Цвет машины млечный путь: Краска «Млечный путь». Брутальный цвет для настоящих мужиков

1. обезжирить антисиликоном.
2. если есть ржавчина, зачистить до металла.
3. загрунтовать.
4. покрасить.
5. если краска базовая, необходимо через 15 мин после покраски покрыть лаком

Все необходимые матриалы: (краска, лак, грунт, антисиликон и т.д.) вы можете приобрести у нас. Лучше всего для устранения царапины на автомобиле Lada подойдет набор BrushLine.

Астрономы определили цвет галактики Млечный Путь

Группа астрономов из школы искусств и наук Питта им. Кеннета П. Дитриха объявила сегодня о самом точном определении цвета (метко названной) Галактики Млечный Путь: «очень чистый белый цвет, почти повторяющий свежий весенний снегопад». Джеффри Ньюман, профессор физики и астрономии Питта, и Тимоти Ликкиа, аспирант физики из Питта, сообщили о своих открытиях во время презентации на 219-м заседании Американского астрономического общества (AAS) в Остине, штат Техас.

Хотя цвет является одним из наиболее важных свойств галактик, которые изучают астрономы, было трудно измерить Млечный Путь, поскольку наша солнечная система расположена внутри Галактики. Из-за этого облака газа и пыли закрывают видимость всех областей Галактики, кроме ближайших, не позволяя исследователям получить «общую картину» (см. Http: //home.arcor.de / AXEL.MELLINGER / для полноцветного изображения Млечного Пути, где видно затемнение).

«Проблема похожа на определение общего цвета Земли, когда вы можете сказать только, как выглядит Пенсильвания», — отметил Ньюман.

Чтобы обойти эту проблему, Ньюман и Ликкиа решили определить цвет Млечного Пути, используя изображения других, более далеких галактик, которые можно рассматривать более четко. Эти галактики наблюдались в рамках проекта Sloan Digital Sky Survey (SDSS), в котором Питт сыграл важную роль в измерении детальных свойств почти миллиона галактик и получении цветных изображений примерно четверти неба.Без большого набора галактик, изученных SDSS для сравнения, точное определение цвета было невозможно. Новое измерение цвета позволяет исследователям Питта лучше понять развитие Галактики Млечный Путь и то, как она связана с другими объектами, которые наблюдают астрономы.

«Проблема, с которой мы столкнулись, была похожа на определение внешнего климата, когда вы находитесь в комнате без окон». — сказал Ньюман. «Вы не можете видеть, что происходит, но вы можете посмотреть в Интернете и найти текущие погодные условия где-нибудь, где они должны быть примерно такими же, например, в местном аэропорту.«

Команда Питта определила галактики, похожие на Млечный Путь, по свойствам, которые можно было определить, в частности, по их общему количеству звезд и скорости, с которой они создают новые звезды, которые связаны с яркостью и цветом галактики. . Исследователи Питта осознали, что галактика Млечный Путь должна тогда попадать в диапазон цветов этих совпадающих объектов.

«Благодаря SDSS уже существует большая однородная выборка, необходимая для выбора аналогов Млечного Пути. Нам просто нужно было подумать об идее проекта, и это было возможно, — сказал Ньюман. — Несмотря на то, что это относительно небольшой телескоп, всего 2,5 метра (100 дюймов) в диаметре, SDSS был одним из самых продуктивных с научной точки зрения в мире. история, позволяющая реализовать тысячи новых проектов, подобных этому ».

Ньюман описал общий спектр света Млечного Пути как очень близкий к свету, который можно увидеть при взгляде на весенний снег рано утром, вскоре после рассвета. Майкл Рэмси, доцент геологии Питта, отмечает, что новый весенний снег — самый белый (естественный) снег на Земле.Многие культуры по всему миру дали Млечному Пути названия, связанные с молоком — человеческое зрение нечувствительно к цветам, видимым в слабом свете, поэтому рассеянное свечение Галактики ночью кажется белым. Эта ассоциация оказалась очень подходящей, учитывая истинный цвет Млечного Пути.

Астрономы делят большинство галактик на две большие категории в зависимости от их цвета: относительно красные галактики, которые редко образуют новые звезды, и синие галактики, где звезды все еще рождаются. (Самые яркие звезды обычно голубые, но в космических масштабах они очень недолговечны и быстро умирают.Новые измерения помещают Млечный Путь рядом с разделением между двумя классами.

Это добавляет доказательств того, что, хотя Млечный Путь по-прежнему производит звезды, согласно Ньюману, он «находится на пути к исчезновению». «Через несколько миллиардов лет наша Галактика станет гораздо более скучным местом, полным звезд среднего возраста, медленно расходующих свое топливо и умирающих, но без каких-либо новых, которые могли бы занять их место. Это будет менее интересно для астрономов и в других галактиках, на которые стоит обратить внимание: спиральные рукава Млечного Пути исчезнут в безвестности, когда не останется больше синих звезд.«

Цвет Млечного Пути чрезвычайно близок к «космическому цвету», измеренному Иваном Болдри, профессором астрофизики Ливерпульского университета Джона Мура в Англии, и его сотрудниками в 2002 году; эти исследователи измерили средний цвет галактик в локальной вселенной.

«Это близкое совпадение показывает, что во многих отношениях Млечный Путь — довольно типичная галактика», — сказал Ньюман. «Это также хорошо согласуется с« принципом Коперника », принятым в области космологии: так же, как Земля не находится в особом месте в солнечной системе, мы не должны ожидать, что мы живем в необычном месте во Вселенной.«

Свет от Млечного Пути близко соответствует свету от стандартного источника света D48.4 или лампочки с цветовой температурой 4700-5000K. «Он находится в диапазоне, который наш глаз может воспринимать как белый — примерно на полпути между светом от старых ламп накаливания и стандартным спектром белого на экране телевизора», — сказал Ньюман.

Предоставлено Питтсбургский университет

Цитата : Астрономы определяют цвет галактики Млечный Путь (2012, 11 января) получено 11 февраля 2021 г. с https: // физ.org / news / 2012-01-astronomers-milky-galaxy.html

Этот документ защищен авторским правом. За исключением честных сделок с целью частного изучения или исследования, никакие часть может быть воспроизведена без письменного разрешения. Контент предоставляется только в информационных целях.

Purple Milky Way после модификации моей камеры — DSLR, беззеркальная и универсальная цифровая камера DSO Imaging

Это, вероятно, описано выше, но это относительно легко исправить.

(1) Баланс белого … Откройте TIF в Lightroom и измените настройку баланса белого на Авто. На самом деле мне нравится немного увеличить насыщенность здесь, но не стоит связываться ни с чем другим. На этом этапе он по-прежнему будет выглядеть как изображение динозавра Барни. (2) Затем загрузите его в Photoshop и измените на 8-битный. На самом деле мне нравится сначала делать все свои настройки, а затем устанавливать точки. Найдите на изображении область нейтрального серого цвета (где-то в космосе) и установите серую точку.Я тоже установил свою точку белого. Но именно пипетка с серой точкой возвращает цвет туда, где он наполовину напоминает реальность. Затем (3) откройте свой инструмент цветового баланса и устраните недостатки. Если ваше изображение выглядит слишком зеленым, вам придется немного подправить зелено-красную полосу на красную сторону спектра. То же самое со всеми основными цветами. Это баланс, и я обычно не доволен тем, что делаю, но это работает. Моя цель — реалистично выглядящие (не перенасыщенные) цвета, которые выглядят разумно.Что хорошо в астрофотографии, так это то, что это не похоже на наземную фотографию, где нужно более тщательно управлять экраном и цветовой палитрой. Есть больше возможностей для художественной лицензии. Я просто хочу, чтобы мои красные эмиссионные туманности выглядели красными, если это возможно, и я хочу, чтобы цвета звезд были точными.

Если вам действительно захочется подправить и что-нибудь бросить, так это если у вас есть зеленый оттенок от светового загрязнения. Воняет, но есть способы убрать приведения, если погуглить.

Кроме того, я новичок в этом, так что вы можете выбросить все, что я говорю, в окно, если хотите. Джерри выше знает об этом больше, чем кто-либо из нас (у меня есть его книга), так что послушайте его раньше меня. Но это быстрый способ начать работу. Радоваться, веселиться. (Кстати, хорошие снимки.)

Отредактировал torn8o, 28 июня 2017 г. — 17:06.

Цвет Млечного Пути белый, как утренний снег

Наша галактика удачно названа Млечный Путь — она ​​выглядит белой, цвета свежего весеннего снега ранним утром, как выяснили ученые.

Цвет — ключевая деталь галактик, проливающая свет на ее историю звездообразования. К сожалению, поскольку мы находимся в пределах нашей галактики, облака газа и пыли закрывают из поля зрения все, кроме самых близких областей галактики, не позволяя нам непосредственно увидеть, какого цвета наша галактика в целом.

«На самом деле мы можем видеть только от 1000 до 2000 световых лет в любом направлении — Млечный Путь составляет 100000 световых лет в поперечнике», — сказал соавтор исследования Джеффри Ньюман из Университета Питтсбурга.«Проблема похожа на определение общего цвета Земли, когда вы можете сказать только, как выглядит Пенсильвания».

Чтобы обойти эту проблему, астрономы решили посмотреть на цвета других галактик, чтобы определить оттенок нашей собственной. Причина в том, что галактики, другие свойства которых очень близки к Млечному Пути, вероятно, могут сказать нам, каков цвет нашей галактики.

Какого цвета, Млечный Путь?

Ученые полагались на цифровой обзор неба Sloan Digital Sky Survey, который детально измерил свойства почти миллиона галактик и собрал цветные изображения примерно четверти неба.Они сосредоточились на сотнях галактик, которые были похожи на Млечный Путь с точки зрения их общего количества звезд и скорости, с которой они создают новые звезды, которые связаны с яркостью и цветом галактики.

Они обнаружили, что в среднем наиболее подходящим цветом Млечного Пути был «мелкозернистый новый весенний снег, видимый в лучах раннего утра, примерно через час после рассвета», — сказал Ньюман SPACE. com. «Если бы вы были за пределами Млечного Пути, он бы казался вам белым. Млечный Путь имеет очень подходящее название.»

Ньюман составил хайку к открытию.» Посмотрите на новый весенний снег; увидеть реку небесную; — через час после рассвета », — произнес он.

В частности,« цветовая температура соответствует температуре лампочки 4840 Кельвинов, — сказал Ньюман. — Она голубее, чем лампы накаливания, которые имеют температуру 3000 Кельвинов, и краснее, чем белый цвет на телевизоре. или полуденный свет, который составляет 6500 кельвинов ».

Признаки звездообразования

Тот факт, что Млечный Путь находится прямо на границе между тем, что ученые назвали бы красными галактиками, которые редко образуют новые звезды, и голубыми галактиками, где звезды все еще существуют born предполагает, что образование новых звезд в Млечном Пути, должно быть, прекращается, сказал Ньюман.

«Через несколько миллиардов лет наша галактика станет гораздо более скучным местом, полным звезд среднего возраста, медленно расходующих свое топливо и умирающих, но без каких-либо новых, которые могли бы занять их место», — сказал Ньюман. «Астрономам из других галактик тоже будет менее интересно смотреть — спиральные рукава Млечного Пути исчезнут, когда не останется голубых звезд».

Ньюман и его коллеги подробно рассказали о прошедшей неделе на ежегодном собрании 219-го собрания Американского астрономического общества.

Следите за SPACE.com, чтобы следить за последними новостями космической науки и исследований в Twitter @Spacedotcom и на Facebook .

Археологическая летопись Млечного Пути, записанная атомарным водородом

Астрономы раскрывают самую подробную карту сырья, необходимого для образования звезд

Международная группа астрономов во главе с Хуаном Диего Солером из Института астрономии Макса Планка обнаружила сложную сеть нитевидных структур атомарного водорода, пронизывающего Млечный Путь. Они сделали эту запутанную паутину газа видимой, применив методы от машинного зрения к данным обзора THOR, которые на сегодняшний день дают наиболее подробное представление о распределении атомарного водорода во внутренней части Млечного Пути. Ученые проанализировали ориентацию волокон относительно диска Млечного Пути, используя статистические методы и моделирование. Они пришли к выводу, что структура сохранила отпечаток исторических динамических процессов, вызванных вращением галактического диска и обратной связью от взрывов древних сверхновых.

Эмиссия атомарного водорода из фрагмента обзора THOR (вверху) и связанных нитевидных структур вокруг нити Магдалены (внизу). Цвета представляют излучение с тремя лучевыми скоростями.

© Дж. Солер и др. 2020 г.

Эмиссия атомарного водорода из фрагмента обзора THOR (вверху) и связанные с ним нитевидные структуры вокруг нити Магдалены (внизу). Цвета представляют излучение с тремя лучевыми скоростями.

© Дж. Солер и др. 2020 г.

Водород — ключевой ингредиент для образования новых звезд. Тем не менее, хотя это самый распространенный химический элемент во Вселенной, вопрос о том, как этот газ собирается в облака, из которых в конечном итоге образуются звезды, все еще остается открытым. Коллаборация астрономов во главе с Хуаном Диего Солером из Института астрономии Макса Планка (MPIA) в Гейдельберге сделала важный шаг к ответу на этот вопрос.

Солер обработал данные обзора THOR (HI / OH / рекомбинационная линия) под руководством MPIA, который содержит наблюдения, полученные с помощью радиоинтерферометра Карла Дж. Янски с очень большой решеткой (VLA), базирующегося в Нью-Мексико, США. Съемка предоставляет карты газа, распределенного по внутренней части Млечного Пути, которые имеют самое высокое пространственное разрешение на сегодняшний день. «Последним дополнением к набору данных THOR является наш выпуск данных 2, который включает учет нейтрального атомарного водорода с угловым разрешением 40 угловых секунд», — объясняет Хенрик Бойтер, возглавляющий проект THOR в MPIA.

«Мы использовали знаменитую спектральную линию водорода, расположенную на длине волны 21 см», — объясняет Юань Ван, ответственный за обработку данных. «Эти данные также показывают скорость газа в направлении наблюдения. В сочетании с моделью того, как газ в диске Млечного Пути вращается вокруг своего центра, мы даже можем сделать выводы о расстояниях », Ван добавляет об одном из важнейших методов, которые астрономы используют для определения общей структуры Млечного Пути. Однако беспрецедентное разрешение наблюдений THOR позволило провести совершенно новые исследования.

