Published July 24, 2021 | Version v1
Publication Open

Galaxy morphological classification catalogue of the Dark Energy Survey Year 3 data with convolutional neural networks

Creators

  • 1. Durham University
  • 2. University of Nottingham
  • 3. University of Manchester
  • 4. Universidade de São Paulo
  • 5. Laboratório Interinstitucional de e-Astronomia
  • 6. Fermi National Accelerator Laboratory
  • 7. Universidade Estadual Paulista (Unesp)
  • 8. University of Cambridge
  • 9. University College London
  • 10. Kavli Institute for Particle Astrophysics and Cosmology
  • 11. Stanford University
  • 12. SLAC National Accelerator Laboratory
  • 13. National Center for Supercomputing Applications
  • 14. University of Illinois Urbana-Champaign
  • 15. Institute for High Energy Physics
  • 16. The Ohio State University
  • 17. University of Trieste
  • 18. Trieste Astronomical Observatory
  • 19. Institute for Fundamental Physics of the Universe
  • 20. National Observatory
  • 21. Valongo Observatory
  • 22. University of Michigan–Ann Arbor
  • 23. Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas
  • 24. University of Chicago
  • 25. University of Pennsylvania
  • 26. University of Oslo
  • 27. Institute of Space Sciences
  • 28. Autonomous University of Madrid
  • 29. University of Queensland
  • 30. Center for Astrophysics Harvard & Smithsonian
  • 31. University of Arizona
  • 32. Australian Astronomical Observatory
  • 33. Macquarie University
  • 34. Lowell Observatory
  • 35. Institució Catalana de Recerca i Estudis Avançats
  • 36. University of Wisconsin–Madison
  • 37. Princeton University
  • 38. University of Southampton
  • 39. Oak Ridge National Laboratory
  • 40. University of Portsmouth

Description

We present in this paper one of the largest galaxy morphological classification catalogues to date, including over 20 million of galaxies, using the Dark Energy Survey (DES) Year 3 data based on Convolutional Neural Networks (CNN). Monochromatic $i$-band DES images with linear, logarithmic, and gradient scales, matched with debiased visual classifications from the Galaxy Zoo 1 (GZ1) catalogue, are used to train our CNN models. With a training set including bright galaxies ($16\le{i}<18$) at low redshift ($z<0.25$), we furthermore investigate the limit of the accuracy of our predictions applied to galaxies at fainter magnitude and at higher redshifts. Our final catalogue covers magnitudes $16\le{i}<21$, and redshifts $z<1.0$, and provides predicted probabilities to two galaxy types -- Ellipticals and Spirals (disk galaxies). Our CNN classifications reveal an accuracy of over 99\% for bright galaxies when comparing with the GZ1 classifications ($i<18$). For fainter galaxies, the visual classification carried out by three of the co-authors shows that the CNN classifier correctly categorises disky galaxies with rounder and blurred features, which humans often incorrectly visually classify as Ellipticals. As a part of the validation, we carry out one of the largest examination of non-parametric methods, including $\sim$100,000 galaxies with the same coverage of magnitude and redshift as the training set from our catalogue. We find that the Gini coefficient is the best single parameter discriminator between Ellipticals and Spirals for this data set.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

نقدم في هذه الورقة واحدة من أكبر كتالوجات التصنيف المورفولوجي للمجرات حتى الآن، بما في ذلك أكثر من 20 مليون مجرة، باستخدام بيانات السنة الثالثة من مسح الطاقة المظلمة (DES) بناءً على الشبكات العصبية الالتفافية (CNN). يتم استخدام صور DES أحادية اللون ذات النطاق $i$ بمقاييس خطية ولوغاريتمية ومتدرجة، متطابقة مع تصنيفات مرئية منزوعة الانحياز من كتالوج حديقة حيوان جالاكسي 1 (GZ1)، لتدريب نماذج CNN الخاصة بنا. مع مجموعة التدريب بما في ذلك المجرات الساطعة ($ 16\le{i}<18 $) عند الانزياح الأحمر المنخفض ($z<0.25 $)، نقوم علاوة على ذلك بالتحقيق في حد دقة تنبؤاتنا المطبقة على المجرات ذات الحجم الخافت وعند الانزياح الأحمر الأعلى. يغطي كتالوجنا النهائي مقادير 16 $\le{i}<21 $، وينتقل إلى اللون الأحمر $z<1.0 $، ويوفر احتمالات متوقعة لنوعين من المجرات - المجرات البيضاوية واللوالب (مجرات القرص). تكشف تصنيفات CNN الخاصة بنا عن دقة تزيد عن 99 \% للمجرات الساطعة عند مقارنتها بتصنيفات GZ1 ($i<18 $). بالنسبة للمجرات الخافتة، يُظهر التصنيف البصري الذي أجراه ثلاثة من المؤلفين المشاركين أن مصنف CNN يصنف المجرات القرصية بشكل صحيح مع ميزات مستديرة وغير واضحة، والتي غالبًا ما يصنفها البشر بشكل غير صحيح على أنها بيضاوية الشكل. كجزء من التحقق من الصحة، نجري أحد أكبر الاختبارات للطرق غير البارامترية، بما في ذلك مجرات بقيمة 100000 دولار أمريكي مع نفس تغطية الحجم والانزياح الأحمر مثل مجموعة التدريب من الكتالوج الخاص بنا. نجد أن معامل جيني هو أفضل عامل تمييز أحادي المعلمة بين الأشكال البيضاوية واللوالب لمجموعة البيانات هذه.

