوات التكميلية لتكييف الأطياف مع خصائص المسوحات المختلفة ، سيكون من الممكن إنشاء رابط بين هذه المشاريع الكبيرة. يتم هذا العمل بالتعاون مع عدة مجموعات بحثية أخرى ، ولا سيما في سانتياغو (تشيلي) وبوردو (فرنسا).

يتم تمديد العينة الأولية للنجوم المعيارية لملء مساحة المعلمة بمزيد من النجوم. نشارك في العديد من برامج المراقبة باستخدام مقاييس التداخل الضوئية / بالأشعة تحت الحمراء الكبيرة لقياس الأقطار النجمية (مقياس التداخل التلسكوب الكبير جدًا ESO على Cerro Paranal في تشيلي ، و CHARA Array على جبل ويلسون في كاليفورنيا).


المحاضرة 7 - التصنيف النجمي (2/2/99)

إعادة الانبعاث المستمر وإشعاع الجسم الأسود

الفئات النجمية هي في الأساس فئات درجة حرارة. تتوافق الألوان مع درجات الحرارة من خلال علاقة الجسم الأسود. تشع مادة معتمة عند درجة حرارة T (بالكلفن) طيفًا مستمرًا من الضوء ناتجًا عن حركة وتصادم الذرات (وإلكتروناتها)

يتناسب الطول الموجي الذروة لإشعاع الجسم الأسود عكسيًا مع درجة الحرارة ، وتتناسب القدرة الإجمالية المشعة لكل متر مربع من السطح مع الرابع قوة درجة الحرارة:

مخطط الموارد البشرية: العلاقات بين الكتلة والإضاءة وأنصاف الأقطار

مخطط Hertzsprung-Russell (HR) هو "الأداة" الأساسية لفهم الفيزياء الفلكية النجمية. الكميات الأساسية المرسومة هي log L مقابل -log T. تتضمن متغيرات مخطط الموارد البشرية مخطط حجم اللون الذي يرسم الحجم المرئي المطلق M_V مقابل اللون B-V. فيما يلي مثال على مخطط الموارد البشرية:

بالنظر إلى اللمعان ودرجة الحرارة ، اللذان يحددان موقع النجم في مخطط الموارد البشرية ، يجب أن ننظر بعد ذلك إلى نصف القطر والكتلة. أولاً ، يمكننا اشتقاق علاقة نصف القطر باستخدام علاقة ستيفان بولتزمان وتدفق السطح:

وهكذا ، فإن خطوط نصف القطر الثابت تتبع ميل التسلسل الرئيسي تقريبًا. النجوم فوق وإلى اليمين أكبر (عمالقة وعملاقون) والنجوم أدناه وإلى اليسار أصغر (أقزام). على سبيل المثال ، يمكننا تطبيق هذا على النجم القياسي الساطع Vega:

تزداد كتلة النجم تقريبًا مع زيادة اللمعان مع تقدمك في التسلسل الرئيسي. ومع ذلك ، فإن كتل النجوم غير الموجودة في التسلسل الرئيسي تمثل مشكلة. سنتركها حتى نفهم بشكل أفضل البنية النجمية والتطور. توجد علاقة تقريبية بين قانون القوة للنجوم في التسلسل الرئيسي:

هذا ينطبق على النجوم الأكبر حجمًا من حوالي 0.4 مسون.

الذرة

بنية الذرة - النواة و "سحابة" الإلكترون للهيدروجين والهيليوم:

نموذج بوهر للذرة - الإلكترونات على أنها تدور حول "كواكب" في "نظام شمسي" ذري:


شاهد الفيديو: Derivatives. Chain Rule قاعدة السلسلة. Part 1 (شهر فبراير 2023).