Чтобы лучше регистрировать распределение газообразного атомарного водорода, Солер применил математический алгоритм к данным, обычно используемым в таких приложениях, как распознавание символов и анализ спутниковых изображений. Это привело к обнаружению обширной и сложной сети водородных нитей. Команда астрономов обнаружила, что большинство из них расположены параллельно диску Млечного Пути, включая водородную полосу длиной 3000 световых лет, которую Солер назвал Магдаленой в честь самой длинной реки в Колумбии, стране его рождения. «Мэгги [Магдалена] могла быть самым большим известным когерентным объектом в Млечном Пути. В последние годы астрономы изучили множество молекулярных нитей, но Мэгги кажется чисто атомной. Из-за его удачного положения в Млечном Пути нам повезло, что мы смогли его обнаружить », — отмечает Джонас Сайед, аспирант MPIA, который также является частью команды THOR. Однако особое внимание исследователей привлекла популяция вертикальных волокон.

Реконструкция газораспределения водорода на участке Млечного Пути по данным обзора THOR.Это приблизительно соответствует тому, что наблюдатель увидел бы с вершины Галактики. Цвета соответствуют плотности атомарного водорода. Серые полосы обозначают спиральные рукава Млечного Пути. Крестами обозначены облака ионизированного газа, которые отмечают области массового звездообразования.

© Wang et al. 2020 г.

Реконструкция газораспределения водорода на участке Млечного Пути по данным обзора THOR. Это приблизительно соответствует тому, что наблюдатель увидел бы с вершины Галактики. Цвета соответствуют плотности атомарного водорода. Серые полосы обозначают спиральные рукава Млечного Пути. Крестами обозначены облака ионизированного газа, которые отмечают области массового звездообразования.

© Wang et al. 2020 г.

«Как и в случае с вращающимся тестом для пиццы, мы ожидали, что большинство нитей будут параллельны плоскости и растянуты при вращении. Но когда мы обнаружили множество вертикальных волокон вокруг регионов, известных своей высокой активностью звездообразования, мы поняли, что находимся на чем-то.Какой-то процесс должен был сдувать материал с галактической плоскости », — объясняет Солер. Звезды с большими массами (более чем в восемь раз больше массы Солнца) выделяют большое количество энергии в свое окружение за счет ветра, ионизирующего излучения и в конце своей жизни благодаря взрывам сверхновых.

В прошлом астрономы использовали наблюдения за атомарным водородом, чтобы идентифицировать оболочки вокруг взрывов сверхновых, возраст которых достигает нескольких миллионов лет. Ударные волны от этих взрывов заставляют диффузный и повсеместно распространенный водородный газ накапливаться в более плотных облаках, что, по мнению ученых, является первым шагом в процессе звездообразования.Но это другое. Поскольку большинство вертикальных нитей атомарного водорода, по-видимому, сосредоточено в регионах с долгой историей звездообразования, где несколько поколений звезд и взрывы сверхновых формировали окружающую среду, исследователи связали их с событиями, которые предшествовали известным оболочкам.

«Скорее всего, мы смотрим на остатки многих старых оболочек, которые лопнули, когда достигли края галактического диска, накопились за миллионы лет и остались когерентными благодаря магнитным полям», — объясняет Солер.Команда пришла к такому выводу, используя расширенное численное моделирование динамики взрывов сверхновых, магнитных полей и движений галактик, предоставленное исследовательской группой во главе с Роуэном Смитом из Центра астрофизики Джодрелл Бэнк в Великобритании и Патриком Хеннебеллем из CEA / Saclay во Франции.

Результаты и инструменты анализа этого исследования предлагают новую связь между наблюдениями и физическими процессами, которые приводят к накоплению газа, предшествующему образованию новых звезд в Млечном Пути и других галактиках.«Галактики представляют собой сложные динамические системы, и новые ключи к разгадке получить сложно. Археологи воссоздают цивилизации на руинах городов. Палеонтологи собирают древние экосистемы из костей динозавров. Мы реконструируем историю Млечного Пути, используя облака атомарного водорода », — заключает Солер.

Справочная информация

Это исследование основано на данных, полученных во время «Обзора линий HI / OH / рекомбинации внутреннего Млечного Пути» (THOR), проведенного Х. Бойтером (MPIA).Из MPIA в написании статьи приняли участие Хуан Д. Солер, Хенрик Бойтер, Йонас Сайед, Юань Ван, Томас Хеннинг и Хендрик Линц.

Эта публикация объединяет вклады 14 организаций из шести стран. Важный вклад внесли Ральф Клессен (Центр астрономии, Институт теоретической астрофизики, Гейдельбергский университет, Германия), Роуэн Дж. Смит (Центр астрофизики Джодрелл-Бэнк, Манчестерский университет, Великобритания), Патрик Хеннебелле (Лаборатория IRFU / CEA / CEA Сап, Парижский университет Дидро, Франция) и Жерун Стил (факультет физики и астрономии Университета Калгари, Канада).

MN / JDS

Всплеск активности посреди Млечного Пути | MIT News

Однако астрономы заметили, что почти один раз в день черная дыра пробуждается к действию, испуская короткую вспышку света, прежде чем снова осесть.Неясно, что вызывает такие вспышки, и ученые попытались охарактеризовать эти периодические вспышки, чтобы лучше понять, как развиваются черные дыры.

Теперь группа ученых из Массачусетского технологического института, Амстердамского университета, Мичиганского университета и других организаций использовала рентгеновскую обсерваторию НАСА Чандра для обнаружения самой яркой вспышки, когда-либо наблюдавшейся на спутнике Стрельца A *. Вспышка, зарегистрированная с расстояния 26 000 световых лет, в 150 раз ярче, чем обычная рентгеновская светимость черной дыры.Ученые наблюдали вспышку более часа, прежде чем она исчезла. По их словам, этот кратковременный всплеск активности может быть ключом к разгадке того, как ведут себя зрелые черные дыры, такие как Стрелец A *.

«Мы изучаем, что делают черные дыры, когда они стары», — говорит Джоуи Нилсен, постдоктор Института астрофизики и космических исследований им. Кавли Массачусетского технологического института. «Они не такие молодые хищники, как квазары, но они все еще активны, и насколько они активны — это интересный вопрос».

Neilsen и его коллеги недавно опубликовали свои результаты в The Astrophysical Journal .

Придирчивый пожиратель

Астрономы обнаруживают черные дыры по световой энергии, испускаемой при поглощении близлежащего вещества. Центры новорожденных галактик и квазаров могут казаться очень яркими, выделяя огромное количество энергии, поглощая свое окружение. С возрастом черные дыры имеют тенденцию замедляться, потреблять меньше и казаться более тусклыми в небе.

«У всех есть представление о черных дырах как о пылесосах, которые всасывают абсолютно все», — говорит Фредерик К.Баганов, научный сотрудник Массачусетского технологического института Кавли. «Но в этом состоянии с действительно низкой скоростью аккреции они действительно привередливы в еде и по какой-то причине фактически сдувают большую часть массы, доступной для потребления».

Чтобы обнаружить такой слабый сигнал, команда зарезервировала время для наблюдений на рентгеновской обсерватории NASA Chandra X-Ray Observatory, гигантском космическом телескопе, предназначенном для обнаружения очень слабых объектов. Команда получила изображения черной дыры от Чандры и использовала спектрометр с решетками передачи высоких энергий (HETGS) телескопа, прибор, созданный профессором физики Массачусетского технологического института Клодом Канисаресом (ныне вице-президент Института по исследованиям и младший проректор), чтобы проанализировать прибывающий свет.

Бортовой спектрометр разделяет рентгеновские лучи черной дыры на волны различной длины, подобно тому, как свет проходит через призму. Исследователи проанализировали данные и обнаружили всплеск в 700 фотонов, который, хотя и небольшой по сравнению с более активными галактиками, был в 150 раз ярче, чем нормальная светимость черной дыры.

«Внезапно по какой-то причине Стрелец А * ест намного больше», — говорит Майкл Новак, научный сотрудник Массачусетского технологического института Кавли. «Одна из теорий заключается в том, что время от времени астероид приближается к черной дыре, черная дыра растягивает и разрывает его на части, поедает материал и превращает его в излучение, поэтому вы видите эти большие вспышки.”

Большой побег

Хотя такие события кажутся относительно редкими, Новак подозревает, что вспышки могут происходить чаще, чем ожидают ученые. Команда зарезервировала более месяца времени в обсерватории Чандра для изучения Стрельца A * в надежде определить больше вспышек и, возможно, их причины.

Марк Моррис, профессор астрономии Калифорнийского университета в Лос-Анджелесе, говорит, что, хотя ежедневно случаются менее яркие вспышки, ученые обнаружили очень мало событий от черной дыры, столь же ярких, как эта недавняя вспышка.

«Эти яркие вспышки дают информацию о процессе вспышки, которая недоступна для более слабых, например, как они колеблются во времени во время вспышки, как изменяется спектр и как быстро они поднимаются и опускаются», — говорит Моррис. «Наибольшее значение этой яркой вспышки может заключаться в том, что она позволяет собирать статистические данные о характеристиках сильных вспышек, которые в конечном итоге могут быть использованы для [определения] причины таких вспышек».

Еще более интригующим для Баганова является то, почему черная дыра излучает так мало энергии.В 2003 году он провел самые первые наблюдения с помощью тогда еще новой обсерватории Чандра и подсчитал, что, учитывая количество газа в окружающей его среде, Стрелец A * должен быть примерно в миллион раз ярче, чем он есть на самом деле. отверстие выбрасывает большую часть вещества, которое в противном случае потребляло бы. Физика, лежащая в основе такого явления, остается загадкой, которую Баганофф и другие надеются решить с помощью будущих наблюдений.

«Мы действительно изучаем большой побег, потому что большая часть газа выходит, а это не то, чего мы ожидаем», — говорит Баганофф.«Итак, мы собираем историю активности центра нашей галактики».

ПРОЕКТ «МОЛОЧНЫЙ ПУТЬ»: ПРИМЕНЕНИЕ ГРАЖДАНСКОЙ НАУКИ И МАШИНОСТРОЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ МЕЖЗВЕЗДНЫХ ПУЗЫРЬКОВ

Мы представляем Brut, алгоритм идентификации пузырей на инфракрасных изображениях промежуточной плоскости Галактики. Brut основан на алгоритме случайного леса и использует пузыри, идентифицированные более чем 35 000 гражданских ученых из проекта «Млечный путь», чтобы обнаружить идентифицирующие характеристики пузырей на изображениях, полученных с космического телескопа Spitzer .Мы демонстрируем, что способность Брута определять пузыри сравнима со способностями опытных астрономов. Мы используем Brut для повторной оценки пузырьков в каталоге проекта «Млечный Путь» и обнаруживаем, что 10–30% объектов в этом каталоге не являются нарушителями пузырьков. По сравнению с этими нарушителями, высоконадежные пузыри больше ограничиваются средней плоскостью и демонстрируют более сильный избыток молодых звездных объектов вдоль и внутри краев пузыря. Кроме того, Brut может обнаруживать пузырьки, пропущенные предыдущими поисками, особенно пузырьки возле ярких источников, которые имеют низкий контраст по сравнению с их окружением.Брют демонстрирует синергизм, существующий между гражданскими учеными, профессиональными учеными и методами машинного обучения. В случаях, когда «неподготовленные» граждане могут идентифицировать закономерности, которые машины не могут обнаружить без обучения, алгоритмы машинного обучения, такие как Brut, могут использовать результат гражданских научных проектов в качестве входных учебных наборов, предлагая огромные возможности для ускорения темпов научных открытий. Гибридная модель машинного обучения в сочетании с данными обучения, полученными от гражданских ученых, может не только классифицировать большие объемы данных, но и устранить слабые места каждого подхода, если использовать его отдельно.

Звездная обратная связь имеет важное влияние на динамику и энергетический баланс межзвездной среды (ISM; Zinnecker & Yorke 2007). Ветры и радиационные поля от массивных молодых звезд могут изменить близлежащие молекулярные облака. Это взаимодействие может восполнить энергию, рассеиваемую турбулентностью, вызвать звездообразование за счет сжатия и сбора газа и даже химически диссоциировать или физически рассеять молекулярные облака (Matzner 2002).

Межзвездные «пузыри» являются основным проявлением звездной обратной связи.Молодые OB-звезды обладают достаточным звездным ветром и светимостью ионизирующих фотонов, чтобы формировать сферические или кольцевые полости в окружающих их молекулярных облаках. Пузыри, в частности, важны, потому что по сравнению с коллимированными потоками они влияют на больший объем окружающих молекулярных облаков и, по сравнению со сверхновыми, возникают вокруг большей части звезд и сохраняются в течение более длительного периода времени (Matzner 2002; Arce et al. 2011 г.).

К сожалению, из-за своей сложной морфологии пузырьки, как и многие другие особенности ISM, трудно идентифицировать и анализировать.Существующие каталоги пространственно протяженных пузырей обычно идентифицируются визуально (Hu 1981; Marston 1996; Kiss et al. 2004; Helfand et al. 2006; Churchwell et al. 2006, 2007; Könyves et al. 2007; Simpson et al. 2012). . У этого есть два основных недостатка. Во-первых, это громоздко и все более невыполнимо, поскольку наборы данных становятся все больше. Во-вторых, ручная классификация по своей природе субъективна и неповторима; люди подвержены утомлению, скуке и тонким ошибкам отбора, влияние которых на итоговый каталог трудно откалибровать.Проблемы, связанные с обнаружением пузырей вручную, характерны для многих анализов с субъективным компонентом.

Методы машинного обучения представляют собой многообещающее решение этих проблем. Эти методы нацелены на построение моделей, которые могут различать разные классы объектов, без предметно-ориентированного знания того, что представляют собой такие объекты — другими словами, они идентифицируют чисто статистические различия между различными совокупностями данных. Хотя такие модели обычно не используются в качестве научных моделей , они могут быть очень эффективны в качестве вычислительных моделей для выполнения таких задач, как классификация.

