未来的空间红外设备

最近,太阳系外行星探测、恒星形成与星系核的活动性、星系的起源与演化等天文学研究领域异常火热,这也间接造成了红外天文学的空前发展。未来,将有一批不同用途的红外卫星被送上太空。这里,我们将概括介绍其中最具代表性的几个。     

基于数据仓库的星系光谱分类

大天区面积多目标光纤光谱天文望远镜(LAMOST)将被建成,会产生大量的星系光谱数据。根据天文数据的积累过程,我们设计基于数据仓库的星系光谱分类系统。文章首先介绍了星系光谱的特征,数据仓库的特点,在此基础上描述了建立基于数据仓库的星系光谱自动分类系统的步骤,并给出对该系统进行测试的结果。     

星系之谜四则

星系之谜四则许梅１９２６年，美国天文学家哈勃（Ｅ．Ｈｕｂｂｌｅ），对星系光谱线红移的发现开创了天文学的一个重要分支──星系天文学。７０年来，虽然对形形色色的星系积累了大量的观测资料，但有关星系的很多问题仍未搞清楚，如星系的起源与演化、星系的能源、星系...     

星族与星族分析

在上期的“星系分类漫谈”一文中,我们讲到了星系的分类,使我们对星系有了一个初步的认识。要想进一步了解星系,并进一步学习研究它们,就需要知道它们是由什么东西构成的。大家肯定首先想到的就是恒星。     

神秘的活动星系核

随着观测仪器的发展和观测技术的提高,人类发现的星系已经多达上百亿个。为了研究它们,几十年来已经建立了多种分类系统,其中影响最大、应用最广的当属哈勃分类。在这种分类中,星系按形状可分为椭圆星系、旋涡星系和不规则星系。这些星系中的绝大多数都相当宁静,物质活动的规模都较小,我们称之为正常星系。     

星系自转曲线之观测研究进展

星系自转曲线测定对星系天文学研究有着重要的意义。现已发现,除旋涡星系外,其他类别的河外星系也有自转运动,但自转曲线的特征有所不同。自转曲线研究的内容颇为丰富,如是否存在普适自转曲线,星系团环境对成员星系运动特征的可能影响,星系物质转动速度的垂向梯度问题,以及星系中暗物质的分布等,对上述内容做了相关评述。     

星系形态分类的研究进展

传统的哈勃星系形态分类法可以很好地对近邻的亮星系进行分类,但对低面亮度星系、矮椭球星系、矮旋涡星系以及高红移星系等都已无能为力。德沃古勒分类系统、叶凯士分类系统和范登伯分类系统是在哈勃分类法的基础上进行了发展和细化,利用光的中心聚集度或光度级等作为星系形态分类的参数。模型化分类系统试图定量地测量星系形态参数,但需要假定星系面亮度分布满足一定的形式,如r~(1/4)律、指数律等。最近几年,又有一些学者提出了非模型化分类系统,给出了若干个可以直接测量星系形态的结构参数,如:聚集度指数C、非对称指数A、簇聚指数S、基尼系数G及矩指数M_(20)。这些参数可以反映星系的形成历史、恒星形成、与其他星系的相互作用、已经发生或正在进行的并合活动等。它们不仅可以有效地给出近邻星系的分类特性,还能用于测量高红移星系的形态。该文介绍了不同的星系形态分类方法,比较了各类方法的优点和不足。在此基础上,最后介绍了基于非模型化分类系统的星系形态分类的研究进展。     

COSMOS场中高红移大质量星系的形态分类研究

基于COSMOS(Cosmic Evolution Survey)天区的多波段测光数据和HST(Hubble Space Telescope)近红外高分辨率观测图像,利用质量限(恒星质量M*≥1010.5M⊙)选取了362个红移分布在1≤z≤3的星系样本,并对这些大质量星系的形态特征进行了分类研究.来自UVJ(U-V和V-J)双色图分类系统、目视分类系统、非模型化分类系统(基尼系数G和矩指数M20)和模型化分类系统(S′ersic index,n)的分类结果彼此相一致.相比较于恒星形成星系(SFGs),通过UVJ双色图定义的宁静星系(QGs)表现出致密的椭圆结构,而且G和n值偏大,但M20和星系有效半径(re)偏小.不同星系分类系统(双色图分类系统、非模型化分类系统和模型化分类系统)定义的SFGs和QGs样本,都明显存在星系的大小随红移的演化关系,这种演化趋势QGs比SFGs更剧烈,而且不依赖于星系分类方法的选择.     

天文学十大发现

这些天文发现彻底改变了我们对宇宙的认识。 相比于其他任何学科,天文学中的发现更多地转变了我们对自己的认知。从古希腊人相信的我们居于宇宙的中心到现在的无足轻重,人类只不过是数百亿个星系里一个中等大小星系中一颗行星上的居民。     

基于深度残差网络的星系形态分类

星系形态与星系的形成和演化有着密切的联系,因此星系形态分类(galaxy morphology classification)成为研究不同星系物理特征的重要过程之一。斯隆数字巡天(Sloan Digital Sky Survey, SDSS)等大型巡天计划产生的海量星系图像数据对星系形态的准确、实时分类提出了新的挑战,而深度学习(deep learning)算法能有效应对这类海量星系图片的自动分类考验。面向星系形态分类问题提出了一种改进的深度残差网络(residual network, ResNet),即ResNet-26模型。该模型对残差单元进行改进,减少了网络深度,并增加了网络宽度,实现了对星系形态特征的自动提取、识别和分类。实验结果表明,与Dieleman和ResNet-50等其他流行的卷积神经网络(convolution neural network, CNN)模型相比,ResNet-26模型具有更优的分类性能,可应用于未来大型巡天计划的大规模星系形态分类系统。     

早期的星系巡天

在天文学上,巡天观测是一件费时费力但又必不可少的工作。它是开展后续各项科学研究的基础。尤其对于学习河外天文学的人来说,系统紫了解不同时代、不同科学目的、不同研究方法的擎天是很有必要的。所以。笔者打算用接下来的几篇文章,初步介绍一下星系巡天的历史和现状。     

基于FPN-ViT的星系形态分类研究

随着人工智能技术的发展, 利用深度学习方法进行星系形态分类研究取得了较大进展, 但在分类精度、自动化及其星系的空间特征表示上仍然存在不足之处. Vision Transformer (ViT)模型目前在星系形态分类上具有较好的鲁棒性, 但是在处理多尺度图像时存在一定的局限性, 因此提出将特征金字塔(Feature Pyramid Networks, FPN)引入ViT模型(FPN-ViT)中进行星系形态的分类研究中. 结果表明: 基于FPN-ViT模型进行星系形态分类的平均准确率、精确率、召回率以及F1分数等各项评估指标均在95%以上, 与传统的ViT模型相比各项指标均有一定程度的提升. 同时, 在原始星系图像中加入不同程度的高斯噪声和椒盐噪声, 验证FPN-ViT模型对低信噪比数据也能获得较好的分类性能. 此外, 为了对模型进行综合评估, 采用t分布随机邻接嵌入(t-distributed Stohastic Neighbor Embedding, t-SNE)算法对分类结果进行了可视化分析, 能够更加直接地看出FPN-ViT模型对于星系形态分类的效果. 因此, 将FPN网络应用于ViT模型对星系形态的分类研究中是一种全新尝试, 对后续研究具有重要意义.     

星系的光学巡天

二十世纪,星系天文学诞生。人们意识到这类天体是有别于银河系里的恒星与星云的。专门的星系巡天这个时候才真正开始。     

前言

在过去的十年中 ,由于科学家们富有成效的创造性工作 ,天文学又有了很大的发展 ,取得了令人赞叹的成就。一些重要的发现 ,例如首批星系和恒星诞生之前的热宇宙 ,太阳系外恒星系统的形成 ,地外行星等 ,把对宇宙的研究提高到了一个新的水平。天文学研究的意义越来越被更多的人理解。但是向天文学科投入的规模是巨大的 ,天文学家能够为人类社会做出大的贡献无疑得益于政府、基金会甚或个人所赋予的慷慨。作为发展中国家 ,我国天文学研究在这些年来也取得了长足的进步 ,特别是实施知识创新工程以来 ,国家对基础科学研究的投入大幅增加 ,给我国天…     

基于聚类的星系光谱分析

各类大型巡天项目产生了海量的天文数据,因此,需要研究适用于大规模数据的光谱自动处理方法。传统的基于谱线检测或BPT(Baldwin, Phillips, Terjevich)诊断图的星系光谱分类方法难以直接应用于星系光谱自动分类,相比之下,基于机器学习的光谱自动分析更适用于海量天文数据的分类研究。提出一种基于双层聚类的星系光谱分析方法。第1层采用k均值聚类算法将星系光谱分为吸收线星系和发射线星系,第2层使用CLARA(Clustering LARge Applications)聚类算法将发射线星系聚为5簇。对LAMOST DR5的星系数据进行实验,结果表明:(1)第1层k均值聚类能够成功将星系光谱分为吸收线星系和发射线星系,聚类簇与基于谱线检测的分类结果基本一致。(2)第2层CLARA聚类结果能够在BPT图中反映出不同的星系类型。(3)光谱聚类结果与颜色星等图分类存在预期的相关性。(4)k均值聚类和CLARA聚类能够适用于大规模数据自动分析处理,聚类结果能够很好地反映星系的物理性质和演化过程,簇心数据可以为光谱自动分类系统提供模板。     

