Mit dem Aufstieg der Integral-Feld-Spektroskopie (IFS) befassen wir uns derzeit mit großen Mengen räumlich aufgelöster Daten, deren Analyse herausfordernd geworden ist, insbesondere beim Beobachten komplexer Objekte wie nahen Galaxien. Unser Ziel ist es, eine Methode zur automatischen Trennung von Regionen mit unterschiedlichen physikalischen Eigenschaften (Ionisation, Kinematik usw.) in den zentralen Teilen (1" ∼ 160 pc, im Durchschnitt) von Galaxien zu entwickeln. Dies könnte es uns ermöglichen, die Systeme besser zu verstehen und eine erste Charakterisierung der Hauptionisationsquellen vorzunehmen, die ihre Evolution beeinflussen. Wir haben einen unüberwachten hierarchischen Clustering-Algorithmus entwickelt, um Datenwürfel basierend auf spektroskopischer Ähnlichkeit zu analysieren. Er gruppiert Spaxel mit ähnlichen Spektren, was nützlich ist, um Regionen zu entwirren, die von unterschiedlichen Prozessen betroffen sind, wie z.B. Ionisationsquellen. Wir haben diese Methode auf eine Stichprobe von 15 nahen (Entfernungen <100 Mpc) Galaxien angewendet: 7 aus der Galaxy Activity, Torus, und Outflow Survey (GATOS) und 8 Archivquellen, die alle mit dem Messgerät mittlerer Auflösung (MRS) des Mid-Infrared Instruments (MIRI) an Bord des James Webb Space Telescope (JWST) beobachtet wurden. Die Stichprobe umfasst Quellen mit verschiedenen Morphologien, aktiven galaktischen Kernen (AGN)-Typen und/oder Sternentstehungsphasen. Aus den Clustern haben wir ihr medianes Spektrum berechnet und die Linien- und Kontinueigenschaften gemessen. Diese Messungen haben wir verwendet, um Random Forest-Modelle zu trainieren und mehrere empirische mid-IR-Diagnosediagramme für den MRS-Kanal 3 Wellenlängenbereich zu erstellen, der von 11,5 bis 18 μm reicht und unter anderem die hellen Ne II-, Ne III- und Ne V-Linien, mehrere H₂-Übergänge und PAH-Features umfasst. Die Clustering-Technik ermöglicht es, Emissionen von einem AGN, einer nuklearen Sternentstehung, der Scheibe und den sternebildenden (SF) Regionen in den Galaxien und anderen zusammengesetzten Regionen zu unterscheiden, die potenziell gleichzeitig von mehreren Quellen ionisiert werden. Dies wird durch die Ergebnisse der empirischen Diagnosediagramme unterstützt, die tatsächlich in der Lage sind, physikalisch unterscheidbare Regionen zu trennen. Diese innovative Methode dient als Werkzeug zur Identifizierung von Regionen von Interesse in jedem Datenwürfel vor einer eingehenden Analyse der Quellen. In einer zukünftigen Arbeit werden wir andere Wellenlängenbereiche und eine größere Stichprobe untersuchen, die uns helfen würden, statistisch signifikante Schlussfolgerungen zu ziehen.
Muñoz et al. (Mon,) haben diese Frage untersucht.