Translated Description (French)

Nous présentons dans cet article l'un des plus grands catalogues de classification morphologique des galaxies à ce jour, comprenant plus de 20 millions de galaxies, en utilisant les données de l'Enquête sur l'énergie noire (des) de l'année 3 basées sur les réseaux de neurones convolutifs (CNN). Des images monochromatiques $i$-band DES avec des échelles linéaires, logarithmiques et de gradient, associées à des classifications visuelles déviées du catalogue Galaxy Zoo 1 (GZ1), sont utilisées pour former nos modèles CNN. Avec un ensemble d'entraînement comprenant des galaxies brillantes ($ 16\le{i}<18 $ ) à faible décalage vers le rouge ($z<0,25 $ ), nous étudions en outre la limite de la précision de nos prédictions appliquées à des galaxies de magnitude plus faible et à des décalages vers le rouge plus élevés. Notre catalogue final couvre les magnitudes $ 16\le{i}<21 $ , et les redshifts $z<1,0 $ , et fournit des probabilités prédites à deux types de galaxies : les galaxies elliptiques et les galaxies spirales (galaxies à disques). Nos classifications CNN révèlent une précision de plus de 99\% pour les galaxies brillantes en comparaison avec les classifications GZ1 ($i<18 $ ). Pour les galaxies plus faibles, la classification visuelle effectuée par trois des co-auteurs montre que le classificateur CNN catégorise correctement les galaxies disky avec des caractéristiques plus rondes et floues, que les humains classent souvent à tort visuellement comme elliptiques. Dans le cadre de la validation, nous effectuons l'un des plus grands examens des méthodes non paramétriques, y compris les galaxies $ \sim$ 100,000 avec la même couverture de magnitude et de redshift que l'ensemble d'entraînement de notre catalogue. Nous constatons que le coefficient de Gini est le meilleur discriminateur à paramètre unique entre les elliptiques et les spirales pour cet ensemble de données.

Translated Description (Spanish)

Presentamos en este artículo uno de los catálogos de clasificación morfológica de galaxias más grandes hasta la fecha, que incluye más de 20 millones de galaxias, utilizando los datos del Año 3 del Dark Energy Survey (des) basados en Redes Neuronales Convolucionales (CNN). Las imágenes monocromáticas DES de $i$-band con escalas lineales, logarítmicas y de gradiente, combinadas con clasificaciones visuales sesgadas del catálogo Galaxy Zoo 1 (GZ1), se utilizan para entrenar a nuestros modelos CNN. Con un conjunto de entrenamiento que incluye galaxias brillantes ($ 16\le{i}<18 $) con un corrimiento al rojo bajo ($z<0.25 $), además investigamos el límite de la precisión de nuestras predicciones aplicadas a galaxias con una magnitud más débil y con corrimientos al rojo más altos. Nuestro catálogo final cubre magnitudes $ 16\le{i}<21 $, y desplazamientos al rojo $z<1.0 $, y proporciona probabilidades predichas para dos tipos de galaxias: elípticas y espirales (galaxias de disco). Nuestras clasificaciones CNN revelan una precisión de más del 99\% para las galaxias brillantes en comparación con las clasificaciones GZ1 ($i<18 $). Para las galaxias más débiles, la clasificación visual llevada a cabo por tres de los coautores muestra que el clasificador de CNN clasifica correctamente las galaxias de disco con características más redondas y borrosas, que los humanos a menudo clasifican visualmente incorrectamente como elípticas. Como parte de la validación, llevamos a cabo uno de los mayores exámenes de métodos no paramétricos, incluyendo $\sim$ 100.000 galaxias con la misma cobertura de magnitud y corrimiento al rojo que el conjunto de entrenamiento de nuestro catálogo. Encontramos que el coeficiente de Gini es el mejor discriminador de un solo parámetro entre elípticas y espirales para este conjunto de datos.

