The JWST Resolved Stellar Populations Early Release Science Program. V. DOLPHOT Stellar Photometry for NIRCam and NIRISS
Notice bibliographique
Résumé
Abstract We present NIRCam and NIRISS modules for DOLPHOT, a widely used crowded-field stellar photometry package. We describe details of the modules including pixel masking, astrometric alignment, star finding, photometry, catalog creation, and artificial star tests. We tested these modules using NIRCam and NIRISS images of M92 (a Milky Way globular cluster), Draco II (an ultrafaint dwarf galaxy), and Wolf–Lundmark–Mellote (a star-forming dwarf galaxy). DOLPHOT’s photometry is highly precise, and the color–magnitude diagrams are deeper and have better definition than anticipated during original program design in 2017. The primary systematic uncertainties in DOLPHOT’s photometry arise from mismatches in the model and observed point-spread functions (PSFs) and aperture corrections, each contributing ≲0.01 mag to the photometric error budget. Version 1.2 of WebbPSF models, which include charge diffusion and interpixel capacitance effects, significantly reduced PSF-related uncertainties. We also observed minor (≲0.05 mag) chip-to-chip variations in NIRCam’s zero-points, which will be addressed by the JWST flux calibration program. Globular cluster observations are crucial for photometric calibration. Temporal variations in the photometry are generally ≲0.01 mag, although rare large misalignment events can introduce errors up to 0.08 mag. We provide recommended DOLPHOT parameters, guidelines for photometric reduction, and advice for improved observing strategies. Our Early Release Science DOLPHOT data products are available on MAST, complemented by comprehensive online documentation and tutorials for using DOLPHOT with JWST imaging data.
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 | 0,001 | 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 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 ».