A Comparative Analysis of 2-Dimensional Model Fitting Algorithms for Astronomical Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Stars and galaxies are captured from light-years away by telescopes and other observational instruments, which produce a pixel grid containing values indicating the light emitted by the object. These pixels have no meaning on their own; important information on the observed object is obtained by fitting models. AstroPhot is a Python-based photometry tool built for fitting such models to astronomical images and uses chi-squared 2D forward modeling to analyze the information they contain. AstroPhot performs sub-pixel integration to ensure high accuracy. In common galaxy models such as Sérsic, brightness within pixels may vary rapidly, so sub-pixel integration is essential to precisely portray these models. Efficiently and accurately performing this type of integration is challenging and many techniques exist to solve this problem. We seek to determine the optimal algorithms/parameters to ensure speed and reliability. To probe this question, AstroPhot galaxy models were compared to those generated by GALFIT, an established photometry solver that also uses chi-squared minimization for fitting. Ideally AstroPhot and GALFIT represent the same model, but due to their differing sub-pixel integration methods, there will be subtle variations in their values. Comparing models from the two algorithms required careful unit conversions due to their different surface brightness parameters. Using a high-resolution image generated with GALFIT as a reference, we sought to determine which pixels in AstroPhot models need more integration, as well as how to get the most accurate pixel value most efficiently.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle