AutoProf – I. An automated non-parametric light profile pipeline for modern galaxy surveys
Notice bibliographique
Résumé
ABSTRACT We present an automated non-parametric light profile extraction pipeline called autoprof. All steps for extracting surface brightness (SB) profiles are included in autoprof, allowing streamlined analyses of galaxy images. autoprof improves upon previous non-parametric ellipse fitting implementations with fit-stabilization procedures adapted from machine learning techniques. Additional advanced analysis methods are included in the flexible pipeline for the extraction of alternative brightness profiles (along radial or axial slices), smooth axisymmetric models, and the implementation of decision trees for arbitrarily complex pipelines. Detailed comparisons with widely used photometry algorithms (photutils, xvista, and galfit) are also presented. These comparisons rely on a large collection of late-type galaxy images from the PROBES catalogue. The direct comparison of SB profiles shows that autoprof can reliably extract fainter isophotes than other methods on the same images, typically by >2 mag arcsec−2. Contrasting non-parametric elliptical isophote fitting with simple parametric models also shows that two-component fits (e.g. Sérsic plus exponential) are insufficient to describe late-type galaxies with high fidelity. It is established that elliptical isophote fitting, and in particular autoprof, is ideally suited for a broad range of automated isophotal analysis tasks. autoprof is freely available to the community at: https://github.com/ConnorStoneAstro/AutoProf.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,040 |
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 source (Gemma direct ou Codex distillé), 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 ».