Наша цель в этой работе — применить методы машинного обучения к задаче обнаружения пузырей и оценить потенциал этого подхода. Используя каталог известных пузырьков, идентифицированных гражданскими учеными из Проекта Млечный Путь (Симпсон и др. 2012), мы «обучаем» алгоритм распознавания пузырьков в данных изображения, полученного с космического телескопа Spitzer . Мы описываем структуру этого алгоритма, который мы называем Brut, в разделе 2. В разделе 3 мы используем набор экспертных классификаций для измерения производительности Brut при обнаружении пузырей.В разделе 4 мы демонстрируем, что этот детектор дает полезные вероятностные оценки того, содержит ли какое-либо конкретное изображение пузырь — эти вероятности хорошо коррелируют с тем, как астрономы классифицируют похожие области. Мы используем этот детектор для поиска систематических ошибок и неполноты в существующих пузырьковых каталогах. Этот анализ дает новый каталог пузырьков с высокой вероятностью, и мы исследуем, как ансамблевые свойства этого каталога отличаются от старого каталога. В Разделе 5 мы применяем Брют к задаче обнаружения пузырьков, отсутствующих в текущих каталогах.В разделе 6 мы рассмотрим, как этот подход в более общем плане применим к будущим задачам анализа данных в астрономии.

1.1. Предыдущая работа

Вообще говоря, пузырь представляет собой оболочку размером 1–30 парсек в МЗС, очищенную сочетанием избыточного теплового давления, радиационного давления и звездных ветров. Основная структура пузыря показана на рисунке 1. Стрёмгрен (1939) впервые вывел структуру ионизации вокруг звезд OBA в ISM. Звездное излучение ионизирует и нагревает газ до ~ 10 ⁴ К, создавая сильное избыточное давление, которое вызывает расширение в окружающую среду.Это расширение создает сверхплотную газовую оболочку вдоль фронта расширения. Castor et al. (1975) и Weaver et al. (1977) расширили этот анализ, включив в него эффекты сильных звездных ветров от O- и ранних B-звезд. Главный эффект звездного ветра заключается в создании ударной высокотемпературной (10 ⁶ К) области в пределах области ионизации 10 ⁴ К. Этот толчок захватывает дополнительный материал в области ионизации, потенциально создавая вторую оболочку. Хотя термин «пузырь» первоначально относился к пустотам, очищаемым звездным ветром, современные наблюдательные исследования «пузырей», как правило, включают как эти объекты, так и классические области H ii.Кроме того, Бомонт и Уильямс (2010) продемонстрировали, что многие пузыри заключены в относительно тонкие облака и больше напоминают кольца, чем сферы. В этой статье мы используем термин «пузырь» в широком смысле для обозначения любой кольцевой или раковинной полости, очищаемой молодой звездой или звездой главной последовательности.

Приблизить Уменьшить Сбросить размер изображения

Рис. 1. Схематическая структура пузырька, адаптированная из Freyer et al.(2003). Красный и зеленый цвета кодируют типичную морфологию, наблюдаемую на изображениях Spitzer , где зеленый соответствует излучению 8 мкм, в котором преобладает флуоресценция ПАУ, а красный соответствует излучению 24 мкм, в котором преобладает горячая пыль.

Загрузить рисунок:

Космический телескоп Спитцер и его обзоры средней плоскости Галактики — проблеск (Бенджамин и др., 2003) и Мипсгал (Кэри и др., 2009) — позволили провести всесторонние статистические исследования пузырей в Галактике.Средние длины волн инфракрасного диапазона хорошо подходят для наблюдений за пузырями, поскольку они проникают глубже в диск Галактики и соответствуют характеристикам излучения пузырей. На рисунке 1 схематично изображена наблюдательная подпись пузыря в данных Spitzer . Граница раздела между оболочками пузырьков и окружающей средой ISM вызывает особенности эмиссии полициклических ароматических углеводородов (ПАУ), некоторые из которых попадают в полосу пропускания 8 мкм Spitzer . Внутренние части пузырей часто имеют размер 24 мкм из-за излучения горячих пылинок (Everett & Churchwell 2010).

Churchwell et al. (2006, 2007) выполнили первый поиск пузырьков на изображениях галактической плоскости Spitzer , в результате чего был составлен каталог из 600 пузырьков, расположенных в | ℓ | <65 °, | b | <1 °. Эти объекты были идентифицированы четырьмя астрономами, вручную просматривавшими изображения размером 3,5–8,0 мкм (у них не было доступа к изображениям с размером 24 мкм). Черчвелл и др. (2006) отметили, что у каждого астронома были разные предубеждения при выборе, и предупредили, что их каталог, вероятно, был неполным.

В попытке преодолеть присущую ручной классификации систематическую ошибку, веб-проект «Млечный путь» (Simpson et al. 2012) привлек более 35 000 гражданских ученых для поиска пузырьков в данных Spitzer . Проект Млечный Путь (далее MWP) представил цветные составные изображения Spitzer с размерами 4,5 мкм, 8 мкм и 24 мкм и попросил гражданских ученых нарисовать эллипсы вокруг потенциальных пузырьков. На рис. 2 показаны два типичных изображения, представленных публике. Каждое изображение в MWP было 800 × 400 пикселей с масштабом пикселей в диапазоне от 135 до 675 пикселей ^-1 .Благодаря усилиям в области гражданской науки был получен значительно больший каталог из ~ 5000 объектов, что почти в 10 раз больше числа в каталоге из ~ 600 оболочек, каталогизированных четырьмя астрономами Черчвелла и др. (2006, 2007) опросы. Организаторы MWP связывают это значительное увеличение с увеличением числа человеческих классификаторов в 10 000 раз и использованием данных 24 мкм для дальнейшего выделения внутренних частей пузырей. По их оценке, каталог MWP завершен на 95%, исходя из скорости падения, с которой были обнаружены новые объекты.Тем не менее, они предупредили, что этот каталог неоднороден и, вероятно, подвержен трудноизмеримым ошибкам отбора.

Приблизить Уменьшить Сбросить размер изображения

Рис. 2. Примеры изображений, представленных гражданскими учеными проекта «Млечный Путь» для определения пузырей. На изображениях показано излучение 4,5 мкм синим, излучение 8 мкм зеленым и излучение 24 мкм красным цветом.

Загрузить рисунок:

1.2. Ручная и автоматическая классификация в астрономии

С точки зрения точности, люди все еще превосходят компьютеры в большинстве задач распознавания образов на основе изображений (например, Zhang & Zhang 2010). Из-за этого морфологически сложные структуры в ISM (включая остатки сверхновых, истечения, пузыри, области H ii, молекулярные и инфракрасные темные облака и планетарные туманности) все еще традиционно каталогизируются вручную. Однако человеческая классификация имеет ряд недостатков.

Во-первых, человеческая классификация требует времени, а человеко-часы — ограниченный ресурс.Даже за счет привлечения больших сообществ гражданских ученых данные из опросов следующего поколения будут слишком большими для проведения исчерпывающего поиска. Например, более 35 000 гражданских ученых из MWP классифицировали примерно 45 ГБ данных изображений из Spitzer . Наборы астрономических данных нынешнего и следующего поколений во много тысяч раз больше, чем это, что позволяет предположить, что десятки миллионов гражданских ученых потребуются для аналогичного исчерпывающего поиска с помощью наборов данных в терабайтах и ​​петабайтах.

Во-вторых, многие научно важные задачи не подходят для привлечения общественности.Частично привлекательность MWP связана с тем, что изображения Spitzer красивы, содержат много пузырей и требуют просмотра. Поиски очень редких предметов или задач, научное обоснование которых менее очевидно для ученого-гражданина, могут с меньшей вероятностью увлечь большие сообщества добровольцев. Raddick et al. (2013) более подробно рассматривает мотивацию ученых-граждан.

Наконец, ручную классификацию нелегко повторить и сложно откалибровать статистически.Например, неизвестно, насколько консенсусное мнение гражданских ученых соответствует консенсусу астрономов. Каталог MWP не включает никаких оценок вероятности того, что каждый объект является реальным пузырем, в отличие от другой структуры в ISM.

Автоматические классификации, основанные на методах машинного обучения, прекрасно дополняют человеческую классификацию. Такой подход легко масштабируется для больших объемов данных и невосприимчив к некоторым факторам, влияющим на человека, таким как скука и усталость.Более того, поскольку алгоритмические классификации систематичны и воспроизводимы, их легче интерпретировать и статистически характеризовать. Несмотря на структурную сложность ISM, Beaumont et al. (2011) продемонстрировали, что алгоритмы автоматической классификации могут различать различные структуры ISM на основе морфологии.

Было несколько предыдущих попыток обнаружить структуры, подобные оболочке, в ISM, используя автоматизированные методы. Один из подходов включает сопоставление данных наблюдений с шаблонами для поиска характерных морфологий.Thilker et al. (1998), например, использовали шаблоны положение – положение – скорость расширяющихся оболочек для поиска пузырьков в данных H i. Этот метод также использовали Мащенко и Силич (1995) и Мащенко и Сент-Луи (2002). Ehlerová & Palouš (2005, 2013) использовали более общий подход — они искали внутренние полости в оболочках H i, определяя протяженные области с низким уровнем излучения. Daigle et al. (2003, 2007) провели поиск оболочек H i, обучив нейронную сеть классифицировать спектры как содержащие сигнатуры исходящего потока на основе обучающего набора спектров от известных оболочек.Они пропускают спектральные кубы через этот классификатор и ищут связанные области исходящих сигнатур.

Трудно надежно классифицировать структуры ISM с помощью шаблонов из-за неоднородности и нерегулярности ISM — простые формы, такие как расширяющиеся сферы, часто плохо приближаются к истинному ISM. Метод, применяемый Ehlerová et al. является более надежным в этом отношении, но, как отмечает Daigle et al. (2007), чувствительна только к полностью закрытым пузырькам. Настоящие пузыри часто лопаются или имеют форму дуги.В этом отношении подход нейронной сети, который Daigle et al. преследование является улучшением, поскольку нейронные сети делают меньше жестко запрограммированных предположений об определяющих характеристиках пузыря и вместо этого используют данные для обнаружения отличительных признаков. У этого подхода есть несколько недостатков. Во-первых, нейронная сеть Дейгла и др. Классифицирует один спектр за раз без дополнительной информации о пространственной структуре излучения на небе. Во-вторых, нейронные сети в Daigle et al.(2007) обучены на данных 11 пузырей из Канадского обзора галактических плоскостей, и поэтому потенциально склонны к особенностям этой небольшой выборки. Наконец, нейронные сети имеют большое количество настраиваемых параметров, связанных с топологией сети, и оптимальная топология имеет репутацию сложной для оптимизации.

По сравнению с этими усилиями, подход, который мы применяем здесь, аналогичен работе Daigle et al. (2007). Однако наша методология отличается по нескольким ключевым аспектам.Во-первых, каталог MWP предоставляет на два порядка более крупную выборку известных пузырьков, с помощью которой можно обучать автоматический классификатор. Во-вторых, мы используем более новый алгоритм случайного леса (Breiman 2001), который имеет меньшее количество настраиваемых параметров, которые легче оптимизировать. Наконец, мы сосредоточимся на обнаружении морфологических признаков оболочек в данных Spitzer — инфракрасные пузыри визуально более заметны, чем оболочки H i, и, следовательно, их легче классифицировать.

Есть несколько причин для создания пузырькового классификатора на основе данных MWP.

• 1.

  Автоматический классификатор способен производить количественные оценки надежности для каждого пузыря в каталоге MWP, потенциально отмечая нарушителей, не являющихся пузырями, и приводя к более чистому каталогу (раздел 4).

• 2.

  Мы можем искать пузыри, не обнаруженные учеными-гражданами MWP (Раздел 5).

• 3.

  Мы можем рассматривать эту задачу как тематическое исследование для сложных задач классификации в будущих наборах данных, где исчерпывающая ручная классификация будет невозможна (Раздел 6).

Наша цель состоит в том, чтобы использовать набор пузырей, идентифицированных учеными-гражданами, для создания автоматического детектора, который при представлении области неба в обзорах проблесков и мипсгаля Spitzer точно определяет, содержит ли изображение пузырь. . Наш подход, который мы называем Brut, ⁴ , является примером задачи контролируемого обучения. Вот краткий обзор задачи.

• 1.

  Создайте репрезентативный обучающий набор примеров пузырьковых и непузырьковых изображений.Это будет получено из набора данных MWP.

• 2.

  Преобразуйте каждый пример в числовой вектор признаков , который описывает каждый объект и фиксирует разницу между пузырьками и не пузырьками.

• 3.

  Подайте обучающие данные в алгоритм обучения для построения модели.

• 4.

  Используйте подмножество примеров, не используемых во время обучения, чтобы оптимизировать настраиваемые параметры (так называемые гиперпараметры ) алгоритма обучения.

2.1. Классификация случайного леса

Брут использует алгоритм классификации случайного леса (Брейман 2001), чтобы различать изображения пузырьков и не пузырьков. Случайные леса — это совокупность более простого алгоритма обучения, называемого деревом решений. Дерево решений — это структура данных, которая классифицирует векторы признаков путем вычисления серии ограничений и распространения векторов вниз по дереву в зависимости от того, удовлетворяются ли эти ограничения. Например, на рисунке 3 показано простое дерево решений для классификации того, являются ли животные кошками.Здесь векторами признаков являются четыре свойства каждого наблюдаемого животного: количество ног, хвостов, рост и масса. Показаны два примера векторов признаков, которые распространяются на обозначенные узлы классификации. В контексте Brut каждый классификационный объект представляет собой квадратную область в мельком обзоре. Каждый вектор признаков представляет собой набор морфологических свойств, извлеченных из одной такой области, и дерево решений предсказывает, заполнена ли каждая область пузырьком.

Деревья решений строятся с использованием входного обучающего набора предварительно классифицированных векторов признаков. Во время построения дерева для оценки дерева используется эвристика качества. Распространено несколько эвристик, которые учитывают как точность классификации, так и сложность самого дерева — очень сложные деревья более склонны к чрезмерной подгонке и, таким образом, не имеют преимуществ (Ivezić et al. 2014). Мы рассматриваем выбор конкретной эвристики как гиперпараметр, который мы обсудим ниже. Деревья решений строятся по одному узлу «жадным» способом. То есть на каждом этапе процесса обучения к дереву добавляется новое логическое ограничение, чтобы максимально повысить оценку эвристики качества.Этот процесс повторяется до тех пор, пока эвристика качества не достигнет локального максимума.

