Published January 1, 2023
| Version v1
Publication
Open
A machine learning approach to galactic emission-line region classification
Creators
- 1. Université de Montréal
- 2. Centre for Research in Astrophysics of Québec
- 3. Canada–France–Hawaii Telescope
- 4. Université Laval
- 5. French National Centre for Scientific Research
- 6. Australian National University
- 7. ARC Centre of Excellence for All-sky Astrophysics
- 8. ASTRO-3D
- 9. Universidad Nacional Autónoma de México
- 10. Laboratory Universe and Theories
- 11. Université Paris Cité
- 12. Université Paris Sciences et Lettres
- 13. Universidade Federal de Santa Catarina
- 14. University of St Andrews
- 15. Royal Society
- 16. Durham University
- 17. European Southern Observatory
- 18. Xiamen University
- 19. University of Warwick
- 20. Universidad Andrés Bello
Description
Abstract Diagnostic diagrams of emission-line ratios have been used extensively to categorize extragalactic emission regions; however, these diagnostics are occasionally at odds with each other due to differing definitions. In this work, we study the applicability of supervised machine-learning techniques to systematically classify emission-line regions from the ratios of certain emission lines. Using the Million Mexican Model database, which contains information from grids of photoionization models using cloudy, and from shock models, we develop training and test sets of emission line fluxes for three key diagnostic ratios. The sets are created for three classifications: classic H ii regions, planetary nebulae, and supernova remnants. We train a neural network to classify a region as one of the three classes defined above given three key line ratios that are present both in the SITELLE and MUSE instruments' band-passes: [O iii]λ5007/H β, [N ii]λ6583/H α, ([S ii]λ6717+[S ii]λ6731)/H α. We also tested the impact of the addition of the [O ii]λ3726, 3729/[O iii]λ5007 line ratio when available for the classification. A maximum luminosity limit is introduced to improve the classification of the planetary nebulae. Furthermore, the network is applied to SITELLE observations of a prominent field of M33. We discuss where the network succeeds and why it fails in certain cases. Our results provide a framework for the use of machine learning as a tool for the classification of extragalactic emission regions. Further work is needed to build more comprehensive training sets and adapt the method to additional observational constraints.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تم استخدام المخططات التشخيصية المجردة لنسب خط الانبعاث على نطاق واسع لتصنيف مناطق الانبعاث خارج المجرة ؛ ومع ذلك، فإن هذه التشخيصات تتعارض أحيانًا مع بعضها البعض بسبب التعاريف المختلفة. في هذا العمل، ندرس قابلية تطبيق تقنيات التعلم الآلي الخاضعة للإشراف لتصنيف مناطق خط الانبعاث بشكل منهجي من نسب خطوط انبعاث معينة. باستخدام قاعدة بيانات مليون نموذج مكسيكي، والتي تحتوي على معلومات من شبكات نماذج التأين الضوئي باستخدام الغيوم، ومن نماذج الصدمات، نقوم بتطوير مجموعات تدريب واختبار تدفقات خط الانبعاثات لثلاث نسب تشخيصية رئيسية. تم إنشاء المجموعات لثلاثة تصنيفات: مناطق H ii الكلاسيكية، والسدم الكوكبية، وبقايا المستعرات العظمى. نقوم بتدريب شبكة عصبية لتصنيف المنطقة كواحدة من الفئات الثلاث المحددة أعلاه بالنظر إلى نسب الخطوط الرئيسية الثلاثة الموجودة في كل من ممرات نطاق SITELLE و MUSE: [O iii] λ 5007/H β، [N ii] λ 6583/H α، ([S ii] λ 6717 +[S ii] λ 6731)/H α. اختبرنا أيضًا تأثير إضافة نسبة خط [O ii] λ 3726، 3729/[O iii] λ 5007 عندما تكون متاحة للتصنيف. يتم إدخال حد أقصى للإضاءة لتحسين تصنيف السدم الكوكبية. علاوة على ذلك، يتم تطبيق الشبكة على ملاحظات SITELLE لحقل بارز من M33. نناقش أين تنجح الشبكة ولماذا تفشل في حالات معينة. توفر نتائجنا إطارًا لاستخدام التعلم الآلي كأداة لتصنيف مناطق الانبعاثات خارج المجرة. هناك حاجة إلى مزيد من العمل لبناء مجموعات تدريب أكثر شمولاً وتكييف الطريقة مع قيود المراقبة الإضافية.Translated Description (French)
Résumé Les diagrammes diagnostiques des ratios des lignes d'émission ont été largement utilisés pour catégoriser les régions d'émission extragalactiques ; cependant, ces diagnostics sont parfois en contradiction les uns avec les autres en raison de définitions différentes. Dans ce travail, nous étudions l'applicabilité des techniques d'apprentissage automatique supervisé pour classer systématiquement les régions des lignes d'émission à partir des ratios de certaines lignes d'émission. À l'aide de la base de données Million Mexican Model, qui contient des informations provenant de grilles de modèles de photoionisation utilisant cloudy, et de modèles de choc, nous développons des ensembles de formation et de test des flux de lignes d'émission pour trois ratios de diagnostic clés. Les ensembles sont créés pour trois classifications : les régions H ii classiques, les nébuleuses planétaires et les restes de supernovae. Nous formons un réseau de neurones pour classer une région comme l'une des trois classes définies ci-dessus étant donné trois rapports de lignes clés qui sont présents à la fois dans les bandes passantes des instruments SITELLE et MUSE : [O iii] λ5007/H β, [N ii] λ6583/H α, ([S ii] λ6717 +[S ii]λ6731)/H α. Nous avons également testé l'impact de l'ajout du rapport de ligne [O ii] λ3726, 3729/[O iii] λ5007 lorsqu'il est disponible pour la classification. Une limite de luminosité maximale est introduite pour améliorer la classification des nébuleuses planétaires. De plus, le réseau est appliqué aux observations SITELLE d'un champ proéminent de M33. Nous discutons où le réseau réussit et pourquoi il échoue dans certains cas. Nos résultats fournissent un cadre pour l'utilisation de l'apprentissage automatique comme outil de classification des régions d'émission extragalactiques. Des travaux supplémentaires sont nécessaires pour construire des ensembles de formation plus complets et adapter la méthode à des contraintes d'observation supplémentaires.Translated Description (Spanish)