Files

stab2142.pdf.pdf

Files (93 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:b0d506893d4802090edf1644f5f082cd
93 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
فهرس تصنيف المجرة المورفولوجي لبيانات مسح الطاقة المظلمة للسنة الثالثة مع الشبكات العصبية الالتفافية
Translated title (French)
Catalogue de classification morphologique des galaxies des données de l'Enquête sur l'énergie noire de l'année 3 avec réseaux neuronaux convolutionnels
Translated title (Spanish)
Catálogo de clasificación morfológica de galaxias de los datos del año 3 de Dark Energy Survey con redes neuronales convolucionales

Identifiers

Other
https://openalex.org/W3184112418
DOI
10.1093/mnras/stab2142

Is supplement to
https://openalex.org/W4394637313 (Other)
https://openalex.org/W3103457825 (Other)
https://openalex.org/W2803196201 (Other)
https://openalex.org/W2748952813 (Other)
https://openalex.org/W2591893973 (Other)
https://openalex.org/W2073210341 (Other)
https://openalex.org/W2025073373 (Other)
https://openalex.org/W2016259039 (Other)
https://openalex.org/W1986066713 (Other)
https://openalex.org/W1968347830 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Brazil

References

  • https://openalex.org/W1506806321
  • https://openalex.org/W1587746149
  • https://openalex.org/W1678900085
  • https://openalex.org/W1924655545
  • https://openalex.org/W1952411818
  • https://openalex.org/W1965131794
  • https://openalex.org/W1973732031
  • https://openalex.org/W1977863971
  • https://openalex.org/W1991024873
  • https://openalex.org/W2003319143
  • https://openalex.org/W2010315761
  • https://openalex.org/W2011437259
  • https://openalex.org/W2013702926
  • https://openalex.org/W2023037133
  • https://openalex.org/W2030645675
  • https://openalex.org/W2031521127
  • https://openalex.org/W2033803356
  • https://openalex.org/W2035522154
  • https://openalex.org/W2036914160
  • https://openalex.org/W2044738244
  • https://openalex.org/W2050121667
  • https://openalex.org/W2058379217
  • https://openalex.org/W2061959687
  • https://openalex.org/W2068340869
  • https://openalex.org/W2085341627
  • https://openalex.org/W2089065940
  • https://openalex.org/W2093052816
  • https://openalex.org/W2100499185
  • https://openalex.org/W2101926813
  • https://openalex.org/W2112021974
  • https://openalex.org/W2112193291
  • https://openalex.org/W2112796928
  • https://openalex.org/W2114348703
  • https://openalex.org/W2126769742
  • https://openalex.org/W2142238829
  • https://openalex.org/W2142629552
  • https://openalex.org/W2153037851
  • https://openalex.org/W2156899877
  • https://openalex.org/W2158698691
  • https://openalex.org/W2227274187
  • https://openalex.org/W2256679588
  • https://openalex.org/W2576670953
  • https://openalex.org/W2578937925
  • https://openalex.org/W2593003715
  • https://openalex.org/W2604506260
  • https://openalex.org/W2606720601
  • https://openalex.org/W2731034725
  • https://openalex.org/W2744566387
  • https://openalex.org/W2764173864
  • https://openalex.org/W2768455873
  • https://openalex.org/W2769896801
  • https://openalex.org/W2788826274
  • https://openalex.org/W2883193554
  • https://openalex.org/W2892043459
  • https://openalex.org/W2946593308
  • https://openalex.org/W2968857122
  • https://openalex.org/W2980735226
  • https://openalex.org/W2984244983
  • https://openalex.org/W3087919185
  • https://openalex.org/W3098077744
  • https://openalex.org/W3098603390
  • https://openalex.org/W3098845432
  • https://openalex.org/W3099357154
  • https://openalex.org/W3100220540
  • https://openalex.org/W3100901804
  • https://openalex.org/W3101940590
  • https://openalex.org/W3103472417
  • https://openalex.org/W3103496323
  • https://openalex.org/W3103868583
  • https://openalex.org/W3104314836
  • https://openalex.org/W3104422888
  • https://openalex.org/W3104540689
  • https://openalex.org/W3104582511
  • https://openalex.org/W3104608022
  • https://openalex.org/W3105255738
  • https://openalex.org/W3113275039
  • https://openalex.org/W3121912651
  • https://openalex.org/W4230821489
  • https://openalex.org/W4240017161
  • https://openalex.org/W4247359480
  • https://openalex.org/W4285719527
  • https://openalex.org/W4289569283