Сами по себе деревья решений склонны к чрезмерной подгонке обучающих данных из-за добавления слишком большого количества узлов. В более традиционном контексте подгонки это аналогично добавлению слишком большого количества членов к полиномиальному подбору зашумленных данных — в обеих ситуациях модель очень хорошо описывает входные данные, но не обобщается на новые прогнозы. Случайные леса были разработаны для решения этой проблемы (Breiman 2001). Случайные леса — это ансамбли многих деревьев решений, построенных с использованием различных случайных подмножеств обучающих данных.Окончательная классификация случайного леса — это просто классификация большинства отдельных деревьев. Поскольку чрезмерная подгонка чувствительна к точным используемым входным данным, каждое отдельное дерево в случайном лесу подгоняется по-разному. Усредняя классификации каждого дерева, случайный лес смягчает чрезмерную подгонку. Случайные леса доказали свою эффективность во многих контекстах машинного обучения (Kuhn & Johnson 2013).

Помимо хорошей производительности и устойчивости к чрезмерной подгонке, алгоритм случайного леса имеет несколько других полезных свойств: можно интерпретировать, насколько важен каждый элемент в векторе признаков для классификации (раздел 2.7), алгоритм, естественно, игнорирует нерелевантные элементы вектора признаков, и он концептуально и вычислительно прост.

Стоит сравнить свойства алгоритмов обучения, таких как классификатор случайного леса, с более традиционными, «параметрическими» моделями, обычно используемыми в астрономии. Параметрические модели часто строятся вручную и выводятся из лежащей в основе астрофизической модели — соответствие спектру мощности космического микроволнового фона является типичным примером такой модели.С другой стороны, структура модели случайного леса задается свойствами кластеризации самих данных. Основное преимущество подхода случайного леса состоит в том, что сложность модели в значительной степени определяется сложностью обучающих данных. То есть случайные леса могут моделировать сложные морфологические различия между пузырьковыми и непузырьковыми изображениями, которые в противном случае было бы трудно выразить в построенной вручную модели пузырьковой структуры. Это важное свойство при рассмотрении неравномерности ISM.

2.2. Извлечение признаков

Отдельные «объекты», которые классифицирует Брут, представляют собой квадратные области неба, и цель классификатора — определить, заполнена ли каждая область пузырем. Каждое поле обозначается тремя числами: широтой и долготой центра поля и размером поля. Мы разбиваем обзор краткого обзора на поля 18 различных размеров, логарифмически разнесенных от 002 до 095. На каждой шкале размеров мы определяем и классифицируем перекрывающуюся сетку полей.Соседние плитки в этой сетке разделены одной пятой размера плитки.

В качестве этапа предварительной обработки мы извлекли двухцветные почтовые марки для каждого поля (8 мкм и 24 мкм) и пересчитали эти почтовые марки в (40 × 40) пикселей. Следуя схеме, аналогичной Simpson et al. (2012) эти изображения были обрезаны по интенсивности до 1-го и 97-го процентилей, нормализованы до максимальной интенсивности, равной 1, и пропущены через передаточную функцию квадратного корня. Масштабирование интенсивности имеет тенденцию хорошо подчеркивать структуру ISM, делая пузыри более заметными для глаза.Точно так же было выбрано разрешение (40 × 40) пикселей, потому что оно достаточно мало, но при этом имеет достаточное разрешение, чтобы почтовые марки с известными пузырями по-прежнему распознавались людьми как таковые. На рисунке 4 показаны четыре предварительно обработанных поля в направлении известных пузырей. ⁵ Цель предварительной обработки — максимально стандартизировать внешний вид пузырьков для разных масштабов размера и интенсивности окружающей среды. Все последующие этапы Brut работают исключительно с этими изображениями, а не с немасштабированными пиксельными данными.

Входными данными классификатора случайного леса является числовой вектор признаков, который описывает свойства каждого региона. Идеальный вектор признаков фиксирует различия между каждым классом объектов, так что объекты из разных классов занимают разные подобласти пространства признаков. Разработка эффективного вектора признаков часто является наиболее важным фактором, определяющим эффективность классификации.

Наиболее очевидный выбор для вектора признаков — это просто числовое значение пикселей в каждой предварительно обработанной почтовой марке.Это оказывается плохим выбором, потому что протяженные объекты, такие как пузыри, характеризуются корреляциями между сотнями или тысячами пикселей, а любой отдельный пиксель практически не имеет отношения к задаче классификации. Алгоритмы машинного обучения обычно работают лучше, когда отдельные элементы вектора признаков более важны для классификации и менее зависят от значений других элементов вектора признаков.

Наши векторы признаков были разработаны на основе анализа литературы по автоматическому распознаванию лиц (Viola & Jones 2001).Основная стратегия заключается в кодировании очень большого количества (~ 40 000) общих статистических данных о структурах изображений в различных положениях и масштабах. Эта стратегия кажется более эффективной, чем попытка настроить вектор признаков на конкретный идентифицируемый объект. Хотя большинство элементов в векторе признаков не будут иметь предсказательной силы при классификации, классификатор случайного леса способен игнорировать эту информацию и находить элементы в векторе признаков с наибольшей предсказательной силой.

Следующие величины извлекаются из каждой почтовой марки и объединяются, чтобы сформировать вектор признаков.

• 1.

  Вейвлет-коэффициенты дискретных косинусных и вейвлет-преобразований Daub4 (Press et al. 2007). Эти коэффициенты представляют собой веса, используемые при представлении изображения как линейной комбинации базисных функций. Базисные функции в дискретном косинусном преобразовании являются косинусными функциями и, таким образом, кодируют информацию о мощности на разных пространственных частотах.Напротив, вейвлеты Daub4 пространственно компактны и, следовательно, лучше кодируют пространственно изолированные структуры изображения. Эти производные вейвлет-функции напоминают функции, используемые для распознавания лиц (Viola & Jones 2001).

• 2.

  Точечный продукт изображения ⁶ каждого изображения с 49 шаблонными изображениями круглых колец разного размера и толщины. Пузыри морфологически похожи на эти шаблоны и, как правило, имеют более крупные точечные произведения, чем случайное распределение интенсивности.Все шаблоны колец расположены по центру почтовой марки. Они охватывают семь значений радиуса в диапазоне от 1 до 20 пикселей и семь толщин (2, 4, 6, 8, 10, 15 и 20 пикселей).

• 3.

  Размер в байтах каждого сжатого изображения почтовой марки — изображения существенно более или менее гладкие, чем пузырьковое сжатие, в файлы меньшего и большего размера соответственно.

• 4.

  Характеристики изображения в формате DAISY (Тола и др., 2010). Функции DAISY получены из измерений локальных градиентов интенсивности и кодируют информацию о простых формах на изображениях; они концептуально похожи на фильтры обнаружения края.

Мы пришли к этим специфическим векторам признаков путем экспериментов, потому что они эмпирически дают эффективные классификации. Дизайн векторов признаков часто является наиболее субъективным компонентом многих задач машинного обучения, а другие функции могут лучше моделировать различия между пузырьками и не пузырьками.

2.3. Ограничения границы поля

Мы обнаружили, что производительность классификации улучшилась, если, помимо извлечения векторов признаков в одном поле (ℓ, b , d ), мы также извлекали признаки в (ℓ, b , 2 × d ), (ℓ, b , d /2) и (ℓ, b + d /2, d ) — здесь d — пузырек диаметр. Этот набор полей дает классификатору контекст об области, окружающей пузырек.

Таким образом, в нашем подходе Брут извлекает информацию вектора признаков из области неба, вдвое большей, чем поле, которое он классифицирует. Это накладывает зависящий от широты предел на самое большое поле, которое Брут может классифицировать. Поскольку обзор ограничен | b | <1 °, поля где | b | + d > 1 ° частично выпадают за пределы области съемки. Мы не можем получить правильные векторы признаков для этих областей, и, следовательно, такие пузыри не обнаруживаются Брутом.Мы вернемся к этому факту в разделе 4.

2.4. Данные для обучения

Для построения случайного леса необходимо предоставить набор предварительно классифицированных векторов признаков. Каталог MWP — естественный выбор для создания такого обучающего набора. Однако, как показано на рисунке 5, каталог в целом содержит множество примеров объектов, которые не являются пузырьками и могут поставить под угрозу процесс обучения. Таким образом, мы вручную составили список из 468 объектов в каталоге MWP, которые являются яркими примерами пузырей. Мы фокусируем наше внимание на объектах в большом каталоге пузырей, который содержит 3744 из 5106 полных пузырей с большой полуосью a ≥ 135 (Simpson et al.2012). Мы сосредотачиваемся на большом пузырьковом каталоге, поскольку веб-интерфейс, используемый для создания небольшого каталога, отличался и мог иметь разные предубеждения при выборе. Самый большой пузырь в каталоге MWP имеет большую полуось a = 103. Этот верхний предел устанавливается изображениями с самым широким полем поля, представленными гражданским ученым — мы обсуждаем последствия этого ограничения в разделе 4. Полный обучающий набор положительные примеры получены путем извлечения поля с центром в каждом из этих 468 чистых пузырей, размер которого равен большой оси каждого пузыря.

Приблизить Уменьшить Сбросить размер изображения

Рис. 3. Схематический пример дерева решений для классификации наблюдений за животными как за кошками. Два вектора признаков показаны вверху, а их классификации показаны как узлы с красной и синей рамкой в ​​дереве решений.

Загрузить рисунок:

Для обучения также требуется набор примеров не пузырьков.В принципе, любая случайная область неба, которая не перекрывает объект в каталоге MWP, является потенциальным отрицательным примером — хотя некоторые из этих полей на самом деле содержат пузырьки, которых нет в каталоге MWP, они достаточно редки, чтобы не влиять на обучение. . Однако мы обнаружили, что случайный выбор отрицательных примеров был неоптимальным. Причина этого в том, что большинство случайных полей почти пусты, и их легко отличить от полей с пузырьками. Классификаторы, созданные на основе такого набора данных, неправильно пометили почти любое поле, содержащее структуру ISM, как пузырь.

Лучший набор отрицательных примеров включает больше полей, содержащих структуру (рисунок 6). Мы создали такую ​​коллекцию в стиле бутстреп. Мы начали со случайного набора отрицательных полей, равномерно распределенных по широте и долготе, размеры которых были взяты из распределения размеров положительного обучающего набора. Мы обучили классификатор на этих примерах и использовали его для сканирования 20 000 областей без пузырей. Затем мы отбросили половину исходных отрицательных примеров (наиболее уверенно классифицированных как не содержащие пузырей) и заменили их случайной выборкой ошибочно классифицированных примеров.Мы повторили этот процесс несколько раз, но обнаружили, что одной итерации обычно достаточно для создания хорошего набора обучающих данных.

Наш финальный обучающий набор состоит из 468 примеров пузырьков, идентифицированных в рамках проекта Milky Way, и 2289 примеров не пузырьковых полей. Мы обнаружили, что приблизительное пятикратное превышение отрицательных примеров дает более разборчивый классификатор с более низким уровнем ложноположительных результатов по сравнению с обучающей выборкой с равным количеством положительных и отрицательных примеров. Точно так же использование значительно большего количества отрицательных примеров поставило под угрозу способность классификатора точно идентифицировать известные пузыри.Количество положительных примеров определялось количеством прозрачных пузырей в самом каталоге MWP (по оценке ведущего автора).

2.5. Разделение классификатора

Вместо построения единственного классификатора случайного леса мы обучили три леса на разных подмножествах неба. Каждый лес был обучен на примерах из двух третей области мелькометрической съемки и использовался для классификации оставшейся одной трети. Мотивация для этого состоит в том, чтобы свести к минимуму вероятность переобучения, гарантируя, что области неба, используемые для обучения каждого классификатора, не перекрывают области неба, используемые для окончательной классификации.

Обучающие зоны, используемые для классификации каждого леса, чередуются по всем долготам. Например, на Рисунке 7 показано, как разделена область 0 ° <ℓ <10 °: заштрихованные области обозначают часть неба, используемую для обучения каждого леса, а белая область показывает зону, за классификацию которой отвечает каждый лес.

2.6. Оптимизация гиперпараметров

Алгоритм случайного леса имеет небольшое количество настраиваемых параметров.

• 1.

  Эвристика, используемая для измерения качества классификации при построении дерева решений.Мы рассмотрели три эвристики: критерии примеси Джини, получения информации и коэффициента усиления. Все они обеспечивают аналогичные измерения того, насколько хорошо дерево решений разбивает обучающий набор данных — (Ивезич и др., 2014) обсуждают эти критерии более подробно.

• 2.

  Количество отдельных деревьев решений, включаемых в случайный лес. Мы рассматривали леса с 200, 400, 800 и 1600 деревьями.

• 3.

  Критерий остановки при построении индивидуальных деревьев решений.Если этот критерий установлен на единицу, новые узлы всегда будут добавляться к дереву, пока эвристика качества не достигнет локального максимума. Если для этого числа установлено значение c > 1, то это предотвращает добавление поддерева к данному узлу в дереве решений, если по крайней мере c обучающих примеров не распространяются на этот узел. Этот критерий может подавить чрезмерную подгонку отдельных деревьев, хотя он кажется менее важным в контексте случайных лесов. Мы рассмотрели значения 1, 2 и 4.

Мы исследовали влияние этих настроек гиперпараметров с помощью перекрестной проверки. Во время перекрестной проверки мы разделили обучающие примеры на две группы: первичный набор из 154 пузырьковых примеров и 1462 не пузырьковых примеров, а также проверочный набор из 157 пузырьковых и 10 000 не пузырьковых примеров. Мы обучили случайный лес с определенным выбором гиперпараметров и измерили точность и частоту ложных срабатываний классификатора на проверочном наборе. Мы обнаружили, что лес с эвристикой получения информации, 800 деревьев и c = 4 показал наилучшую производительность.Эвристика качества и размер леса являются более сильными детерминантами эффективности классификации, чем c . Производительность классификатора в основном сходилась на 800 деревьях. В то время как леса с 1600 деревьями показали себя не хуже, чем леса с 800 деревьями, время классификации было вдвое медленнее. Как только мы пришли к оптимальному набору гиперпараметров, мы обучили последние три классификатора случайного леса, используя схему, описанную выше.

