Low surface brightness structures from annotated deep CFHT images: effects of the host galaxy’s properties and environment
Notice bibliographique
Résumé
ABSTRACT Hierarchical galactic evolution models predict that mergers drive galaxy growth, producing low surface brightness (LSB) tidal features that trace galaxies’ late assembly. These faint structures encode information about past mergers and are sensitive to the properties and environment of the host galaxy. We investigated the relationships between LSB features and their hosts in a sample of 475 nearby massive galaxies spanning diverse environments (field, groups, Virgo cluster) using deep optical imaging from the Canada–France–Hawaii Telescope (MATLAS, UNIONS/CFIS, VESTIGE, NGVS). Using Jafar, an online annotation tool, we manually annotated tidal features, including 199 tidal tails and 100 streams. Geometric and photometric measurements were extracted to analyse their dependence on galaxy mass, environment, and internal kinematics. At our surface brightness limit of 29 mag arcsec$^{-2}$, tidal features contribute 2 per cent of total galaxy luminosity. They are detected in 36 per cent of galaxies, with none fainter than 27.8 mag arcsec$^{-2}$. The most massive galaxies are twice as likely to host tidal debris. Although small-scale interactions increase the frequency of tidal features, the large-scale environment (Virgo cluster versus field/group) does not influence it. An anticorrelation between this frequency and rotational support is found, but may reflect the mass-driven effect. We release our data base of annotated features for deep learning applications. Our findings confirm that galaxy mass is the dominant factor influencing tidal feature prevalence, consistent with hierarchical formation models.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».