SAGUI: SED-based Segmentation of Multi-band Galaxy Images -- Application to JADES in GOODS-South

1. El Problema

El estudio de la evolución galáctica ha avanzado gracias a la alta resolución espacial y la cobertura espectral de telescopios como el JWST. Sin embargo, existen limitaciones metodológicas significativas al analizar imágenes multibanda:

• Dependencia de la resolución espacial: Las mediciones de luz integrada o espectroscopía de fibra única (como en SDSS) carecen de resolución espacial, lo que lleva a sesgos en la estimación de masas estelares y tasas de formación estelar (SFR), especialmente en galaxias de tipo tardío o con núcleos activos.
• Ineficiencia del ajuste pixel a pixel: El ajuste de Distribución de Energía Espectral (SED) a nivel de píxel individual es extremadamente sensible al ruido.
• Limitaciones de las estrategias de agrupamiento (binning): Métodos comunes como la teselación de Voronoi mejoran la relación señal-ruido (S/N) pero a menudo fragmentan estructuras físicas coherentes o mezclan poblaciones estelares distintas, sacrificando la coherencia espectral por la eficiencia estadística.
• Detección de baja superficie brillante (LSB): Las estructuras difusas (como colas de marea o puentes entre galaxias) suelen perderse debido a la filtración de ruido o a umbrales de flujo rígidos que no consideran la coherencia espectral entre bandas.

Se requiere una estrategia de segmentación que equilibre la eficiencia estadística con la conciencia astrofísica, identificando regiones que sean espacialmente coherentes y espectralmente homogéneas.

---

2. Metodología: El marco SAGUI

SAGUI (SED-based Segmentation of Multi-band Galaxy Images) es un marco modular que extiende el paradigma espectro-espacial introducido por el código capivara (diseñado para espectroscopía de campo integral) al dominio de la fotometría multibanda. El método sigue una estrategia de dos etapas:

A. Enmascaramiento Espacial Basado en "Starlets" (Ondículas)

• Objetivo: Definir un soporte de primer plano que preserve la morfología de la galaxia mientras suprime el ruido de fondo.
• Técnica: Se utiliza una transformada de ondículas no submuestreada (transformada starlet) sobre una imagen de "luz blanca" (suma de todas las bandas).
• Proceso:
  1. Se descompone la imagen en múltiples escalas espaciales.
  2. Se descartan la escala más fina (dominada por fluctuaciones de píxel) y el residuo grueso (variaciones de fondo).
  3. Se reconstruye una imagen de soporte sumando las escalas intermedias ($j=2$ a $5$).
  4. Se binariza esta reconstrucción para crear una máscara que aísla la estructura galáctica principal.

B. Segmentación Espectral (Agrupamiento Jerárquico)

• Objetivo: Particionar los píxeles dentro de la máscara en grupos coherentes basados en la forma de su SED, no en su proximidad geométrica.
• Proceso:
  1. Se normalizan los vectores de flujo (SED) de cada píxel, centrando la mediana para ser insensible a la brillo superficial absoluto y sensible a la forma espectral.
  2. Se calcula una matriz de disimilitud entre pares de píxeles utilizando la distancia euclidiana ($L_2$) en el espacio de SED.
  3. Se aplica agrupamiento jerárquico aglomerativo con el criterio de Ward, que minimiza el aumento de la varianza intra-clúster.
  4. El dendrograma resultante se corta para obtener un número fijo de segmentos (en el estudio, 20).

C. Ajuste de SED y Mapeo Físico

• Una vez definidos los segmentos, se suma el flujo de todos los píxeles dentro de cada máscara para crear una SED integrada por región.
• Se utiliza el código Prospector (con modelos FSPS) para ajustar parámetros físicos: masa estelar, edad, metalicidad, SFR y atenuación de polvo.
• Los resultados se proyectan de nuevo al plano espacial, generando mapas 2D de propiedades físicas que respetan la segmentación morfológica.

