galapagos: from pixels to parameters
Notice bibliographique
Résumé
To automate source detection, two-dimensional light profile Sérsic modelling and catalogue compilation in large survey applications, we introduce a new code Galaxy Analysis over Large Areas: Parameter Assessment by galfitting Objects from SExtractor (galapagos). Based on a single set-up, galapagos can process a complete set of survey images. It detects sources in the data, estimates a local sky background, cuts postage stamp images for all sources, prepares object masks, performs Sérsic fitting including neighbours and compiles all objects in a final output catalogue. For the initial source detection, galapagos applies SExtractor, while galfit is incorporated for modelling Sérsic profiles. It measures the background sky involved in the Sérsic fitting by means of a flux growth curve. galapagos determines postage stamp sizes based on SExtractor shape parameters. In order to obtain precise model parameters, galapagos incorporates a complex sorting mechanism and makes use of modern CPU’s multiplexing capabilities. It combines SExtractor and galfit data in a single output table. When incorporating information from overlapping tiles, galapagos automatically removes multiple entries from identical sources. galapagos is programmed in the Interactive Data Language (idl). We test the stability and the ability to properly recover structural parameters extensively with artificial image simulations. Moreover, we apply galapagos successfully to the STAGES data set. For one-orbit Hubble Space Telescope data, a single 2.2-GHz CPU processes about 1000 primary sources per 24 h. Note that galapagos results depend critically on the user-defined parameter set-up. This paper provides useful guidelines to help the user make sensible choices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».