2.7. Важность функции

Алгоритм случайного леса измеряет важность каждого элемента в векторе признаков во время обучения.Интуитивно понятно, что элементы вектора признаков, которые появляются в большом количестве узлов (см. Рисунок 3), более важны для классификации. Точно так же элементы, которые появляются ближе к корню дерева, более важны, поскольку большая часть примеров распространяется через эти узлы. Более формально важность функции определяется средним улучшением эвристики качества для всех узлов, связанных с функцией, взвешенным по количеству обучающих примеров, которые распространяются через эти узлы.Важность функции более значима в относительном смысле, чем в абсолютном — функции с более высокими показателями важности имеют большее влияние на поведение дерева решений.

Приблизить Уменьшить Сбросить размер изображения

Рис. 4. Примеры предварительно обработанных изображений для полей около четырех известных пузырей.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рисунок 5. Различные астрофизические объекты в каталоге MWP. (а) «канонические» пузыри, выдутые ветром, и области H ii. (б) оболочки без излучения ПАУ 8 мкм (вероятно, сверхновые или пузыри вокруг образовавшихся массивных звезд). (c) типовые структуры ISM неясного астрофизического происхождения.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рисунок 6. Примеры типичных случайно выбранных отрицательных примеров (слева) и «жестких» примеров (справа). Включение более жестких примеров дает более разборчивые классификаторы.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рисунок 7. Иллюстрация зон, используемых для обучения каждого случайного леса. Каждый лес обучается с использованием данных из затененных областей в своей зоне и используется для классификации светлых областей.

Загрузить рисунок:

Таблица 1 суммирует важность каждой категории функций, используемых в Brut — она ​​показывает среднее значение и сумму значимости для всех элементов функций в каждой категории. Оба столбца нормализованы по максимальному значению важности. Функции, полученные из кольцевых шаблонов, имеют наивысшую общую важность — это дополнительно подтверждается тем фактом, что 19 из 20 наиболее важных отдельных функций являются кольцевыми функциями (15-я наиболее важная функция — это функция вейвлета).Хотя средняя важность функции сжатия немного выше, функций сжатия гораздо меньше, чем функций кольца.

Таблица 1. Значения функций

Скачать таблицу как: ASCIITypeset образ

2.

Чтобы классифицировать регион после обучения, мы вычисляем вектор признаков и отправляем его в один из трех случайных лесов (в зависимости от долготы, как описано в разделе 2.5). Лес дает классификационную оценку от -1 до 1.Это число равно доле деревьев в лесу, предсказывающих, что вектор признаков является пузырем, за вычетом доли деревьев, предсказывающих, что это не так. Эта оценка дает больше информации, чем простая двоичная классификация, поскольку дает некоторое представление о достоверности классификации. Кроме того, можно настроить порог, который определяет, когда объект считается пузырем. При построении набора пузырьков, обнаруженных Brut, увеличение этого порога удаляет пузырьки с более низкими оценками классификации.В идеале это увеличивает надежность каталога — поскольку оставшиеся пузыри имеют более высокие баллы и оцениваются классификатором как более четкие пузыри — за счет полноты.

Один из стандартных способов резюмировать эффективность классификатора — построить график частоты ложных срабатываний (доля ошибочно классифицированных отрицательных примеров) в сравнении с истинно положительной частотой (доля правильно классифицированных пузырьков) при изменении порога. Это называется рабочей характеристикой приемника и показано для трех классификаторов на рисунке 8.Частота ложноположительных результатов измеряется путем классификации ~ 50 000 случайных отрицательных полей, а частота истинных положительных результатов измеряется с использованием 468 известных пузырьков в обучающей выборке — однако обратите внимание, что, учитывая нашу стратегию разделения, каждый из этих пузырьков классифицируется по лес, у которого , а не , видел этот пример раньше. Также помните, что набор пузырьков в этом наборе тестов был выбран, потому что они очень хорошо определены. Таким образом, рисунок 8 переоценивает истинный положительный результат, когда он представлен с более неоднозначными пузырями.Мы сравниваем эффективность классификатора на более репрезентативных пузырьках в Разделе 3.

Приблизить Уменьшить Сбросить размер изображения

Рис. 8. Компромисс между частотой ложноположительных и истинно положительных результатов для трех случайных лесов в Brut. Каждый классификатор обучается с использованием отдельной зоны, изображенной на рисунке 7.

Загрузить рисунок:

Второй лес имеет немного худшую кривую производительности — при истинно положительном уровне 80% лес, который классифицирует зону 2, имеет показатель ложноположительных результатов примерно вдвое больше, чем другие леса.В абсолютном выражении этот показатель ложных срабатываний 0,0005 соответствует шести ложным срабатываниям из 13 000 тестовых примеров, классифицированных этим лесом.

2.9. Создание каталога

Использование нашего автоматического пузырькового классификатора для выполнения полного поиска пузырьков в данных Spitzer очень просто. Основная задача заключается в сканировании классификатора по следу мельчайшей съемки в различных масштабах, как описано в Разделе 2.2. Классификатор присваивает оценку каждому полю зрения, как обсуждалось в предыдущем разделе. Чтобы преобразовать эту непрерывную оценку в двоичную классификацию «пузырь / не пузырь», мы можем выбрать числовой порог и рассматривать любую оценку выше этого порога как обнаружение пузыря. Как показано на рисунке 8, выбор этого порога устанавливает компромисс между полнотой (высокая частота истинных положительных результатов) и надежностью (низкая частота ложных срабатываний). Поскольку разные научные приложения предъявляют разные требования к полноте и надежности, полезно устанавливать этот порог для каждого анализа.Как мы также вскоре обсудим, мы можем превратить эти оценки достоверности в вероятностные оценки, которые эксперт посчитал бы регионом пузырем, путем калибровки по экспертным классификациям.

Обратите внимание, что Brut пытается определить только расположение и размер пузырьков. Гражданские ученые, с другой стороны, могли ограничивать соотношение сторон, позиционный угол и толщину каждого объекта.

На практике классификатор нечувствителен к небольшим изменениям размера или местоположения поля. В результате пузыри обычно связаны с кластером полей, которые превышают порог обнаружения (белые кружки на рисунке 9). Мы следуем простой процедуре, чтобы объединить эти отдельные обнаружения. Учитывая набор необработанных обнаружений, эта процедура идентифицирует два ближайших местоположения в аналогичных масштабах и отбрасывает местоположение, которому классификатор присвоил более низкую оценку. Этот процесс повторяется до тех пор, пока не окажется достаточно близких двух полей, которые можно было бы отбросить. Два поля достаточно близки для слияния, если они разделены меньшим радиусом, чем радиус любого из полей, и их размеры отличаются менее чем на 50%.Красный кружок на Рисунке 9 показывает результат слияния обнаружений.

Приблизить Уменьшить Сбросить размер изображения

Рисунок 9. Иллюстрация того, как Brut объединяет множественные обнаружения пузырьков. Каждый белый круг — это место с высоким баллом Брют. Красный кружок — это область с наивысшим баллом по брюту, которая используется в качестве окончательного обнаружения.

Загрузить рисунок:

Эта практика хорошо работает для изолированных пузырьков, но иногда не работает для комплексов пузырьков с несколькими перекрывающимися пузырьками.Более сложный кластерный анализ вполне может работать лучше в этой ситуации.

Чтобы оценить производительность Brut, нам нужен набор «основополагающих» классификаций. Однако до некоторой степени идентификация пузырей на изображениях Spitzer по своей сути субъективна. Хотя объекты на рис. 5 (а) однозначно связаны со звездообразованием, другие источники — нет. В некоторых случаях — особенно пузырьков неправильной формы или пузырьков со слабой эмиссией 24 мкм или без нее — неясно, являются ли полости, видимые на данных с размером 8 мкм, активно сформированными молодыми звездами или просто случайно подобными кольцам структурами в ISM.

Субъективности идентификации пузырей уделялось лишь ограниченное внимание. Каталог MWP включает в себя измерение «степени успешности», в котором перечисляется доля гражданских ученых, которые идентифицируют конкретный пузырь, по отношению к общему количеству пользователей, просмотревших изображение, содержащее этот пузырь. Однако, как обсуждалось выше, каталог MWP содержит много объектов помимо пузырей. Таким образом, хотя процент попаданий сообщает, насколько визуально значимой представляется конкретная особенность ISM для пользователей MWP, она не дает прямого представления о том, насколько астрономы пришли к консенсусу относительно астрофизической природы этой особенности.

Чтобы лучше измерить уровень консенсуса экспертов по выявлению пузырей, мы провели небольшой онлайн-опрос. Участникам этого обзора астрономам была представлена ​​последовательность из 92 изображений Spitzer с тремя уровнями масштабирования и двумя настройками контрастности. Их попросили отнести каждое изображение к одной из трех категорий: четкие примеры пузырьков или областей H ii, неоднозначные или неправильные пузырьки или непузырьки. В Приложении более подробно обсуждается установка опроса. Мы выбрали около 100 тестовых изображений, чтобы сделать упражнение коротким и минимизировать утомляемость.Мы дополнительно минимизировали последствия утомления, представив примеры каждому эксперту в случайном порядке.

3.1. Проверка каталога проекта Млечный Путь

Из 92 изображений в экспертном обзоре 45 были случайным подмножеством объектов в каталоге MWP (остальные поля обсуждаются в следующем разделе). На рисунке 10 показана структура голосования за эти объекты. Каждая строка соответствует одному изображению, а красная, оранжевая и синяя полосы показывают долю экспертов, которые классифицировали изображение по каждой категории.Мы обращаем внимание на несколько аспектов этого распределения.

• 1.

  Только 15% этих объектов — 7 из 45 — были единогласно классифицированы как прозрачные пузыри — это число увеличивается примерно до 50%, если все неправильные и неоднозначные объекты оптимистично рассматривать как пузыри.

• 2.

  Около 25% объектов — 12 из 45 — оцениваются множеством экспертов как неправильные, неоднозначные или не пузырьковые, то есть объекты, которые с меньшей вероятностью могут быть результатом молодой звезды, лепящей окружающий ISM. В то время как некоторые из этих областей могут быть другими интересными астрофизическими объектами, такими как остатки сверхновых, большинство из них, похоже, представляют собой случайную дугообразную структуру в ISM, не убедительно созданную молодыми звездами.

• 3.

  Самую популярную категорию для каждого объекта выбирают в среднем 70% экспертов. Другими словами, при использовании изображений Spitzer определение «истинной» природы типичного объекта в каталоге MWP является субъективным на уровне 30%. Для сравнения, гражданские ученые демонстрируют гораздо более низкий уровень согласия; средний процент попаданий для этих объектов — 20%.

Можно ли определить, какие из оставшихся объектов в каталоге MWP, вероятно, будут отклонены экспертами как нарушители? Показатель попадания каждого объекта в каталоге может коррелировать с мнением экспертов и быть полезным фильтром. Точно так же оценка достоверности, вычисленная Брутом, может идентифицировать нарушителей. На рис. 11 показан процент попаданий гражданина и показатель уверенности Брута в сравнении с классификацией экспертов. Положение Y каждой точки обозначает уровень консенсуса для каждого объекта — процент экспертов, выбравших категорию множественности.Обе метрики частично отделяют пузыри от других категорий. Показатель попадания более эффективен при наказании оранжевых и красных объектов, которые ограничены показателем попадания <0,2 на панели (а). С другой стороны, скорость попадания неэффективна для изолирования пузырей при высоком экспертном консенсусе. Оценка Brut более эффективна для выявления этих пузырей с высоким уровнем консенсуса, что видно по кластеру синих точек в правом верхнем углу панели (b). На рис. 11 (c) мы также наносим совместный балл - сумму нормализованного и вычтенного среднего балла Брута и показателя попаданий.Это объединяет сильные стороны отдельных показателей и обеспечивает наилучшее разделение.

Приблизить Уменьшить Сбросить размер изображения

Рисунок 10. Распределение экспертных классификаций для 41 объекта пузырькового каталога MWP. Каждая строка соответствует изображению, а цветные полосы в этой строке указывают долю экспертов, которые классифицировали изображение как пузырь (синий), неправильный или неоднозначный пузырь (оранжевый) и непузырьковый (красный).

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рис. 11. Способность по частоте попаданий MWP и баллу Brut предсказывать экспертные классификации объектов в каталоге MWP. Каждый кружок представляет один из 41 объекта каталога MWP, показанного экспертам. Цвет отображает наиболее популярную классификацию, а позиция y указывает долю экспертов, выбравших эту категорию.Кривые оценивают вероятность образования пузырей (правая ось Y ), полученная с помощью логистической регрессии к категории объекта. Метрика Joint, которая сочетает в себе оценку ИТ и оценку Brut, лучше всего подходит для прогнозирования классификации экспертов. Заголовок сообщает о логарифмической вероятности каждой логистической подгонки в соответствии с уравнением (1). Панель (d) изображает идеальную ситуацию, когда классы однозначны.

Загрузить рисунок:

Реклассификацию экспертом этой выборки объектов MWP можно использовать для преобразования необработанной оценки, такой как совместная оценка, в откалиброванную вероятность того, что эксперт классифицирует объект как пузырь с учетом этой оценки.Чтобы достичь этого, мы выполняем логистическую регрессию по каждому из трех баллов (процент попаданий, балл Брют и общий балл). Логистическая регрессия учитывает только то, является ли множественная категория для каждого объекта пузырем — консенсусная информация не используется. Серые кривые на рисунке 11 прослеживают эту кривую и показывают прогнозируемую вероятность того, что объект представляет собой пузырь, с учетом оценки по оси X . Мы повторяем, что это , а не , соответствие через облако точек ( X , Y ) на графике; скорее, это (неформально) подгонка к доле кругов, которые являются синими в каждой точке X графика. Название каждой панели сообщает о качестве каждой подгонки, определяемой логарифмической вероятностью:

Панель (d) на рисунке 11 показывает идеальную ситуацию, когда показатель оценки идеально разделяет два класса объектов, которые единодушно категоризированы. Совместная оценка объединяет информацию, полученную от гражданских ученых и Брута, и наиболее близко подходит к этому идеалу. Хотя логистические кривые для коэффициента совпадений и оценки суставов похожи, последняя кривая лучше подходит для данных, если судить по более высокой вероятности данных в рамках этой модели.

3.2. Единая классификация

Остальные 47 регионов в экспертном опросе были выбраны случайным образом из полного набора полей, проанализированных во время полного сканирования Брутом изображений Spitzer . Полностью случайная выборка из этой коллекции неинтересна, так как большинство полей представляют собой пустые участки неба. Вместо этого эти 47 изображений примерно равномерно распределены по шкале достоверности Brut. Мы называем эти изображения «однородным» образцом.

