RT info:eu-repo/semantics/masterThesis
T1 A Python-based Bayesian code to perform photometric decompositions of galaxies
A1 Marrero de la Rosa, Carlos
A2 Máster Universitario en Astrofísica
AB La clasificaci´on de entidades u objetos presentes en la naturaleza es uno de los primeros pasos en unan´alisis cient´ıfico, esta acci´on lleva a la b´usqueda de patrones comunes que permitan entender losfundamentos f´ısicos que se encuentran detr´as de dicha clasificaci´on. En el contexto de la astrof´ısica,y en concreto de las galaxias, la clasificaci´on de las mismas es una necesidad de cara a entendersu contexto evolutivo y su formaci´on. La clasificaci´on morfol´ogica de las galaxias se basa en lab´usqueda de las estructuras que las componen: el bulbo (la parte central), el disco (zona consimetr´ıa axial en torno a un plano), la barra (un objeto que se mueve como un s´olido r´ıgido entorno al centro gal´actico) y los brazos espirales (zonas de alta densidad de estrellas, gas y polvoen el disco). El primer tipo de clasificaci´on fue la visual, que se basaba en detectar a ojo estasestructuras; luego, con el paso del tiempo, han ido apareciendo nuevos tipos de clasificaci´on comoel CAS (Concentraci´on Asimetr´ıa y Suavidad), que se basa en la medici´on de estos par´ametros, ylas descomposiciones fotom´etricas, que se basan en recrear las estructuras anteriores con distintasformas funcionales como los perfiles de S´ersic (S´ersic 1963), exponenciales (Freeman 1970) y deFerrers (Ferrers 1870), teniendo cada uno de ellos un numero determinado de par´ametros libres.Es en este ultimo tipo de clasificaci´on en el que se centra este trabajo, ya que actualmente hayuna variedad de c´odigos que permiten hacer descomposiciones fotom´etricas en 2D como GALFIT(Peng et al. 2010), GASP2D (M´endez-Abreu et al. 2008) o IMFIT (Erwin 2015). Pero estosemplean m´etodos de minimizaci´on de m´ınimos cuadrados, basados en Levenberg–Marquardt, quepueden presentar algunos problemas tales como: soluciones no f´ısicas, complicaci´on a la hora debuscar condiciones iniciales, inversi´on de componentes, etc. Para tratar de solventar todas estasdificultades, el objetivo de este trabajo es construir un nuevo c´odigo que se cimiente en la estad´ısticaBayesiana, ANDURYL, que permita solventar estos problemas. Una vez desarrollado el c´odigo,se aplic´o a un caso cient´ıfico analizando las galaxias del c´umulo de galaxias Abell 2142; en elcontexto de realizar un trabajo preliminar del proyecto WEAVE Nearby Cluster Survey (WEAVE2023), que analizar´a poblaciones de galaxias enanas en c´umulos de galaxias, al fin de ahondar enel conocimiento acerca del comportamiento, evoluci´on y formaci´on de estos sistemas.Los datos para llevar a cabo el trabajo han sido extra´ıdos de SDSS (Sloan Digital Sky Survey);un proyecto cuyo objetivo es mapear la mayor cantidad de cielo posible usando datos proporcionadospor im´agenes y espectros de millones de objetos. Para ello se ha hecho un cruce entre la base dedatos de SDSS y la informaci´on espectrosc´opica de Liu et al. (2018), de manera que podemosdescargar aquellas im´agenes de galaxias que fueron clasificados como miembros del c´umulo porLiu et al. (2018). SDSS emplea cinco filtros fotom´etricos que funcionan en distintos intervalos delongitudes de onda; en concreto para este trabajo se ha empleado la banda “i”, que opera en unalongitud de onda efectiva de 7481 ˚A.A la hora de analizar las im´agenes de las distintas galaxias de SDSS se han creado m´ascaraspara no incluir los objetos que se encuentren en la imagen, a excepci´on de la galaxia de estudio,empleando para ello el c´odigo SExtractor1. Entre otros efectos ANDURYL, tiene en cuenta que alcrear los modelos a partir de los perfiles fotom´etricos hay que convolucionar el modelo obtenidocon la Point Spread Function (PSF), para poder comparar el modelo con la observaci´on.La versi´on actual de ANDURYL incluye un perfil de S´ersic y un perfil S´ersic+exponencial.Teniendo esto en cuenta, para poder ajustar los par´ametros libres se han estudiado dos m´etodosBayesianos diferentes, el Hamiltonian Monte Carlo (HMC; Duane et al. 1987) y Nested Sampling(Skilling 2004). Ambos m´etodos se encargan de muestrear el espacio de parámetros, dando una descripci´on completa de la distribuci´on de probabilidad posterior de cada par´ametro, de donde sepuede inferir el valor m´as probable de los mismos. El primer m´etodo se basa en realizar un mapeodel espacio de par´ametros empleando una din´amica hamiltoniana. Mientras que el segundo, apartir de cambios de variable, analiza el hipervolumen del espacio de par´ametros bajo una curvaunidimensional.Usando ANDURYL hemos comparado ambos m´etodos Bayesianos, encontr´andose que el NestedSampling proporcionaba un mejor muestreo del espacio de par´ametros, raz´on por la cual se eligi´ocomo m´etodo de inferencia principal del c´odigo. Se emplearon 500 muestras de simulaciones degalaxias creadas a partir de un perfil de S´ersic y 500 creadas a partir de un S´ersic+exponencialpara testear la robustez del c´odigo. Se analiz´o ambas muestras con los dos perfiles disponibles,encontr´andose que los resultados mostraban que el c´odigo funcionaba correctamente.Se procedi´o entonces al an´alisis de la muestra de galaxias de A2142, en donde se midierondistintas relaciones de escala como la Faber-Jackson (Faber & Jackson 1976), que relaciona ladispersi´on de velocidad de las estrellas con la masa de las galaxias, y la relaci´on masa-tama˜no. Enambos casos se encontr´o que las galaxias analizadas segu´ıan las tendencias derivadas para otrasmuestras de la literatura, dentro de los m´argenes de error.A partir de los resultados obtenidos se puede decir que el desarrollo del c´odigo ha resultadosatisfactorio y que se han cumplido los objetivos propuestos; teni´endose una nueva herramientapara poder explorar la formaci´on, evoluci´on y comportamiento de las galaxias en distintos entornos.
YR 2024
FD 2024
LK http://riull.ull.es/xmlui/handle/915/36529
UL http://riull.ull.es/xmlui/handle/915/36529
LA en
DS Repositorio institucional de la Universidad de La Laguna
RD 22-nov-2024