Resumen Los diagramas de diagnóstico de las relaciones de líneas de emisión se han utilizado ampliamente para categorizar las regiones de emisión extragalácticas; sin embargo, estos diagnósticos a veces están en desacuerdo entre sí debido a las diferentes definiciones. En este trabajo, estudiamos la aplicabilidad de las técnicas de aprendizaje automático supervisado para clasificar sistemáticamente las regiones de las líneas de emisión a partir de las proporciones de ciertas líneas de emisión. Utilizando la base de datos Million Mexican Model, que contiene información de cuadrículas de modelos de fotoionización utilizando Cloudy, y de modelos de choque, desarrollamos conjuntos de entrenamiento y pruebas de flujos de línea de emisión para tres ratios de diagnóstico clave. Los conjuntos se crean para tres clasificaciones: regiones clásicas de H ii, nebulosas planetarias y restos de supernovas. Entrenamos una red neuronal para clasificar una región como una de las tres clases definidas anteriormente dadas tres relaciones de líneas clave que están presentes tanto en los pases de banda de los instrumentos SITELLE como MUSE: [O iii]λ5007/H β, [N ii] λ6583/H α, ([S ii] λ6717 +[S ii]λ6731)/H α. También probamos el impacto de la adición de la relación de línea [O ii] λ3726, 3729/[O iii]λ5007 cuando está disponible para la clasificación. Se introduce un límite máximo de luminosidad para mejorar la clasificación de las nebulosas planetarias. Además, la red se aplica a las observaciones de SITELLE de un campo destacado de M33. Discutimos dónde tiene éxito la red y por qué falla en ciertos casos. Nuestros resultados proporcionan un marco para el uso del aprendizaje automático como herramienta para la clasificación de regiones de emisión extragalácticas. Se necesita más trabajo para construir conjuntos de capacitación más completos y adaptar el método a las limitaciones observacionales adicionales.Files
rzad023.pdf.pdf
Files
(93 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:b0d506893d4802090edf1644f5f082cd
|
93 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نهج التعلم الآلي لتصنيف منطقة خط انبعاث المجرة
- Translated title (French)
- Une approche d'apprentissage automatique pour la classification des régions de la ligne d'émission galactique
- Translated title (Spanish)
- Un enfoque de aprendizaje automático para la clasificación de la región de la línea de emisión galáctica
Identifiers
- Other
- https://openalex.org/W4382403947
- DOI
- 10.1093/rasti/rzad023
References
- https://openalex.org/W1967876247
- https://openalex.org/W1981452559
- https://openalex.org/W1985704664
- https://openalex.org/W1989498628
- https://openalex.org/W1996501054
- https://openalex.org/W2009597985
- https://openalex.org/W2011301426
- https://openalex.org/W2014729585
- https://openalex.org/W2017199523
- https://openalex.org/W2019068536
- https://openalex.org/W2027085633
- https://openalex.org/W2030410680
- https://openalex.org/W2032949105
- https://openalex.org/W2036551560
- https://openalex.org/W2062662732
- https://openalex.org/W2067242485
- https://openalex.org/W2074851449
- https://openalex.org/W2100139042
- https://openalex.org/W2106829954
- https://openalex.org/W2108679361
- https://openalex.org/W2124929923
- https://openalex.org/W2124999166
- https://openalex.org/W2135625048
- https://openalex.org/W2146292423
- https://openalex.org/W2163212281
- https://openalex.org/W2167635287
- https://openalex.org/W2342249984
- https://openalex.org/W2344062258
- https://openalex.org/W2558828706
- https://openalex.org/W2607432942
- https://openalex.org/W2726836841
- https://openalex.org/W2741344255
- https://openalex.org/W2770514005
- https://openalex.org/W2786325095
- https://openalex.org/W2808814021
- https://openalex.org/W2896967659
- https://openalex.org/W2901224965
- https://openalex.org/W2903762073
- https://openalex.org/W2904584556
- https://openalex.org/W2911964244
- https://openalex.org/W2918789113
- https://openalex.org/W2952580924
- https://openalex.org/W2969916546
- https://openalex.org/W2973826941
- https://openalex.org/W2996584174
- https://openalex.org/W2997687071
- https://openalex.org/W3057319655
- https://openalex.org/W3080388948
- https://openalex.org/W3098832662
- https://openalex.org/W3101612437
- https://openalex.org/W3103145119
- https://openalex.org/W3104453870
- https://openalex.org/W3104914725
- https://openalex.org/W3121607972
- https://openalex.org/W3163243140
- https://openalex.org/W3200054187
- https://openalex.org/W3200853483
- https://openalex.org/W4220970479
- https://openalex.org/W4229488083
- https://openalex.org/W4234869339
- https://openalex.org/W4244818491
- https://openalex.org/W4286426361
- https://openalex.org/W4290669452
- https://openalex.org/W4308787230