Распределение голосов экспертов за эти изображения показано на рисунке 12.В этом примере больше не пузырьковых полей, но в остальном общие свойства аналогичны. Среднее поле классифицируется с консенсусом 72%.

На рисунке 13 показана оценка Brut для каждого поля в однородной выборке в сравнении с множественной категорией (цвет) и уровнем консенсуса (ось Y ). Оценка Brut хорошо справляется с разделением объектов с высоким консенсусом. Однако в целом классы перекрываются больше для однородной выборки, чем для выборки MWP. Это также ожидается, поскольку все объекты в выборке MWP ранее были идентифицированы учеными как потенциальные участки пузырей.Единообразная выборка не использует эту информацию и представляет собой более сложную, «слепую» задачу классификации. Как и прежде, логистическая подгонка может использоваться для оценки для объектов, идентифицированных при слепом поиске, вероятности того, что они окажутся пузырем с учетом оценки Брута.

Мы намерены использовать логистические подгонки на рисунках 11 и 13, чтобы преобразовать оценку Брута в вероятностную оценку, согласно которой эксперт определит, что изображение содержит пузырь. Необходимым условием для этого является то, что модель должна быть откалибрована по данным — что P (Пузырь | Оценка) согласовывается с эмпирической долей пузырьков как функцией оценки для объектов в экспертном опросе.Рисунок 14 подтверждает это — он разделяет MWP и однородные выборки на интервалы вероятности (заданные логистической моделью) и показывает эмпирическую долю пузырьков для каждого интервала по оси Y . Здесь пузыри определяются как объекты, признанные за пузыри множеством экспертов. Также показана полоса апостериорной вероятности 25–75%, полученная из конечного размера выборки с предположением биномиального распределения (обратите внимание, что эмпирические средние значения могут выходить за пределы этого интервала). Пунктирная линия один к одному — ожидаемая производительность откалиброванной модели, которой эти модели в целом соответствуют.

Приблизить Уменьшить Сбросить размер изображения

Рис. 12. То же, что и на Рис. 10, для однородного образца.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рис. 13. То же, что и на Рис. 11, для однородного образца.

Загрузить рисунок:

Раздел 3.1 излагается стратегия объединения показателей успешности с собственной оценкой уверенности Брута, чтобы предсказать, классифицирует ли эксперт каждый объект в исходном каталоге MWP как пузырь. На основании этого анализа мы присвоили вероятность пузыря каждому объекту в каталоге MWP (Таблица 2). Подвыборка этого каталога с высокой вероятностью демонстрирует несколько интересных отличий от нефильтрованного каталога.

Таблица 2. Вероятности пузырей для объектов в каталоге проекта Млечный Путь

ℓ	б	с.А.	Большая полуось	Полуось	Скорость попадания	P (пузырь)
(град)	(град)	(град)	(угл. Мин.)	(угл. Мин.)
312.9748272	-0,4354279	23	1,7	1,7	0,53	1.000
309.059036	0,1660606	23	3.7	3,5	0,437	0,999
354,182135	-0,0527919	10	2,0	1,8	0,524	1. 000
348.2597731	0,477404	25	3,9	3,8	0,459	0,999
345,4839785	0,4011382	17	1,7	1,7	0.536	1.000
13.7330073	-0,0159981	18	3,4	3,3	0,543	0,999
5,8986592	-0,4548185	25	4,0	3,9	0,38	0. 993
18.192723	-0,4001685	19	1,9	1,7	0,535	0,999
18.2606111	-0,2967184	17	1,7	1,6	0,672	1.000
331.0 108867	-0,1484733	19	2,2	2,1	0,502	0,999

Примечание. Неограниченные вероятности соответствуют объектам вблизи границы данных, которые Брут не может проанализировать.

Скачать таблицу как: ASCIITypeset image

Чтобы изучить различия между частями каталога MWP с высокой и низкой надежностью, мы разделили каталог на три группы примерно одинакового размера: те, в которых P _bubble <0.5, 0,5 < P _{пузырек} <0,9 и P _{пузырек} > 0,9. На рисунке 15 показано распределение долготы для каждой из этих групп. Распределения в основном похожи, за исключением трех долгот, отмеченных вертикальными линиями. На этих долготах наблюдается избыток маловероятных пузырей по сравнению с другими группами. Фактически все три поля являются участками крупных гигантских областей H ii в градусном масштабе — две показаны на рисунке 16.

Превышение маловероятных объектов в направлении ℓ = −43 ° совпадает с большим комплексом пузырьков, содержащим пузырьки S108 -S111 в Churchwell et al. (2006). Область с = -55 ° совпадает с туманностью Дракон-рыба, исследованной Рахманом и др. (2011). Наконец, область ℓ = −62 ° содержит комплекс звездообразования G305, изученный Хиндсоном и др. (2012).

Чтобы определить, указывает ли переизбыток маловероятных источников вблизи гигантских областей H ii на сбой в вероятностной оценке или на смещение в аннотациях гражданских ученых, ведущий автор вручную проверил объекты в интервале ℓ = −61 °. Сумма вероятностей пузырей для 25 объектов MWP в этом бункере равна 8.09, и подразумевает, что эксперт идентифицировал бы ~ 8 из этих объектов как настоящие пузыри, если вероятностная оценка верна. Примерно пять-шесть из этих объектов являются убедительными кандидатами в пузыри, что говорит о том, что избыток пузырей с низкой вероятностью не является результатом чрезмерно консервативной стратегии оценки. Напротив, это указывает на предвзятость настоящего ученого-гражданина к чрезмерной идентификации пузырей в таких активных областях, как эта. Центральный источник в каждой из этих областей создает большую сложную полость в ISM, а также флуоресцирует большую часть окружающего материала.Это приводит к множеству случайных дугообразных деталей, ошибочно принимаемых за пузыри. Оценки, предоставленные Brut, позволяют идентифицировать эту проблему и исключать нарушителей.

Хотя гражданские ученые склонны чрезмерно идентифицировать пузыри в направлении гигантских областей H ii, они вряд ли сами идентифицируют эти большие области. Это может быть связано с тем, что такие объекты слишком нерегулярны или просто слишком велики, чтобы хорошо просматриваться на любом отдельном изображении, обслуживаемом во время MWP. Самые широкие уровни масштабирования, при которых Brut сканирует данные изображений, шире, чем самые широкие изображения, наблюдаемые гражданскими учеными, и он восстанавливает некоторые из этих областей.Например, на рисунке 16 пурпурным цветом показаны новые регионы, у которых Брут набрал> 0,2 при слепом поиске, но не совпадающие в каталоге MWP. Каждая панель включает новое обнаружение, которое больше, чем самые большие ранее каталогизированные объекты.

Тем не менее, Брют не идентифицирует сами большие области H ii как пузырьки. Это связано с тем, что эти большие области лежат близко к границе покрытия проблеском b = ± 1 °, и Брут не может выделить правильные векторы признаков на больших масштабах (см. Раздел 2.3). Например, пунктирные белые кружки на рисунке 16 показывают вероятные определения для больших областей H ii. Оба эти поля невозможно обнаружить, потому что они расположены слишком близко к границе широтного покрытия. Таким образом, Brut сходится на более мелких обнаружениях. Метод извлечения признаков, который не полагался на пиксели выше и ниже пузыря, вполне мог бы восстановить большие пузыри, близкие к границам широты.

При обсуждении распределения пузырей по долготе Simpson et al. (2012) отметили снижение количества пузырей на | ℓ | <10 °.Они предположили, что это могло быть потому, что путаница в этом более загруженном регионе затрудняет идентификацию. Однако это падение наиболее очевидно для маловероятных объектов. Другими словами, провал в долготном распределении вызван не уменьшением полноты, а, скорее, увеличением надежности. Возможно, из-за сложного фона излучения в направлении центра Галактики, гражданские ученые с меньшей вероятностью заметили тонкие, случайно дугообразные структуры в ISM.

На рисунке 17 показано распределение широты для каждой подвыборки.Объекты с наименьшей вероятностью имеют несколько более широкое распределение, особенно наглядно на | b | > 05. Поскольку окружающее поле интенсивности быстро спадает от средней плоскости, мы подозреваем, что случайные дугообразные структуры ISM с большей вероятностью привлекут внимание в этих областях.

Из 3661 объекта с оценками вероятности образования пузырей 126 пространственно совпадают с областями H ii из Anderson et al. (2011). Как показано на рисунке 18, объекты, связанные с этими областями H ii, сильно смещены в сторону более высоких вероятностей образования пузырей. Эта корреляция усиливает аргумент, что оценка вероятности успешно идентифицирует динамические объекты.

Андерсон и др. (2012a) сообщает о неоднозначных кинематических расстояниях для областей H ii в своем каталоге. На рисунке 19 показаны положение и размеры пузырьков, связанных с областями H ii с известными расстояниями, наложенные на схематическую карту спиральной структуры Галактики. Четыре маловероятных объекта, связанных с областями H ii, имеют большой угловой и линейный диаметр.Однако при ручной проверке ни одна из этих областей не ассоциируется с реальным пузырем в данных изображения. Таким образом, их соответствие регионам H ii кажется случайным и произвольным.

Погрешности этих кинематических расстояний были рассчитаны Андерсоном и др. (2012a), учитывая неопределенности в модели кривой вращения, крупномасштабные некруговые движения и стандартные параметры при расчетах расстояний, такие как расстояние от Солнца до центра Галактики и орбитальная скорость Солнца.Средняя неопределенность для полной выборки HRDS составляет 0,5 кпк; они обнаружили, что 90% локусов в их выборке имеют ≤20% совокупную неопределенность этих трех эффектов. Более того, они не считают, что неопределенности существенно влияют на галактическое распределение их выборки.

В то время как пузырьки группируются вокруг рукава Стрельца, есть два кластера пузырьков в областях между рукавами — один за пределами внешнего рукава, а другой видимый поток пузырьков около 5 кпк при 30 ° <ℓ <60 °.Пузырь - это широкое наблюдательное определение, которое охватывает несколько астрофизических явлений, включая области H ii, неионизированные полости от ветров B-звезд и остатки сверхновых. Пузыри, расположенные на спиральных рукавах или между ними, вполне могут соответствовать разным астрофизическим классам или стадиям эволюции. Кроме того, обнаруживаемость пузырьков представляет собой сложную смесь размера и яркости объекта в зависимости от времени, а также количества несвязанных структур вдоль линии обзора каждого объекта.Исследования популяционного синтеза, которые моделируют реалистичную галактическую среду и предсказывают распределение, подобное изображенному на рисунке 19, могли бы ограничить относительное смешение - и динамическую важность - различных классов пузырей (Робин и др. , 2003; Робитайл и др., 2012).

4.1. Доказательства возникновения

Пузыри часто изучаются в контексте инициированного звездообразования. Материал, добытый звездами, надувавшими мыльные пузыри, может вызвать последующие поколения звездообразования.Были предложены два основных механизма триггерного звездообразования: в модели сбора и коллапса (Whitworth et al. 1994; Dale et al. 2007) материал, собранный вдоль краев пузырей, в конечном итоге достигает критической плотности и подвергается гравитационной фрагментации и коллапсу. В модели имплозии, вызванной излучением, фронт ветровой или ионизационной ударной волны сталкивается с ранее существовавшими, но стабильными ядрами, и в результате сжатия запускается коллапс (Бертольди, 1989).

В любом конкретном регионе трудно найти явные доказательства инициированного звездообразования.Типичный подход состоит в том, чтобы идентифицировать чрезмерную плотность молодых звезд внутри или на краю пузыря и / или искать обратный градиент возраста с радиусом пузыря (Deharveng et al. 2005; Zavagno et al. 2006; Koenig et al. 2008) . Такой анализ часто затрудняется из-за небольшого числа YSO и неоднозначных расстояний прямой видимости и звездного возраста. Более того, часто неясно, подразумевают ли пространственные корреляции между пузырями и молодыми звездными объектами (YSO) триггерные отношения между ними, поскольку звездообразование — это естественно сгруппированный процесс (Lada & Lada 2003).

Такие проблемы можно частично решить путем корреляции YSO с большими пузырьковыми каталогами, такими как каталог MWP — это не устраняет двусмысленность корреляции от причинности, но может преодолеть проблемы, связанные со статистикой малых чисел. Томпсон и др. (2012) впервые применили такой анализ, используя исследование Churchwell et al. (2006) каталог, а Kendrew et al. (2012) позже повторили это в каталоге MWP. Этот анализ вычисляет угловую корреляционную функцию (Landy & Szalay 1993; Bradshaw et al.2011), определяемый

, где N _αβ представляет количество пар объектов из каталогов α и β с разделением θ, B — пузырьковый каталог, Y — каталог YSO, а R _B и R _Y представляют собой случайно распределенные пузырьковые каталоги и каталоги YSO. Эти случайные местоположения выбираются для сохранения приблизительного распределения по широте и долготе каждого класса объектов, но в остальном они распределены равномерно.Неформально w (θ) представляет собой избыточную вероятность обнаружения YSO на определенном расстоянии θ от пузыря по сравнению с тем, что ожидается от случайного распределения пузырей и YSO. Мы нормализуем угловое смещение θ на радиус каждого пузырька, так что w (θ) отслеживает избыточные YSO как функцию смещения в радиусах пузырька. Таким образом, идеальной сигнатурой инициированного звездообразования был бы локальный максимум w (θ) при θ = 1.

Мы воспроизводим рисунок 15 Кендрю и др.(2012) на Рисунке 20 (а). Это показывает угловую корреляционную функцию между большим каталогом MWP и среднеквадратичным каталогом YSO и компактных областей H ii (Mottram et al. 2007) как функцию нормированного радиуса пузырька. Главный сигнал — это убывающая корреляция, свидетельствующая о том, что звездообразование происходит в скоплениях. Прогноз по инициированному звездообразованию состоит в том, что должен быть дополнительный пик на θ ~ 1 радиуса пузыря. На этом рисунке такой сигнал не очевиден, хотя Кендрю и др.(2012) сообщают о наличии пика для самых больших пузырей в каталоге MWP. Точно так же Томпсон и др. (2012) сообщают о более четком пике при рассмотрении выбранных экспертами пузырей в Churchwell et al. (2006).