EfficientNetV2-S-Triplet7: 一种改进的星系newline 形态学分类算法

星系的形态与星系的形成和演化息息相关, 其形态学分类是星系天文学后续研究的重要一环. 当前海量天文观测数据的出现使得天文数据自动分析方法越来越得到重视, 针对此问题, 利用先进的深度学习骨干网络EfficientNetV2, 分析不同的注意力机制类型和使用节点对网络性能的影响, 构建了一种命名为EfficientNetV2-S-Triplet7 (即在EfficientNetV2-S stage7的$1\times1$卷积层后加入Triplet模块)的改进算法模型来实现星系形态学的自动分类. 使用第二期星系动物园(Galaxy Zoo 2, GZ2)中超过24万张的测光图像作为初始数据进行实验测试. 在对数据进行预处理时采取了尺寸抖动、翻转、色彩畸变等图像增强手段来解决图像数量的不平衡问题. 在同一系列经典和前沿的深度学习算法模型AlexNet、ResNet-34、MobileNetV2、RegNet进行对比实验后, 得出EfficientNetV2-S-Triplet7算法在分类准确率、查全率和F1分数等指标上具有最好的测试结果. 在9375张测试图像中的3项指标值分别可达到89.03%、90.21%、89.93%, 查准率达到89.69%, 在其他模型中排在第3位. 该结果表明将EfficientNetV2-S-Triplet7算法应用于大规模星系数据的形态学分类任务中有很好的效果.     

分子云物理性质的研究

十余年来年轻的分子天文学带来一系列新发现,推动了银河系结构、星系化学史、恒星物质流失、分子云物理等课题研究的新进展。 本文在简介分子天文学之后,将集中对与恒星形成有关的分子云物理问题进行综述。 内容分为 一、分子天文学的研究对象 二、分子云物理参数的导出 三、分子云的观测 四、涉及恒星形成的分子云理论研究     

本星系群究竟有多少个星系?

本星系群究竟有多少个星系？对此问题，中国大百科全书·天文学卷（１９８０年１２月出版）是这样回答的：“本星系群（Ｌｏｃａｌｇｒｏｕｐｏｆｇａｌａｘｉｅｓ）以银河系为中心，半径约为百万秒差距（３００多万光年）的空间内的星系之总称．也有人把本星系群的中心定...     

基于SE-Inception-v3的星系形态分类模型

随着天文探测技术的快速发展, 海量的星系图像数据不断产生, 能够及时高效地对星系图像进行形态分类对研究星系的形成与演化至关重要. 针对传统的星系形态分类模型特征选择困难、分类速度慢、准确率受限等难题, 提出一种以Inception-v3神经网络为主干结构, 融合压缩激励(Squeeze and Excitation Network, SE)通道注意力机制的星系形态分类模型. 该模型在斯隆数字巡天(Sloan Digital Sky Survey, SDSS)样本的测试集准确率高达99.37%. 旋涡星系、圆形星系、中间星系、雪茄状星系与侧向星系的F1值分别为99.33%、99.58%、99.33%、99.41%与99.16%. 该模型与Inception-v3、MobileNet (Mobile Neural Network)和ResNet (Residual Neural Network)网络模型相比, SE-Inception-v3宽度和深度优势表现出更强的特征提取能力, 可以高效识别不同形态的星系, 为未来大型巡天计划的大规模星系形态分类问题提供了一种新方法.     

星系团Abell 2199的恒星形成性质

通过对近邻星系团Abell 2199中290颗成员星系进行形态分类,研究这些星系的恒星形成率及其与形态和相关物理特性之间的关系.该星系团中星系的特征恒星形成率与Ha等值宽度、星系光谱在4000A处的跃变程度以及星系所包含的恒星质量之间有较强的相关性.这些星系的恒星形成活动没有表现出明显的环境效应,表明该星系团仍处在剧烈的动力学演化阶段,远没有达到动力学平衡.