寻找星系团的7+1种武器

(刚刚过去的一天是11月1日,一个很孤独的日子,为了缓和一下这寂寞的氛围,给大家介绍一篇非常不孤独的文章:如何在宇宙中寻找星系扎堆存在的星系团,这篇文章本身自己提出了一种利用Bayesian方法寻找的新途径,但是我个人没有任何工作经验,对Bayesian方法也知之甚少,好在文章的介绍部分很扎实,就好好的补一下课吧)

文章:Bayesian Cluster Finder: Clusters in the CFHTLS Archive Research Survey

  • 作者:Begoña Ascaso, David M. Wittman, Narciso Benítez
  • 论文索引:astro-ph/1110.0013
  • 编辑整理:南京大学 黄崧

文章背景:

作为宇宙中最大的自引力束缚,且接近维里化的天体系统,星系团是考验宇宙学和星系演化理论的最好实验室,而且结合强/弱引力透镜,新的X-ray观测,Sunyaev-Zeldovich效应等等,星系团的研究已经成为了天体物理学家非常关注的目标,不信的化大家可以看看这个星期的astroph上面的星系宇宙学分类里面有多少关于星系团的文章;关于星系团,有太多的东西可以说了,上个世纪70-80年代随着Butchler-Oemler效应和形态-密度关系的确认,星系团成了检验星系演化的环境依赖和从晚型星系到早型星系的转化的最好场所;进入了90年代,随着X-ray和发射线窄带观测的发现,关于星系团中多种状态的团际介质的研究,以及所谓的Cooling Flow问题的争论等等又成为了新的热点;近期,随着强弱引力透镜工具的成熟和新的观测,星系团的宇宙学作用开始进入了天文学家的视野,比如,按照大牛Tommaso Treu的说法,一个星系团的详细强引力透镜研究在限制宇宙学参数的精度上可以和整个BAO巡天相比,等等等等。。不过,一切的基础,是要有一个完善的星系团样本,而除了在最临近的宇宙中的显著星系团之外,寻找确认星系团确实不是一件简单的事情,往往需要依赖于多波段的,大视场的巡天观测,有时候还需要光谱后续观测;下面就参考本文的介绍部分,详细的介绍一下寻找星系团的几种方法,受限于篇幅,只能简短的介绍,尽量提供一下参考文献给大家吧:

1. X-ray 发射气体:星系团际的接近维里化的高温热气体提供了大质量星系团的一个独特名片,从早期的ROSAT到最近的Chandra,深场的X-ray观测成为了发现星系团的很好方法之一,比如:Rosati et al. 2002
2. 弱引力透镜研究:在大视场巡天中,利用弱引力透镜方法理论上可以非常好的选择出星系分布处的overdensity的地方,非常适合选择一个星系团的无偏差样本;不过,目前还存在着受限于观测深度,测光红移精度和弱引力透镜的测量方法,还存在着产生不真实的密度peak等问题;关于这个方法:可以参考这篇文章:Tyson et al. 1990
3. Sunyaev-Zeldovich效应:利用星系团介质中相对论性电子对宇宙微波背景辐射的逆Compton散射过程产生的SZ效应,在远红外和亚毫米波波段的巡天上寻找大质量,尤其是比较高红移的星系团是非常有效率的,近期,结合地面的SPT,ACT和空间的Planck望远镜的观测,已经产生了利用SZE观测到的星系团的样本: Menanteau et al. 2009

除了上面的依赖于星系团的引力和团际介质的特殊性质寻找星系团的方法之外,更多的时候还是需要依赖光学和红外的深场巡天,通过星系的空间分布,颜色,红移等信息寻找星系团的;在这些方法中,可以按照一定的原则把这些方法分成三组,下面简单的总结一下吧:

4. 利用星系的空间分布的方法:假定在巡天区域内,非星系团位置处的背景星系分布是接近于随机和均匀的,通过一定的方法构建星系的密度分布,测量星系的平均密度,并寻找局部的密度peak,可以提供星系团的候选;在这个方法下面有很多具体的手段,比如:

  • 4.1: Counts in Cells method (Couch et al. 1991; Lidman & Peterson 1996)
  • 4.2: the Percolation Algorithms (Dalton et al. 1997; Botzler et al. 2004)
  • 4.3: the Voronoi Tessellation algorithm (Ramella et al. 2001; Kim et al. 2002; Lopes et al. 2004)
  • 4.4: Friends of Friends Algorithm (Ramella et al. 2002; Botzler et al. 2004; van Breukelen & Clewley 2009 )
  • 这些方法的具体区别我实在也不清楚,感兴趣的同学大家自己参考吧;简单来说,这样的方法的主要优点就是简单,没有浪费任何数据,也没有做任何关于星系团真实形状和结构的假定;但是相应的,也有经常会找到非真实的密度peak和探测比较浅的问题;最近,有一些方法尝试在这个方法中加入更好的限制,比如考虑进星系的测光红移,颜色和星等,说白了就是加入了一些针对星系的限制。

    5. 利用星系团中的Red Sequence:从比较高的红移开始,星系团中的星系可能就由颜色比较红的早型星系主导,如果对星系团中的成员绘制星等-颜色分布,可以看到很好的Red Sequence存在的证据,并且,在其中往往存在着一个亮度很高的早型星系,也就是所谓的BCG(Brightest Cluster Galaxy;注意和BCD:Blue Compact Dwarf区分);利用这些证据,在观测中加以专门的考虑也可以用来筛选星系团候选,在这其中也可以细分为几个类型:

  • 5.1: Cutand-Enhance Algorithm (Goto et al. 2002)
  • 5.2: the Cluster Red Sequence Method (Gladders & Yee 2000; Lopez-Cruz et al. 2004; Gladders & Yee 2005)
  • 5.3: MaxBCG (Hansen et al. 2005; Koester et al. 2007)
  • 5.4: the C4 cluster-finding algorithm (Miller et al. 2005)
  • 在这其中,可能以多伦多大学和芝加哥大学当年的Red Sequence Cluster Survey最为被人熟知;这个方法简单的说其实就是把观测到的星系的测光信息按照颜色分成不同的bin,看不同颜色的星系的空间分布,也是比较简单和高效的方法;不过这个方法也有自己的问题,那就是是不是所有的星系团都有red sequence,或者说到什么红移处,星系团中才出现red sequence,这个问题目前还在激烈的争论之中,不过似乎在高红移处,有一些星系团的red sequence还在形成当中,而且有天文学家认为,只有在质量比较大,充分维里化的星系团中才有可以观测到的red sequence;最近,针对高红移的星系团搜索,SpARCS (Spitzer Adaptation of the RedSequence Cluster Survey; Wilson et al. 2008)也利用了这个方法的思想,但是做了一些改进,主要是利用成熟的老年星系的SED分布中的4000\AA-break来代替星系的颜色,除了高红移的波段变化之外,也有问题就是,颜色红并不一定意味着星系的星族年龄老,也可是被尘埃遮挡的很严重的恒星形成星系。

    6. 利用星系团中的星系的光度和密度分布来进行模拟:这个方法是利用已知的星系团中的星系的光度和密度分布来建立星系团的模型,并利用这个模型作构建“滤镜”到多维的观测数据中筛选星系团候选,这是一个模型依赖的方法,但是有完备度高和污染少的优点,也是有很多子类和变种的方法,其中甚至还包括了探测遥远星系团中未分解出来星系引起的面亮度增强的方法。

  • 6.1: The Matched Filter (Postman et al. 1996, 2002)
  • 6.2: Adaptive Matched Filter (Kepner et al. 1999)
  • 6.3: the Hybrid Matched Filter (Kim et al. 2002)
  • 6.4: the Simple Smoothing Kernels (Shectman 1985)
  • 6.5: the Adaptive Kernel method (Gal et al. 2000, 2003)
  • 6.6: the 3-D Matched Filter (Milkeraitis et al. 2010)
  • 6.7: Surface Brightness (SB) Enhancements (Zaritsky et al. 1997, 2002)
  • 7. 利用星系团中心的射电星系的存在:根据已知的星系团,在星系团中心常常存在着一个大质量的射电星系,这些类型的星系一直可以探测到很高的红移上,针对这些高红移射电星系,进行深场的观测,发现高红移星系团的概率也是不低的;同样的方法也可以使用在比较高红移的QSO周围:(Galametz et al. 2009; Chiaberge et al. 2010


    fig1

    图一:利用本文方法在CARS巡天中探测到的星系作为星系团成员的密度分布

    本文方法:

    本文的方法实际上也是一个模型依赖的方法,基本的思路就是通过建立星系团中星系性质分布的模型,来估计巡天中发现的星系作为一个星系团成员的概率,基本上还是一个Matched Filter的方法,但是第一,考虑到了不同类型的星系团中的不同性质和这些性质的演化,第二,就是使用了Bayesian统计推断的方法,使得星系团候选的筛选更加可靠。本文的模型中考虑了星系团中星系的光度函数,密度分布轮廓和测光红移分布,利用这些性质建立似然概率(likelihood probability),作为传统的Matched Filter方法的一个变种。同时,由于在这样的Bayesian方法中,可以比较容易的考虑进入其他的星系团的性质的分布,比如说Red Sequence的存在和BCG星系光度和红移的关系等等作为模型中附加的prior,进一步的改进模型;前面已经提到了,Red Sequence也好还是BCG也好,不一定在所有的星系团中都存在,所以传统的模型中由于使用了比较简单的假定,很容易产生一定的bias,但是在本文的方法中,可以很方便的通过加入和移除各种prior的影响,考虑不同的假定产生的星系团探测的差别。关于本文中的方法的具体数学实现,以及实际的应用,还是请感兴趣的同学自己探索吧;在文章中,作者利用了一些模拟和观测数据进行检验,得到了比较积极的结果,不过,是否有本质上的提高和更好的应用,只有看在未来观测中的表现了。

    延伸阅读:

  • 1. 本文使用的CARS:The CFHTLS-Archive-Research Survey数据的介绍文章
  • 2. The Spitzer Adaptation of the Red-Sequence Cluster Survey主页
  • 3. RSCS的第二期巡天:Red Sequence Cluster Survey的主页
    • 分享到:

    7 Replies to “寻找星系团的7+1种武器”

    1. Cheng Li

      Firefox 7.0.1 MacIntosh

      谢谢Hang Song,写得很好。读后很有收获。感谢!

      以下是我的几点补充。

      “⋯⋯在文章中,作者利用了一些模拟和观测数据进行检验,得到了比较积极的结果,不过,是否有本质上的提高和更好的应用,只有看在未来观测中的表现了。”

      关于这一点,我觉得他们的模拟测试过于粗糙和理想化,一些观测效应未仔细考虑,主要有:
      (1)星系的本动速度造成的红移方向的相互污染。如果某星系团视线附近有一个更大的星系团,大星系团中的星系运动速度快、每秒可达数千公里,这些星系会有一些被误认为是小星系团的成员。
      (2)星系团密度轮廓的复杂性。作者的模型假设了Plummer轮廓,在做模拟测试时虽然还考虑了几种不同的轮廓,但现实中的星系团轮廓远比这复杂。
      (3)模型的部分参数完全凭经验选取,未做定量的检验,例如星系团特征半径、测光红移的不确定性等。

      此外,作者在与前人工作比较后得到的结论也过于乐观(或主观),宣称比前人找到了更多的星系团。他们确实探测到一些新的结构,但同时也有一些结构是前人探测到而他们没有探测到的。

      总体而言,我觉得他们的方法的表现并不比传统的matched filter方法好多少。但这并不是Bayesian方法的问题。Bayesian在天文研究中的应用绝对是一个前景很广的思路,事实上许多领域早就开始在用了。

      最后,我觉得除了本博文列举的方法之外,还有一种基于halo model的找团的方法,这个与friends-of-friends相似,不同的是,friends-of-friends只是第一步,最终星系团的确认是基于暗物质晕的理论模型的,因此可以单独算作一种方法。

      • Cheng Li

        Firefox 7.0.1 MacIntosh

        再补充两点。

        (1)如何更好地检验找团方法?个人觉得要做两件事,缺一不可。首先是那观测上已经给出的星系团表,看看新的方法是否也能找到这些星系团。作者们一般都会做这一点。另外一个更重要的事情是模拟,但最佳的模拟不是本文做的那种简单模拟,而是应当基于宇宙学模拟结合星系形成模型(如半解析模型)或星系分布模型(如HOD)。

        (2)如何判断一个找团方法好不好?主要看两个指标,一是“完备度“(completeness),一是”纯洁度“(purity)。好的方法既要有高的完备度(找到尽可能多的团),也要有高的纯洁度(假团越少约好)。不能只追求其中一个,否则必定顾此失彼,模拟测试的主要目的是找到一个平衡点,使模型能二者兼顾。

    Leave a Reply

    Your email address will not be published. Required fields are marked *