COSMOS场中星系恒星形成的演化研究

基于COSMOS(Cosmic Evolution Survey)/Ultra VISTA(Ultra-deep Visible and Infrared Survey Telescope for Astronomy)场中多波段测光数据,利用质量限选取了红移分布在0z3.5的星系样本.通过UVJ(U-V和V-J)双色图分类判据将星系分类成恒星形成星系(SFGs)和宁静星系(QGs).对于红移分布在0z1.5范围内且M*1011M⊙的QGs来说,该星系在样本中所占比例高于70%.在红移0z3.5范围内,恒星形成星系的恒星形成率(SFR)与恒星质量(M*)之间有着很强的主序(MS)关系.对于某一固定的恒星质量M*来说,星系的SFR和比恒星形成率(s SFR)会随着红移增大而增大,这表明在高红移处恒星形成星系更加活跃,有激烈的恒星形成.相对于低质量的星系来说,高质量的SFGs有较低的s SFR,这意味着低质量星系的增长更多的是通过星系本身的恒星形成.通过结合来自文献中数据点信息,发现更高红移(2z8)星系的s SFR随红移的演化趋势变弱,其演化关系是s SFR∝(1+z)0.94±0.17.     

主并合星系对SFR的增幅与其他参数关系的研究

主并合星系对是研究星系同时受到本身与外部环境影响的绝佳实验对象,而星系恒星形成率的变化可以示踪这些影响产生的作用.星系的恒星质量、星系对之间的投影距离与相对倾角都是影响恒星形成率的几个重要因素.研究结果表明,更大恒星质量星系倾向于有更大的恒星形成率增幅,相对倾角接近平行的星系同样趋于有更大的恒星形成率增幅,而投影距离在研究范围内与恒星形成率没有相关性.     

基于Stacking集成学习的恒星/星系分类研究

机器学习在当今诸多领域已经取得了巨大的成功,但是机器学习的预测效果往往依赖于具体问题.集成学习通过综合多个基分类器来预测结果,因此,其适应各种场景的能力较强,分类准确率较高.基于斯隆数字巡天(Sloan Digital Sky Survey,SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题,提出一种基于Stacking集成学习的恒星/星系分类算法.从SDSS-DR7(SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集.仅针对分类较为复杂且困难的最暗源星等集展开分类研究.首先,对最暗源星等集使用10折嵌套交叉验证,然后使用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、XGBoost(eXtreme Gradient Boosting)等算法建立基分类器模型;使用梯度提升树(Gradient Boosting Decision Tree,GBDT)作为元分类器模型.最后,使用基于星系的分类正确率等指标,与功能树(Function Tree,FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders,SDAE)、深度置信网络(Deep Belief Network,DBN)、深度感知决策树(Deep Perception Decision Tree,DPDT)等模型进行分类结果对比分析.实验结果表明,Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%.同其他传统的机器学习算法、较强的提升算法、深度学习算法相比,Stacking集成学习模型也有较大的提升.     

基于卷积神经网络的恒星光谱型和光度型的分类模型

恒星光谱分类是天文学中一个重要的研究问题.对于已经采集到的海量高维恒星光谱数据的分类,采用模式匹配方法对光谱型分类较为成功,但其缺点在于标准恒星模版之间的差异性在匹配实际观测数据中不能体现出来,尤其是当需要进行光谱型和光度型的二元分类时模版匹配法往往会失败.而采用谱线特征测量的光度型分类强烈地依赖谱线拟合的准确性.为了解决二元分类的问题,介绍了一种基于卷积神经网络的恒星光谱型和光度型分类模型(Classification model of Stellar Spectral type and Luminosity type based on Convolution Neural Network, CSSL CNN).这一模型使用卷积神经网络来提取光谱的特征,通过注意力模块学习到了重要的光谱特征,借助池化操作降低了光谱的维度并压缩了模型参数的数量,使用全连接层来学习特征并对恒星光谱进行分类.实验中使用了大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopy Telescope, LAMOST)公开数据集Data Release 5 (DR5,用了其中71282条恒星光谱数据,每条光谱包含了3000多维的特征)对该模型的性能进行验证与评估.实验结果表明,基于卷积神经网络的模型在恒星的光谱型分类上准确率达到92.04%,而基于深度神经网络的模型(Celestial bodies Spectral Classification Model, CSC Model)只有87.54%的准确率; CSSL CNN在恒星的光谱型和光度型二元分类上准确率达到83.91%,而模式匹配方法MKCLASS仅有38.38%的准确率且效率较低.     

