Zur Seitenansicht
 

Titelaufnahme

Titel
Quantifying galaxy structure / author: Sreevarsha Sreejith
VerfasserSreejith, Sreevarsha
Betreuer / BetreuerinnenMarleau, Francine ; Haltmeier, Markus
ErschienenInnsbruck, August 7, 2018
Umfangxxi, 139 Seiten : Illustrationen, Diagramme
HochschulschriftUniversität Innsbruck, Dissertation, 2018
Datum der AbgabeAugust 2018
SpracheEnglisch
DokumenttypDissertation
Schlagwörter (DE)Galaxien / Galaxienmorphologien / Bildanalyse / Merger-Resten / Feldzwerggalaxien
Schlagwörter (EN)Galaxies / Galaxy morphology / image analysis / merger remnants / dwarf galaxies
URNurn:nbn:at:at-ubi:1-26878 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Quantifying galaxy structure [4.36 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Die vorliegende Arbeit beschäftigt sich mit der Erforschung und Quantifizierung von Galaxienmorphologien. Weiters handelt es sich um eine Studie, welche die Entstehung und Evolution von Galaxien als Funktion der Galaxienmorphologie untersucht. Im Hauptprojekt dieser Arbeit wird die Morphologie von Galaxien mit maschinellen Lerntechniken analysiert. Die folgenden Teilprojekte konzentrieren sich auf die astronomische Bildanalyse, die Quantifizierung von Merger-Resten, die Signaturen eines hierarchischen Strukturbildungsszenarios sind. Der letzte Punkt führt im Weiteren zur Untersuchung des CDM-Modells durch die Erforschung der Umgebung von Feldzwerggalaxien.

Im ersten Teil der Arbeit wird die Zuverlässigkeit automatischer maschineller Lernalgorithmen zur Klassifizierung von Galaxienmorphologien an einer Stichprobe von 7941 Galaxien aus dem Galaxy And Mass Assembly (GAMA) Survey untersucht. Unter Verwendung von 10 gemessenen Funktionen für jede Galaxie wenden wir die Methoden der Support Vector Machines (SVM), Classification Trees (CT), Classification Trees with random Forest (CTRF) und Neural Networks (NN) auf unsere Stichprobe an. Als Ergebniss erhalten wir die wahren Vorhersageverhältnisse (TPRs) von 75.8%, 69.0%, 76.2% bzw. 76.0% zurück. Angesichts der Einfachheit in der Formulierung und Implementierung schließen wir, dass die CTRF-Methode die optimale Methode zur Einschätzung des Galaxientyps laut Hubble-Klassifikation ist, wenn diese auf aktuelle Galaxien-Surveys angewendet wird. Zudem trainieren wir einen binären Klassifikator, der Galaxien in bulge- und scheibendominierte Typen aufteilt und eine Gesamtklassifikationsgenauigkeit von 89.8% erreicht. Dies ergibt eine Genauigkeit von 84.9% für blugedominierte Systeme und 92.5% für scheibendominierte Systeme.

Im zweiten Teil der Arbeit stellen wir die Ergebnisse des Teilprojekts ‘Coherence enhancing diffusion filtering in image processing vor. Die Anwendung eines Coherence Enhancing Anisotropic Diffusion Filtering (CED) -Algorithmus untersucht in astronomischen Bildern die Struktur von Galaxien. Wir stellen fest, dass es die Sichtbarkeit von Strukturen wie Spiralarmen verbessert und möglicherweise dazu verwendet werden kann, schwache Strukturen wie Fusionsreste sichtbar machen. Im zweiten

Teilprojekt mit dem Titel ‘Unveiling hidden structure around and within early-type galaxies messen wir die nicht-ebenmäßige Struktur (Merger-Reste) in zwei Schalen-Galaxien (NGC 3656 & NGC 7600) mit zwei Methoden: unscharfer Maskierung und Subtraktion des Galaxienlichtprofils mit IRAF. Wir stellen fest, dass für beide Objekte die in den Schalen vorhandene Helligkeit mit den Werte aus der Literatur übereinstimmt (2.7% bzw. 2.3%). Wir beabsichtigen, die zweite Methode, welche die robustere ist, auf eine Stichprobe von 111 elliptischen Galaxien anzuwenden. Das dritte und letzte Teilprojekt trägt den Titel ‘Detection and analysis of dwarf galaxy environments from the MATLAS survey und untersucht Zwerggalaxien in Umgebungen mit geringer Dichte. Dies geschieht mit tiefer, hochauflösender Bildgebung, um die Umgebung, innere Struktur, Form, Wechselwirkungen, Anzahl von Satelliten pro Galaxie, Sternentstehungsrate etc. dieser Objekte als eine Funktion der Morphologie untersuchen zu können. Nach der Datenverarbeitung und Selektion enthält die zu untersuchende letzte Stichprobe 2210 -Objekte aus 150 MATLAS-Feldern.

Zusammenfassung (Englisch)

This thesis is an effort to explore and quantify galaxy morphology and study processes involved in galaxy formation and evolution as a function of that morphology. In the main project of this work, the morphology of galaxies is analysed using machine learning techniques. The subsequent sub-projects focus on astronomical image analysis, quantifying merger remnants which are signatures of hierarchical structure formation scenario and further studying the CDM model by exploring the environment around field dwarf galaxies.

In the first part of the thesis, the viability of using automatic machine learning algorithms to classify galaxy morphologies is tested on a sample of 7941 galaxies from the Galaxy and Mass Assembly (GAMA) survey. Using 10 measured features for each galaxy, we apply the methods of Support Vector Machines (SVM), Classification Trees (CT), Classification Trees with Random Forests (CTRF) and Neural Networks (NN) to our sample, returning True Prediction Ratios (TPRs) of 75.8%, 69.0%, 76.2% and 76.0%, respectively. Considering the simplicity in its formulation and implementation, we find the CTRF method to be the optimal estimator of galaxy Hubble type when applied to contemporary galaxy datasets. Further, we train a binary classifier that divides galaxies into spheroid-dominated and disk-dominated types, achieving an overall classification accuracy of 89.8%. This translates into an accuracy of 84.9% for spheroid-dominated systems and 92.5% for disk-dominated systems.

In the second part of the thesis, we present the results from the sub-project titled ‘Coherence enhancing diffusion filtering in image processing, which explores the application of a Coherence Enhancing Anisotropic Diffusion Filtering (CED) algorithm to astronomical images in order to delineate the structure of galaxies. We find that it is effective in boosting the visibility of structures like spiral arms and could be potentially used to trace faint structures such as merger remnants. In the second sub-project, titled ‘Unveiling hidden structure around and within early-type galaxies, we measure the non-smooth structure (merger remnants) in 2 shell galaxies, NGC 3656 & NGC 7600 using two methods, unsharp masking and subtraction of the galaxy light profile using IRAF. We find that for both these objects the light fraction present in the shells is consistent with those in literature, 2.7% and 2.3% respectively. We intend to apply the second method (which is the more robust one) to a sample of 111 early-type galaxies. The third and final sub-project is titled ‘Detection and analysis of dwarf galaxy environments from the MATLAS survey and looks at dwarf galaxies in low density field environments with deep high resolution imaging to study the environment, internal structure, shape, interactions, number of satellites per galaxy, star formation rate etc. of these objects as a function of morphology. After data processing and cleaning, the final sample to be studied contains 2210 objects from 150 MATLAS fields.

Statistik
Das PDF-Dokument wurde 13 mal heruntergeladen.