Pushing automated morphological classifications to their limits with the Dark Energy Survey

Vega-Ferrero, J.; Domínguez Sánchez, H.; Bernardi, M.; Huertas-Company, M.; Morgan, R.; Margalef, B.; Aguena, M.; Allam, S.; Annis, J.; Avila, S.; Bacon, D.; Bertin, E.; Brooks, D.; Carnero Rosell, A.; Carrasco Kind, M.; Carretero, J.; Choi, A.; Conselice, C.; Costanzi, M.; da Costa, L. N.; Pereira, M. E. S.; De Vicente, J.; Desai, S.; Ferrero, I.; Fosalba, P.; Frieman, J.; García-Bellido, J.; Gruen, D.; Gruendl, R. A.; Gschwend, J.; Gutierrez, G.; Hartley, W. G.; Hinton, S. R.; Hollowood, D. L.; Honscheid, K.; Hoyle, B.; Jarvis, M.; Kim, A. G.; Kuehn, K.; Kuropatkin, N.; Lima, M.; Maia, M. A. G.; Menanteau, F.; Miquel, R.; Ogando, R. L. C.; Palmese, A.; Paz-Chinchón, F.; Plazas, A. A.; Romer, A. K.; Sanchez, E.; Scarpine, V.; Schubnell, M.; Serrano, S.; Sevilla-Noarbe, I.; Smith, M.; Suchyta, E.; Swanson, M. E. C.; Tarle, G.; Tarsitano, F.; To, C.; Tucker, D. L.; Varga, T. N.; Wilkinson, R. D.
Referencia bibliográfica

Monthly Notices of the Royal Astronomical Society

Fecha de publicación:
9
2021
Descripción
We present morphological classifications of ~27 million galaxies from the Dark Energy Survey (DES) Data Release 1 (DR1) using a supervised deep learning algorithm. The classification scheme separates: (a) early-type galaxies (ETGs) from late-type galaxies (LTGs); and (b) face-on galaxies from edge-on. Our convolutional neural networks (CNNs) are trained on a small subset of DES objects with previously known classifications. These typically have mr ≲ 17.7 mag; we model fainter objects to mr < 21.5 mag by simulating what the brighter objects with well-determined classifications would look like if they were at higher redshifts. The CNNs reach 97 per cent accuracy to mr < 21.5 on their training sets, suggesting that they are able to recover features more accurately than the human eye. We then used the trained CNNs to classify the vast majority of the other DES images. The final catalogue comprises five independent CNN predictions for each classification scheme, helping to determine if the CNN predictions are robust or not. We obtain secure classifications for ~87 per cent and 73 per cent of the catalogue for the ETG versus LTG and edge-on versus face-on models, respectively. Combining the two classifications (a) and (b) helps to increase the purity of the ETG sample and to identify edge-on lenticular galaxies (as ETGs with high ellipticity). Where a comparison is possible, our classifications correlate very well with Sérsic index (n), ellipticity (ϵ), and spectral type, even for the fainter galaxies. This is the largest multiband catalogue of automated galaxy morphologies to date.
Proyectos relacionados
Miembros del grupo
Huellas de la Formación de las Galaxias: Poblaciones estelares, Dinámica y Morfología

Bienvenida a la página web del grupo de investigación Traces of Galaxy Formation. Somos un grupo de investigación amplio, diverso y muy activo cuyo objetivo principal es entender la formación de galaxias en el Universo de una manera lo más completa posible. Con el estudio detellado de las poblaciones estelares como bandera, estamos constantemente

Ignacio
Martín Navarro
Proto-cúmulo de galaxias
Gas Molecular y Polvo en Galacias através del Tiempo Cósmico

Dos cuestiones fundamentales en la Astrofísica son la conversión de gas molecuar en estrellas y cómo este proceso físico depende del entorno en todas las escalas, desde sistemas planetarios, cúmulos estelares, galaxias hasta cúmulos de galaxias. El objectivo principal de este proyecto es el de estudiar la formación y evolución de galaxias a partir

Helmut
Dannerbauer