В разделе 3 мы продемонстрировали, что примерно 30% объектов в каталоге MWP являются нарушителями — случайными структурами ISM, ошибочно помеченными как пузырьки. Более того, относительная частота ложных срабатываний увеличивается в сторону гигантских областей H ii — именно тех областей, где можно было бы ожидать, что инициированное звездообразование будет наиболее очевидным.Злоумышленники могут значительно ослабить корреляции пузырьков / YSO в каталоге MWP. К счастью, наши оценки вероятности пузырей позволяют нам идентифицировать многих из этих нарушителей, давая более надежный каталог, в котором все еще содержится в три раза больше пузырей, чем было использовано Томпсоном и др. (2012).

На рисунке 20 (b) показана та же корреляционная функция для подвыборок, разделенных по вероятности пузырьков. Это обнаруживает дополнительное превышение радиуса пузыря 0,5 <θ <1, сила которого увеличивается с вероятностью пузыря.Это похоже на тенденцию с размером пузырьков, которую Kendrew et al. (2012) сообщили, что сигнал здесь и сильнее, и из-за другой подвыборки пузырьков - распределение пузырьков по размеру не сильно различается между тремя интервалами вероятности.

Звездообразование — это естественно кластерный процесс. Кривые на рисунке 20 показывают превышение среднеквадратичных значений YSO около пузырей по сравнению с чисто случайным распределением объектов — они не измеряют избыточную плотность YSO относительно других областей звездообразования.Красная кривая «Control» на рисунке 20 решает эту проблему. Эта кривая была получена путем изменения положения каждого пузырька в место случайного RMS YSO и повторного выполнения анализа. Другими словами, кривая показывает естественную кластеризацию YSO относительно друг друга. Самая левая точка кривой очень большая, что является артефактом того факта, что каждый пузырек точно совпадает с YSO, на которую он был перемещен — это создает сильную избыточную плотность при очень малых θ. Однако за пределами этой точки кривая напоминает P <0.5 подмножество. Тот факт, что пузырьки P > 0,9 падают значительно выше контрольной кривой, указывает на то, что YSO сгруппированы вокруг пузырьков с высокой вероятностью даже сильнее, чем они сгруппируются друг вокруг друга в среднем. Однако этот кластерный анализ не может определить, является ли избыточная плотность около P > 0,9 пузырьков результатом звездообразования, вызванного пузырьками, или, скорее, признаком того, что пузырьки образуются в особенно активных областях звездообразования.

Предыдущий раздел был посвящен использованию Brut для повторной оценки пузырей, ранее обнаруженных гражданскими учеными.Мы продемонстрировали, что Бруту удается идентифицировать высоконадежное подмножество каталога MWP и, наоборот, отмечать в каталоге вероятных нарушителей. Результатом является более чистая статистическая выборка пузырьков в Млечном Пути.

Теперь рассмотрим возможность поиска пузырьков, отсутствующих в каталоге MWP. Сканируя все данные glimpse / mipsgal, Brut можно использовать для слепого поиска новых пузырей. Обнаружение пузырей, не зная, насколько популярны результаты гражданской науки в каждом месте, — более сложная задача; Брют не извлекает выгоду из дополнительной информации о том, как гражданские ученые классифицируют конкретный регион.Однако эта задача актуальна для будущих проектов, в которых методы машинного обучения помогают выполнять поиск вручную. Для приложений, в которых исчерпывающий поиск человеком невозможен, алгоритмы машинного обучения могут проводить исчерпывающий поиск и помечать интересные объекты-кандидаты для человеческого внимания или последующего наблюдения.

Мы выполнили слепой поиск с Brut следующим образом: начиная с минимального поля зрения 80 дюймов, мы просканировали всю область обзора / mipsgal обзора | ℓ | <65 °, | b | <1 °. Каждое поле было смещено от своего соседа на 20% от размера поля. В каждом месте мы рассчитали оценку брют. После сканирования всей области обзора мы увеличили поле зрения на 25% и повторно сканировали плоскость Галактики в этом большем масштабе. Этот процесс повторялся до максимального поля зрения 1 °. Всего было получено около 35 миллионов классификаций. Из них мы извлекли 58 294 поля с оценкой Brut выше 0,2 и объединили их, следуя процедуре, описанной в разделе 2.9.

В результате был получен список из 2407 различных пузырьков-кандидатов. Согласно рисунку 13 эксперт с вероятностью около 50% оценит регион с оценкой по шкале Брют 0,2 как пузырь. Таким образом, эта выборка кандидатов очень щедрая и, вероятно, включает в себя значительное количество нарушителей. Используя подгонку к рисунку 13, суммарная вероятность для всех объектов — и, следовательно, ожидаемое количество настоящих пузырей в этой выборке — составляет 1243. 1500 объектов в слепом поиске имеют аналоги в каталоге MWP, а 907 — нет. На рисунке 21 показано распределение баллов Брута для объектов с аналогами MWP и без них. Обратите внимание, что объекты, не имеющие аналога MWP, имеют более низкие оценки, и большинство из них являются нарушителями. Слепой поиск Брута не выявил какой-либо значительной статистической неполноты в каталоге MWP.

Приблизить Уменьшить Сбросить размер изображения

Рис. 14. График калибровки для логистического соответствия голосам экспертов в выборке MWP (слева) и в однородной выборке (справа).Каждая точка представляет собой набор образцов, разделенных по прогнозируемой вероятности образования пузырей (ось X ). Эмпирическая доля пузырьков показана точкой данных, а полосы ошибок дают 25–75% апостериорный интервал вероятности при конечном размере выборки.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рис. 15. Распределение долготы для каталога MWP, разделенное в соответствии с оценкой вероятности пузыря. Вертикальные черные линии обозначают три градусных эмиссионных комплекса с переизбытком маловероятных объектов.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рисунок 16. Два поля с избытком маловероятных пузырей в каталоге MWP.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рисунок 17. Распределение широты для каталога MWP, разделенное в соответствии с оценкой вероятности пузыря. Немного более широкое распространение имеют маловероятные объекты.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рис. 18. Распределение вероятностей пузырей для источников с и без области H ii, аналогичные в Anderson et al.(2011) каталог.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рис. 19. Положения и размеры пузырьков с кинематическими измерениями расстояния от Anderson et al. (2011). Фоновое изображение представляет собой схематическое изображение спиральной структуры Галактики, созданное художником (предоставлено NASA / JPL-Caltech / R. Hurt).

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рисунок 20. Функция угловой корреляции (Уравнение (2)) между пузырьками и источниками в каталоге среднеквадратичных значений YSO. Оценки ошибок (затенение) выводятся путем повторной выборки бутстрапов из пузырькового каталога. Вверху: корреляционная функция для всех пузырей. Внизу: функция корреляции для пузырей низкой (черный), средней (оранжевый) и высокой надежности (синий). Красная контрольная кривая получается путем изменения положения каждого пузырька, чтобы он совпадал со случайным YSO — она ​​измеряет общую кластеризацию YSO.

Загрузить рисунок:

Приблизить Уменьшить Сбросить размер изображения

Рисунок 21. Распределение баллов Брют для кандидатов на пузыри, выявленных в ходе слепого поиска.

Загрузить рисунок:

Тем не менее, Брют действительно находит несколько настоящих пузырей, отсутствующих в каталоге MWP. Самый простой способ найти их — отсортировать 907 непревзойденных пузырьковых кандидатов по баллу Brut и вручную изучить регионы с наивысшими баллами. На рисунке 22 представлены 8 наиболее убедительных кандидатов в пузыри без аналогов MWP — эти пузыри входят в число 70 регионов с наивысшими оценками, не соответствующих MWP.Мы изучили исходные изображения MWP, связанные с каждой областью, и обнаружили, что в большинстве случаев эти пузыри находятся достаточно близко к яркому источнику, поэтому их трудно увидеть. Поскольку Brut локально регулирует контраст каждого поля при построении векторов признаков, он преодолевает эту трудность. В то же время эти восемь объектов представляют ~ 10% кандидатов с высокими баллами, которые мы исследовали. Остальные объекты являются ложноположительными — многие из них представляют собой более мелкие субструктуры более крупных пузырей в каталоге MWP или неоднозначные источники туманности 24 мкм.Brut недостаточно разборчив, чтобы самостоятельно находить пузырьки, пропущенные MWP. Тем не менее, эффективен при поиске перспективных кандидатов для отслеживания.

Приблизить Уменьшить Сбросить размер изображения

Рис. 22. Восемь пузырей, отсутствующих в каталоге проекта «Млечный Путь», обнаружены Брутом во время слепого поиска.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Мы не можем исключить возможность того, что и Брут, и MWP пропустят пузыри — возможно, например, что Брут мог усвоить систематическую ошибку выбора, присутствующую в обучающих данных.Однако из этого упражнения мы делаем вывод, что способность Брута идентифицировать кандидатов-пузырей при слепом поиске сравнима с обычными учеными, и такие методы могут быть полезны как способ предварительной обработки больших наборов данных. Кроме того, мы отмечаем, что совместные усилия Брута и MWP дали гораздо больший каталог высоконадежных пузырей, чем предыдущие каталоги, составленные профессиональными астрономами (Churchwell et al. 2006, 2007).

Успех Brut демонстрирует потенциальную синергию, существующую между машинным обучением, профессиональными учеными и учеными-гражданами.Отметьте взаимодополняющие сильные и слабые стороны каждого ресурса.

• 1.

  Профессиональные ученые лучше всего подходят для выполнения тонких задач классификации, требующих знания предметной области. Они также наиболее ограничены в ресурсах.

• 2.

  Число гражданских ученых на порядки превышает число профессиональных ученых (в случае обнаружения пузырьков коэффициент составляет почти 10 000: 1). Они одинаково способны к общим аспектам распознавания образов, но не обладают профессиональным опытом в данной области.Более того, любопытные гражданские ученые имеют все возможности для случайного открытия необычных объектов (Линтотт и др. , 2009; Кардамон и др., 2009).

• 3.

  Алгоритмы машинного обучения с учителем не имеют априорной возможности распознавания образов и требуют внешнего обучения. Однако после получения этой информации компьютерные анализы становятся воспроизводимыми и чрезвычайно масштабируемыми.

Brut использует информацию, предоставленную как астрономами, так и гражданскими учеными.Для обучения использовался вклад гражданских ученых, а меньший набор данных высококачественной экспертной информации использовался для преобразования классификации Брута в калиброванные вероятности пузыря. В результате получился классификатор, который и более точен, чем исходный каталог гражданских ученых, и более полный, чем каталог, составленный лучшими экспертами.

Поиск пузырьков на изображениях Spitzer на предмет наличия пузырей — это достаточно небольшая задача, чтобы гражданские ученые смогли выполнить исчерпывающий поиск. Следовательно, каталог MWP, по-видимому, содержит большинство пузырьков, которые можно надеяться идентифицировать по этим изображениям. Основное преимущество Brut состоит в том, что он обеспечивает независимую, вероятностную оценку каталога MWP, выявляет нарушителей в каталоге и добавляет небольшое количество пузырей, пропущенных учеными-гражданами, особенно пузырей возле ярких объектов.

Тем не менее, можно гипотетически представить себе такие инструменты, как Brut, помогающие профессиональным и гражданским ученым в реальном времени. Для поиска более редких объектов в больших наборах данных исчерпывающий поиск человеком невозможен — как из-за скуки, так и из-за чрезмерных размеров данных.Если бы Брут был обучен в начале MWP, он бы быстро смог устранить многие области, лишенные пузырей. Гражданские ученые могли бы потратить больше времени на классификацию более неоднозначных регионов, где их вклад наиболее ценен (и где задача наиболее интересна). Эти идеи более подробно исследуются Kamar et al. (2012), и будет приобретать все большее значение по мере роста данных.

Точно так же Brut мог легко включить дополнительные источники информации. Например, наблюдения в дальнем инфракрасном диапазоне от Herschel ограничивают плотность столба и температуру пыли вблизи пузырей (Андерсон и др. 2012b). Эта дополнительная информация может дополнительно отличить реальные пузыри от других полостей в ISM. Последующее расследование могло бы дополнить векторы признаков Брута признаками, извлеченными из данных Herschel , и переобучить классификаторы. Это многообещающий подход к поиску пузырей во внешней галактике, поскольку спутник Spitzer не проводил систематических исследований внешней Галактики на 8 или 24 мкм, а гражданские ученые (пока) не исследовали эту область.

Мы разработали автоматический детектор пузырей, Brut, используя алгоритм классификации случайного леса в тандеме с каталогом пузырей, идентифицированных гражданскими учеными в нашей галактике. Этот алгоритм эффективен при обнаружении пузырьков на изображениях Spitzer . Сравнивая оценки достоверности, которые вычисляет Брут, с экспертной классификацией небольшого набора изображений, мы можем оценить вероятность того, что любая заданная область в данных проблеска Spitzer и данных mipsgal содержит пузырь. Мы использовали Brut для повторной оценки объектов в каталоге MWP, а также для выполнения полного поиска новых пузырьков на мельчайших изображениях и изображениях mipsgal. Этот анализ позволил сделать несколько выводов.

• 1.

  Примерно 30% объектов в каталоге MWP являются нарушителями — структурами, которые большинство экспертов не сочли бы вероятными областями H ii или продуваемыми ветром пузырями.

• 2.

  Брют может определить, какие объекты являются вероятными нарушителями, а также идентифицировать весьма вероятные пузыри.По сравнению с каталогом MWP в целом, пузыри с высокой вероятностью имеют более узкое широтное распределение и почти в пять раз чаще связаны с областями H ii, идентифицированными Андерсоном и др. (2011).

• 3.

  Каталог MWP имеет более высокую концентрацию пузырьков с малой вероятностью около гигантских областей H ii, которые флуоресцируют окружающий ISM и выявляют больше совпадающих круговых структур. Гражданские ученые склонны идентифицировать эти регионы как пузыри, а эксперты и Брют — нет.

• 4.

  Пузырьки с высокой вероятностью демонстрируют более сильные избытки YSO и компактные области H ii вдоль и внутри краев пузырьков — предсказание теорий инициированного звездообразования.

Классификация изображений остается сложной проблемой во многих контекстах, и такие методы, как Брут, еще не так хороши, как экспертный человеческий анализ. Однако Брут демонстрирует, что автоматизированные методы являются ценным дополнением к ручному поиску. Сочетание поисков, выполняемых человеком и машинами, является наиболее многообещающим способом масштабирования таких задач, как классификация астрофизических изображений, до очень больших наборов данных.