基于Stacking集成学习的恒星/星系分类研究附视频

机器学习在当今诸多领域已经取得了巨大的成功,但是机器学习的预测效果往往依赖于具体问题.集成学习通过综合多个基分类器来预测结果,因此,其适应各种场景的能力较强,分类准确率较高.基于斯隆数字巡天(Sloan Digital Sky Survey, SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题,提出一种基于Stacking集成学习的恒星/星系分类算法.从SDSS-DR7 (SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集.仅针对分类较为复杂且困难的最暗源星等集展开分类研究.首先,对最暗源星等集使用10折嵌套交叉验证,然后使用支持向量机(Support Vector Machine, SVM)、随机森林(Random Forest,RF)、XGBoost (eXtreme Gradient Boosting)等算法建立基分类器模型;使用梯度提升树(Gradient Boosting Decision Tree, GBDT)作为元分类器模型.最后,使用基于星系的分类正确率等指标,与功能树(Function Tree, FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders, SDAE)、深度置信网络(Deep Belief Network, DBN)、深度感知决策树(Deep Perception Decision Tree, DPDT)等模型进行分类结果对比分析.实验结果表明, Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%.同其他传统的机器学习算法、较强的提升算法、深度学习算法相比, Stacking集成学习模型也有较大的提升.     

星系中恒星形成率指针的比较研究

利用赫歇尔空间望远镜的H-ATLAS(Herschel Astrophysical Terahertz Large Area Survey)SDP(Science Demonstration Phase)天区从紫外到亚毫米波段数据,结合星族合成方法和尘埃模型,计算了星系的红外总光度.在此基础上,分别针对强恒星形成星系和弱恒星形成星系,研究了利用紫外光度、红外光度和Hα谱线计算得到的恒星形成率(Star Formation Rate,SFR)的差异以及导致差异的内在物理起因.发现对于恒星形成活动强的星系,这3种恒星形成率指针给出的结果基本一致,弥散较小、只是在高恒星形成率端,利用紫外光度算得的恒星形成率比利用Hα谱线流量算得的恒星形成率略微偏小;而在低恒星形成率端,紫外光度指针偏大于Hα谱线指针;红外光度指针与Hα谱线指针在两端无明显偏差.对弱恒星形成星系,紫外光度、Hα谱线和红外光度3种恒星形成率指针存在明显的差异,且弥散较大.利用紫外光度和Hα谱线计算得到的恒星形成率的弥散和系统偏差随着星系年龄、质量的增加而增大.系统偏差增大的主要原因是利用紫外连续谱斜率β定标恒星形成活动较弱星系的消光时,高估了这些星系的紫外消光,使得消光改正后的紫外光度偏大.另外,MPA/JHU(Max Planck Institute for Astrophysics/Johns Hopkins University)数据库中弱恒星形成星系的恒星形成率SFR(Hα)比真实值偏低.     

同等质量下盘状星系的颜色-尺度关系

挑选Sloan数字巡天第7次释放数据(SDSS DR7)的主星系样本中近邻的、面向的盘状星系作为星系样本,统计研究了在恒星总质量相等的情况下盘状星系的颜色和尺度之间的相关性,并对相关性的真实性进行了检验.发现对于同等质量的盘状星系,u-r颜色与尺度相关性很弱,而g-r、r-i、r-z颜色与尺度负相关,即星系的尺度越大,颜色越蓝.该结果意味着盘状星系的质量分布对其恒星形成历史影响很大,物质分布越延展的星系,其演化越慢.     

