Giant molecular cloud catalogues for PHANGS-ALMA: methods and initial results
Notice bibliographique
Résumé
ABSTRACT We present improved methods for segmenting CO emission from galaxies into individual molecular clouds, providing an update to the cprops algorithms presented by Rosolowsky & Leroy. The new code enables both homogenization of the noise and spatial resolution among data, which allows for rigorous comparative analysis. The code also models the completeness of the data via false source injection and includes an updated segmentation approach to better deal with blended emission. These improved algorithms are implemented in a publicly available Python package, pycprops. We apply these methods to 10 of the nearest galaxies in the PHANGS-ALMA survey, cataloguing CO emission at a common 90 pc resolution and a matched noise level. We measure the properties of 4986 individual clouds identified in these targets. We investigate the scaling relations among cloud properties and the cloud mass distributions in each galaxy. The physical properties of clouds vary among galaxies, both as a function of galactocentric radius and as a function of dynamical environment. Overall, the clouds in our target galaxies are well-described by approximate energy equipartition, although clouds in stellar bars and galaxy centres show elevated line widths and virial parameters. The mass distribution of clouds in spiral arms has a typical mass scale that is 2.5× larger than interarm clouds and spiral arms clouds show slightly lower median virial parameters compared to interarm clouds (1.2 versus 1.4).
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 | 0,000 | 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 ».