D. Extensión para Baja Superficie Brillante (LSB): Transformada Copula

Para detectar estructuras difusas (como puentes de marea), se introduce una pre-procesamiento basado en Copulas:

• Se transforma la distribución de flujo de cada banda a una distribución normal estándar (usando la transformación integral de probabilidad).
• Se calcula una "energía" basada en la suma de cuadrados de las desviaciones positivas en las bandas.
• Esto permite identificar correlaciones espaciales y entre bandas que son independientes de la escala de brillo absoluto, haciendo visible el ruido correlacionado que corresponde a estructuras LSB.

---

3. Contribuciones Clave

1. Marco Modular SAGUI: Un código de código abierto (licencia MIT) que unifica el procesamiento de imágenes multibanda para segmentación basada en SED.
2. Segmentación Espectral vs. Geométrica: Demuestra que agrupar píxeles por similitud espectral (en lugar de por proximidad espacial como en Voronoi) preserva mejor las estructuras físicas coherentes (barras, brazos espirales, cúmulos).
3. Tratamiento Estadístico de LSB: La integración de la transformada de Copula permite recuperar componentes difusos y de baja superficie brillante que los métodos tradicionales de umbralización de flujo pierden.
4. Aplicación a JADES: Validación del método en 11 galaxias del sondeo JADES en GOODS-South, abarcando desde espirales ordenadas hasta sistemas en interacción y fusiones.

---

4. Resultados Principales

El estudio se aplicó a una muestra diversa de galaxias con redshifts $z \lesssim 1$:

• Desenredado de Sistemas Compactos: En campos densos (ej. Sagui-1, -2, -3), el método logra separar sistemas superpuestos en proyección sin fusionar sus componentes, basándose en diferencias morfológicas y de SNR.
• Estructuras en Interacción: En galaxias en fusión (Sagui-4, -7, -11), la segmentación identifica correctamente núcleos desplazados, regiones de formación estelar inducida por la fusión y puentes de marea.
• Comparación con Voronoi:
  • Las teselaciones de Voronoi tienden a cortar estructuras morfológicas (ej. barras o brazos) si el S/N lo requiere, mezclando poblaciones estelares distintas.
  • SAGUI produce regiones más compactas y espectralmente homogéneas, siguiendo la morfología natural de la galaxia (barras, núcleos, brazos).
  • Métricas cuantitativas muestran que SAGUI tiene una disimilitud espectral menor (regiones más homogéneas) manteniendo un S/N comparable o superior.
• Casos de Estudio Específicos:
  • Sagui-10 (Galaxia Barrada): El algoritmo separa claramente la barra (población estelar más vieja, menor SFR) de los brazos espirales (más jóvenes, mayor SFR).
  • Sagui-9: Identifica una estructura alargada en el borde del disco que no muestra formación estelar aumentada, sugiriendo una posible galaxia satélite acrecida en lugar de un cúmulo in situ.
  • Sagui-11 (LSB): Mediante la transformada de Copula, se logra visualizar y segmentar un puente difuso entre dos galaxias a $z \approx 1.1$, una estructura que sería invisible o fragmentada sin este tratamiento.

---

5. Significado e Impacto

• Puente entre Imágenes y Física: SAGUI proporciona una interfaz práctica entre los grandes sondeos de imágenes multibanda (como los de JWST, LSST, Euclid) y las herramientas de inferencia física. Permite pasar de "detectar fuentes" a "caracterizar componentes físicos" dentro de una galaxia resuelta.
• Optimización para Futuros Sondeos: A medida que los datos se vuelvan más masivos y complejos, la necesidad de segmentación consciente de la física (en lugar de puramente geométrica) será crítica para evitar sesgos en la interpretación de la evolución galáctica.
• Complementariedad: El método no reemplaza a los detectores de fuentes (como SExtractor) ni a los códigos de ajuste de SED (como Prospector), sino que actúa como una capa intermedia esencial que prepara los datos para un análisis físico robusto y espacialmente resuelto.
• Reproducibilidad: Al ser un código abierto, fomenta la estandarización en el análisis de estructuras galácticas resueltas en la era de la astronomía de precisión.

En conclusión, SAGUI representa un avance metodológico crucial para explotar el potencial de los datos de alta resolución del JWST, permitiendo mapear la historia de formación estelar y la dinámica interna de las galaxias con una fidelidad sin precedentes.