星系-星系透镜效应下星系大小与晕质量的相关性

星系-星系透镜技术可用于研究星系大小与晕质量的相关性. 按照星系大小、恒星质量和颜色将来自斯隆数字巡天第7次发布的数据(SDSS DR7)中的星系群样本的星系样本分为不同的子样本. 通过对每个星系子样本的面密度超出进行建模以获得其晕质量. 没有在红/蓝星系大小与晕质量之间观察到强相关性. 红/蓝星系大小与晕质量关系的拟合斜率分别为$-0.0023^{+0.0002     

早型星系的恒星形成活动演化研究

从观测上测定早型星系中恒星形成活动随红移的演化有助于理解这类星系的形成演化.结合GEMS（Galaxy Evolution from Morphology and SEDs）巡天的HST/ACS（Hubble Space Telescope/Advanced Camera for Surveys）高分辨图像和CDFS（ChandraDeep Field South）天区Spitzer、GALEX（Galaxy Evolution Explorer）等多波段数据,基于形态、颜色和恒星质量选出一个0.2≤z≤1.0红移范围的包含456个早型星系的完备样本.利用stacking技术测量了样本星系紫外与红外平均光度,估计早型星系的恒星形成率.结果显示,早型星系中的恒星形成率较低(<3 M_⊙·yr^-1),随红移递减而降低.在红移z=1以来的恒星形成贡献的质量小于15%.星族分析亦肯定大质量早型星系的主体星族形成于宇宙早期（z>2）.     

Recovering galaxy star formation and metallicity histories from spectra using VESPA

We introduce versatile spectral analysis (VESPA): a new method which aims to recover robust star formation and metallicity histories from galactic spectra. VESPA uses the full spectral range to construct a galaxy history from synthetic models. We investigate the use of an adaptative parametrization grid to recover reliable star formation histories on a galaxy-by-galaxy basis. Our goal is robustness as opposed to high-resolution histories, and the method is designed to return high time resolution only where the data demand it. In this paper we detail the method and we present our findings when we apply VESPA to synthetic and real Sloan Digital Sky Survey (SDSS) spectroscopic data. We show that the number of parameters that can be recovered from a spectrum depends strongly on the signal-to-noise ratio, wavelength coverage and presence or absence of a young population. For a typical SDSS sample of galaxies, we can normally recover between two and five stellar populations. We find very good agreement between VESPA and our previous analysis of the SDSS sample with MOPED.     

Recovering physical parameters from galaxy spectra using MOPED

We derive physical parameters of galaxies from their observed spectra using MOPED, the optimized data compression algorithm of Heavens, Jimenez & Lahav. Here we concentrate on parametrizing galaxy properties, and apply the method to the NGC galaxies in Kennicutt's spectral atlas. We focus on deriving the star formation history, metallicity and dust content of galaxies. The method is very fast, taking a few seconds of CPU time to estimate ∼17 parameters, and is therefore specially suited to studying large data sets, such as the Anglo-Australian two-degree-field (2dF) galaxy survey and the Sloan Digital Sky Survey (SDSS). Without the power of MOPED, the recovery of star formation histories in these surveys would be impractical. In Kennicutt's atlas, we find that for the spheroidals a small recent burst of star formation is required to provide the best fit to the spectrum. There is clearly a need for theoretical stellar atmospheric models with spectral resolution better than 1 Å if we are to extract all the rich information that large redshift surveys contain in their galaxy spectra.     

Accurate parameter estimation for star formation history in galaxies using SDSS spectra

To further our knowledge of the complex physical process of galaxy formation, it is essential that we characterize the formation and evolution of large data bases of galaxies. The spectral synthesis starlight code of Cid Fernandes et al. was designed for this purpose. Results of starlight are highly dependent on the choice of input basis of simple stellar population (SSP) spectra. Speed of the code, which uses random walks through the parameter space, scales as the square of the number of the basis spectra, making it computationally necessary to choose a small number of SSPs that are coarsely sampled in age and metallicity. In this paper, we develop methods based on a diffusion map that, for the first time, choose appropriate bases of prototype SSP spectra from a large set of SSP spectra designed to approximate the continuous grid of age and metallicity of SSPs of which galaxies are truly composed. We show that our techniques achieve better accuracy of physical parameter estimation for simulated galaxies. Specifically, we show that our methods significantly decrease the age–metallicity degeneracy that is common in galaxy population synthesis methods. We analyse a sample of 3046 galaxies in Sloan Digital Sky Survey Data Release 6 and compare the parameter estimates obtained from different basis choices.