В данном исследовании использовались программные пакеты Scikit-Learn (Педрегоса и др. 2011), Astropy (Astropy Collaboration и др. 2013) и WiseRF. WsieRF является продуктом компанииwise.io, Inc., и мы благодарим их за бесплатное предоставление академической лицензии. J.P.W. благодарит за поддержку NSF-AST1108907. Этот материал основан на работе, поддержанной Национальным научным фондом в рамках гранта № 09. C.B. и A.G. признательны Microsoft Research за финансирование.

На рис. 23 показаны интерфейсы экспертов, используемые для классификации для экспертного опроса.Каждый объект отображается шесть раз с тремя уровнями масштабирования (столбцы) и двумя настройками контрастности (строки). Экспертов попросили нажать одну из трех кнопок, чтобы классифицировать объект как не пузырьковый, неоднозначный / неправильный пузырь или прозрачный пузырь. Чтобы свести к минимуму эффект утомления, каждый пользователь классифицировал объекты в разном случайном порядке.

Приблизить Уменьшить Сбросить размер изображения

Рис. 23. Страница экспертного обзора, показывающая возможный пузырь при трех уровнях масштабирования и двух настройках контрастности.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

На рис. 24 показаны объекты в обзоре, которые были случайно взяты из каталога MWP. Каждое изображение соответствует левому верхнему изображению формы опроса. Аналогичным образом на рисунке 25 показаны объекты в однородном образце. Напомним, что они были выбраны для равномерного распределения по шкале достоверности Брута.

Приблизить Уменьшить Сбросить размер изображения

Рисунок 24. Объекты экспертного обзора, выбранные из каталога MWP. Объекты отсортированы по шкале уверенности Брута.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Приблизить Уменьшить Сбросить размер изображения

Рисунок 25. То же, что и на рисунке 24, но для объектов из однородной выборки.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Canon U.S.A., Inc. | Фотосъемка Млечного Пути и покадровой ночной съемки: Часть 2

Съемка Млечного Пути и покадровой ночной съемки: Часть 2

19 февраля 2019

Для получения информации о фотосъемке в режиме замедленной съемки в ночное время, пожалуйста, прочтите часть 1. В части 2 вы узнаете, как обрабатывать свои замедленные изображения.

СЪЕМКА RAW ИЛИ JPG?

Есть сотни файлов для покадровой видеозаписи. Если вы хотите свести к минимуму объем памяти, вы можете снимать файлы маленького формата JPG или RAW.Full HD — это 1920×1080, поэтому я рекомендую вам установить размер файла на это или больше. Обратите внимание, что Full HD имеет немного более широкое соотношение сторон, поскольку файлы DSLR имеют размер 1620×1080, если сохранено исходное соотношение сторон 3: 2. Вы всегда можете кадрировать свое видео на этапе пост-обработки, но помните, что при создании композиции вы потеряете некоторое вертикальное разрешение при выводе в любой стандартный формат видео.

Выберите тип файла, который лучше всего соответствует вашим потребностям. Используйте RAW, если вы хотите сделать крупную печать, продать свою работу или выполнить обширную обработку, в противном случае вы можете использовать JPG.Тем не менее, файлы JPG могут вызывать появление полос в областях сплошного цвета, таких как ярко-синее небо, а также в ночном небе.

Когда я снимал красивую ночную сцену, я использовал полноразмерные файлы RAW, чтобы сделать несколько неподвижных снимков, и был доволен ими для печати. Я перешел на небольшой тип файла RAW, чтобы сэкономить место на диске для покадровой съемки, но при этом обеспечить обширное редактирование. Клиент видел замедленную съемку и хотел получить изображение размером с плакат одного из кадров из середины видео, когда Млечный Путь и гора выстраиваются в линию над озером посреди ночи.К сожалению, у меня не было возможности получить крупный качественный отпечаток, потому что я использовал маленький RAW.

Сейчас снимаю в полноразмерном RAW. Это позволяет мне выбрать любой кадр для лучшей композиции или для чего-то неожиданного, например, метеора. Возможно, вы захотите снимать в формате RAW и JPG, чтобы сразу превратить свою последовательность в видео, чтобы увидеть его. После обработки файлов RAW удалите файлы JPG.

ОБОРУДОВАНИЕ ДЛЯ ЗАМЕТКИ

Карта памяти

Убедитесь, что на вашей карте памяти достаточно места для хранения всей вашей покадровой последовательности. Хорошей идеей является использование карты памяти на 16 или 32 ГБ или больше. Камеры Canon сообщат вам, сколько кадров вы можете сделать с помощью карты памяти и настроек типа файла. Посмотрите на окно в верхней части камеры или меню, в котором вы устанавливаете тип файла. Как только у вас будет количество кадров, вы можете определить возможную длину видео.

Питание от аккумулятора

Убедитесь, что заряда батареи хватит на все время, пока вы хотите снимать интервальную съемку. Аккумулятор в хорошем состоянии для моих Canon 5D Mark IV и EOS-1D X Mark II работает чуть более четырех часов.В холодную погоду он может длиться меньше времени. Добавление батарейного отсека позволяет использовать две батареи в соответствующих корпусах камер, таких как 5D Mark IV, и я считаю, что их хватает как минимум на восемь часов. Дополнительно можно использовать внешний источник питания, однако я не обнаружил необходимости фотографировать более восьми часов. Помимо полностью заряженного аккумулятора, его уровень заряда можно проверить в меню «Инструменты» камеры в разделе «Проверка аккумулятора». Выберите это, чтобы увидеть, есть ли у вас зеленый или красный свет для заряда батареи.Зеленый — это хорошо. Красный означает, что его хватит на четыре часа или не так быстро для непрерывной высокоскоростной съемки, которая часто используется для съемки дикой природы и спорта.

Прочный штатив

Я случайно ударил штативом в середине таймлапса во время настройки экспозиции, поэтому будьте осторожны, чтобы штатив оставался на месте. В результате я мог использовать последовательности только до или после того, как я ударил штатив.

Использование легкого штатива подходит для пейзажной фотографии, но не очень хорошо для 30-секундной выдержки, которую можно легко ударить или сдвинуть на ветру, что испортит вашу покадровую съемку.Используйте тяжелый штатив или закрепите штатив сумкой для фотоаппарата или чем-нибудь тяжелым, закрепив его на крючке в нижней части центральной стойки штатива.

СОЗДАНИЕ ДВИЖЕНИЯ В КАМЕРЕ

Есть несколько опций для продвинутых техник покадровой съемки, чтобы камера двигалась для более драматического эффекта. Чтобы создать движение в камере, используйте фотографические направляющие с контролем движения, чтобы перемещать камеру из одного положения в другое во время съемки. Другой вариант — использовать устройство, которое вращает камеру, меняет точку обзора при фотографировании последовательности.

ПОСЛЕ ОБРАБОТКИ

Обработка ночных изображений. Если неожиданный свет появляется на переднем плане, на видео он проявляется как вспышка света. Если передний план черный, используйте кисть при обработке, чтобы закрасить его в черный цвет. Если передний план освещен, клонируйте передний план из другой экспозиции в ту, на которой есть нежелательный свет.

СОЗДАНИЕ ПОСЛЕДОВАТЕЛЬНОСТИ JPG

Создавайте файлы JPG из файлов RAW, которые вы хотите использовать в замедленной съемке. Для этого есть много вариантов. Если вы снимали в формате JPG с разрешением 1920×1080, то конвертировать в JPG или уменьшать его не нужно.

Выберите изображения, которые находятся в непрерывной последовательности без перерыва. Вы не хотите, чтобы автомобильные фары отвлекали, яркий свет или изменения композиции из-за движения штатива.

В Adobe® Bridge® или Lightroom® выберите первое изображение в последовательности, которую вы хотите преобразовать, удерживайте нажатой клавишу Shift и щелкните последнее изображение в последовательности.Теперь с выбранной последовательностью:

• В Bridge выберите в меню Инструменты> Photoshop> Обработчик изображений
• В диалоговом окне выберите: переключатель «Сохранить в том же месте», по типу файла выберите «Сохранить как JPG», в желаемом типе качества, например 10 или 12, установите флажок «Включить профиль ICC» и используйте sRGB. Щелкните «Выполнить». В Lightroom в меню выберите Файл> Экспорт. В раскрывающемся меню «Экспортировать в» выберите «В той же папке, что и исходная фотография». В раскрывающемся меню «Формат изображения» выберите JPG.В раскрывающемся списке «Цветовое пространство» выберите sRGB. В разделе «Размер изображения» выберите 1920 x 1080.
• И для Bridge, и для Lightroom ваши новые изображения JPG будут помещены в новую папку JPG в том же месте.

DPP Digital Professional Фото: Вы можете конвертировать файлы RAW в формат JPG с помощью бесплатного программного обеспечения Canon, которое поставляется вместе с камерой. Чтобы загрузить его с веб-сайта Canon USA, щелкните любую камеру, выберите «Драйверы и загружаемые материалы», а затем «Цифровое профессиональное фото».

СДЕЛАТЬ ЗАМЕДЛЕННОЕ ВИДЕО ИЗ НЕПОДВИЖНЫХ ФОТОГРАФИЙ

Существует множество вариантов преобразования ваших фотографий JPG в видео.Вот несколько, которые хорошо работают:

• Time Lapse Assembler: Бесплатное приложение для Mac, очень простое в использовании
• VirtualDub: Бесплатное приложение для Windows
• Adobe Premiere Elements: Платное приложение
• Adobe Photoshop и Lightroom: Подписка на платную подписку. Используйте для создания файлов JPG с помощью Adobe Bridge или Lightroom. Photoshop может создавать замедленные видеоролики из вашей последовательности.
• Adobe After Effects и Final Cut Pro: Эти дорогие приложения более сложны, но позволяют расширенное редактирование, включая сборку нескольких видеороликов с интервальной съемкой в ​​один фильм.

КАК СЛАБИТЬ ПЕРЕХОДЫ И УДАЛИТЬ МЕРЦАНИЯ

LRTimelapse 5: Платное приложение. Существует бесплатная пробная версия, которая позволяет использовать до 400 кадров для 16-секундного видео. Я использую это отличное приложение для настройки всех своих последовательностей покадровой экспозиции для создания более плавного перехода экспозиции от светлого к темному, корректировки изменений цветового баланса и удаления мерцания, наблюдаемого в покадровых видео. Экспозиции меняются во время вашей ночной покадровой съемки, потому что свет резко меняется при переходе от дня к ночи. Несмотря на то, что я вручную изменил экспозицию во время этого перехода, будут скачки экспозиции, которые вызовут мерцание при просмотре видео. LRTimelapse очень полезен для любой интервальной съемки, но я считаю его особенно полезным для закатов, восхода солнца, покадровой интервальной съемки от дня к ночи или при съемке со значением диафрагмы (Av или приоритет диафрагмы). Он работает с файлами RAW или JPG. Вы можете использовать его для редактирования ваших неподвижных файлов в Lightroom или Adobe Camera RAW / Bridge. На их веб-сайте есть отличные видео-инструкции, а разработчик отвечает на любые вопросы в форме.

Млечный Путь и интервальная съемка в воздухе — Сфотографировано в Национальном парке Брайс-Каньон, штат Юта. Я установил композицию так, чтобы Млечный Путь перемещался по сцене. Зеленоватые цвета обусловлены свечением воздуха, слабым ярким светом, который виден близко к горизонту. 1 Я использовал объектив «рыбий глаз», и вы можете увидеть, как он создает кривизну Млечного Пути, перемещаясь по кадру. Этот 12-секундный клип содержит 354 изображения. Фотографировал 3 часа 15 минут. Снято с 3-секундным интервалом между кадрами на f / 2.8, 30 секунд, ISO 6400, EF 15mm f / 2.8 Fisheye, Canon EOS 5D Mark III.

ПОДГОТОВИТЬ

Не забудьте иметь полностью заряженный аккумулятор и запасной, если таковой имеется. Если холодно, держите резервную батарею в тепле в кармане, чтобы сэкономить время съемки на батарее. В холодном состоянии теряет мощность и тормозит или перестает работать. Используйте грелку для рук или ног на участке батареи, чтобы согреть ее.

Чтобы роса не испортила интервальную съемку, держите объектив в тепле.Закрепите грелку для рук липкой лентой или резинкой на линзе или используйте грелку для пальцев с наклейкой. Используйте бленду объектива, чтобы прохладный ветерок не оставил росы на передней линзе объектива в холодном состоянии. При съемке между кадрами используйте замшевую или быстросохнущую ткань для удаления росы с объектива.

Побольше карт памяти. Используйте маленький красный фонарик или красный налобный фонарь, чтобы сохранить ночное зрение. Перед выходом на улицу проверьте погоду на предмет облачности и прогноза ясного неба.Принесите то, что вам нужно, чтобы чувствовать себя комфортно, в том числе: теплую одежду, репеллент от насекомых, воду, еду, что-нибудь для чтения или прослушивания и что-нибудь, на котором можно сесть, так как земля может быть холодной.

Я надеюсь, что вы сделаете потрясающие и красивые покадровые снимки ночного неба. Не стесняйтесь делиться со мной своим опытом через мой веб-сайт. Наслаждаться ночью!

ДОПОЛНИТЕЛЬНЫЕ РЕСУРСЫ

Приложения: Определите время восхода и захода солнца, фазу луны и местоположение Млечного Пути.

• Starry Night: Настольное приложение, которое я использую для планирования
• StarWalk 2: Используйте это в полевых условиях для обнаружения созвездий, наведя мобильное устройство на небо и планируя.
• Stellarium: Бесплатное настольное приложение, простое в использовании для планирования съемки
• PhotoPills: Для планирования и демонстрации ночного неба, наложенного на карту вашего местоположения
• Эфемериды и 3D фотографа: Для планирования и демонстрации ночного неба, наложенного на карту вашего местоположения

Международная ассоциация темного неба (IDA): Помогите защитить ночное небо и найти места темного неба

Timescapes: Форум по покадровой фотографии

Онлайн-класс: Посетите онлайн-курс Дженнифер по пейзажной фотографии

ССЫЛКА

^1. Определение свечения воздуха

Все участники Canon получают вознаграждение, а фактические пользователи продуктов Canon продвигаются по службе

.

No related posts.