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

Titolo e Contesto

Titolo: SAGUI: Segmentazione basata su SED (Distribuzione dell'Energia Spettrale) di immagini di galassie multibanda — Applicazione a JADES nel campo GOODS-South.
Autori: Rafael S. de Souza et al. (Collaborazione COIN).
Pubblicazione: MNRAS (2026).

1. Il Problema Scientifico

Negli anni '20, l'avvento di survey di imaging multibanda di alta qualità (come quelle del James Webb Space Telescope - JWST, LSST, Euclid) ha fornito dati che possono essere visti come cubi iperspettrali a bassa dimensionalità, dove ogni pixel contiene una Distribuzione dell'Energia Spettrale (SED). Tuttavia, l'analisi di questi dati presenta sfide metodologiche significative:

• Limiti delle misurazioni integrate: Le misurazioni tradizionali (luminosità integrata o spettri a fibra singola) perdono risoluzione spaziale, portando a stime errate di masse stellari e tassi di formazione stellare (SFR), specialmente in galassie con strutture complesse o formazione stellare esterna.
• Limiti del fitting pixel-per-pixel: Il fitting della SED a livello di singolo pixel è estremamente sensibile al rumore.
• Limiti delle strategie di binning (es. Voronoi): Metodi come la tassellazione di Voronoi migliorano il rapporto segnale-rumore (S/N) raggruppando pixel vicini, ma spesso frammentano strutture fisicamente coerenti o mescolano popolazioni stellari con proprietà spettrali diverse, sacrificando la coerenza spettrale per l'efficienza statistica.
• Necessità di segmentazione consapevole: È necessario un approccio che identifichi regioni spazialmente coerenti e omogenee dal punto di vista spettrale (stessa forma di SED) prima di procedere con la modellazione delle popolazioni stellari, preservando le strutture morfologiche complesse (barre, bracci, clump, code mareali).

2. Metodologia: Il Framework SAGUI

Il paper introduce SAGUI (SED-based Segmentation of Multi-band Galaxy Images), un framework modulare che estende il paradigma "spettro-spaziale" introdotto precedentemente per la spettroscopia a campo integrale (IFS) al dominio dell'imaging fotometrico.

Il metodo segue una strategia in due fasi:

Fase 1: Mascheratura Spaziale Consapevole della Morfologia (Starlet Mask)

Prima di analizzare lo spettro, è necessario definire l'estensione spaziale della galassia escludendo il rumore di fondo.

• Trasformata Starlet: Viene utilizzata una trasformata wavelet non decimata (starlet) su un'immagine "white-light" (somma di tutte le bande).
• Decomposizione Multiscala: L'immagine viene decomposta in coefficienti di dettaglio a diverse scale ($w_j$) e un residuo grezzo ($c_J$).
• Selezione delle Scale: Si ricostruisce un'immagine di supporto sommando le scale intermedie (escludendo la scala più fine, dominata dal rumore, e il residuo più grezzo, dominato dallo sfondo).
• Maschera Binaria: Viene generata una maschera binaria che isola la struttura principale della galassia preservando le sue caratteristiche morfologiche su diverse scale, senza imporre assunzioni geometriche rigide (come simmetria).

Fase 2: Segmentazione Basata sulla Similarità Spettrale

Una volta definita la regione di interesse, i pixel vengono raggruppati in base alla loro similarità spettrale.

• Normalizzazione SED: Le SED dei pixel vengono normalizzate (sottraendo la mediana) per rendere il clustering sensibile alla forma dello spettro piuttosto che alla luminosità assoluta.
• Matrice di Dissimilarità: Viene calcolata una matrice di distanza (norma $L_2$) tra le SED normalizzate di tutte le coppie di pixel.
• Clustering Gerarchico: Viene applicato un algoritmo di clustering gerarchico agglomerativo con criterio di Ward. Questo metodo fonde i cluster minimizzando l'aumento della varianza intra-cluster, producendo regioni compatte e spettralmente coerenti.
• Output: L'algoritmo assegna un'etichetta a ogni pixel, creando una segmentazione spaziale dove ogni regione corrisponde a un gruppo omogeneo di SED.

Estensione per Bassa Luminosità Superficiale (LSB): Trasformata Copula

Per rilevare componenti diffusi e deboli (come code mareali o ponti tra galassie) che spesso vengono persi nel rumore o filtrati dalle soglie di flusso standard, il framework introduce una trasformata basata su Copula:

• Indipendenza dalla Scala: La copula modella la struttura di dipendenza tra le variabili (le bande) indipendentemente dalle distribuzioni marginali (luminosità assoluta).
• Mappa di Energia: Le intensità delle bande vengono trasformate in punteggi normali (rank-based) e aggregate in una mappa di energia scalare. Questo amplifica le emissioni deboli ma coerenti tra le bande, rendendo visibili strutture LSB che altrimenti rimarrebbero nascoste.

Fitting delle SED

Una volta segmentate le regioni, viene eseguito il fitting della SED per ogni cluster utilizzando il codice Prospector (basato su FSPS). Questo permette di derivare mappe spazialmente risolte di:

• Massa stellare superficiale.
• Tasso di formazione stellare superficiale (SFR).
• Età stellare (massa-pesata).
• Metallicità.
• Estinzione da polvere ($A_V$).

3. Risultati Principali

Il metodo è stato applicato a un campione di 11 galassie del campo GOODS-South osservate da JWST/NIRCam (survey JADES), con redshift $z \lesssim 1$.

• Diversità Morfologica: Il framework ha dimostrato efficacia su una vasta gamma di morfologie: galassie a spirale non disturbate, sistemi con barre, galassie in interazione/merger, e sistemi con clump di formazione stellare.
• Confronto con Metodi Geometrici:
  • Rispetto alla tassellazione di Voronoi (pura o con maschera), SAGUI produce regioni che seguono meglio le strutture fisiche (es. barre, bracci a spirale) e mostrano una minore dissimilarità spettrale all'interno dei cluster.
  • Mantiene un rapporto segnale-rumore (S/N) medio dei cluster comparabile o superiore rispetto ai metodi geometrici, ma senza mescolare popolazioni stellari distinte.
• Casi Studio Specifici:
  • Sagui-1, 2, 3: Galassie vicine in proiezione ma a redshift diversi. SAGUI riesce a disentanglare le strutture sovrapposte basandosi sulla morfologia e sulla coerenza spettrale, senza fondere i sistemi.
  • Sagui-4 (Post-merger): Identifica correttamente il nucleo spostato e le regioni di formazione stellare attivate dalla fusione, mostrando popolazioni più giovani e polverose nelle regioni esterne.
  • Sagui-10 (Barra): Separa efficacemente la barra (popolazione più vecchia, meno formazione stellare) dai bracci a spirale, rivelando gradienti spaziali nelle proprietà stellari.
  • Sagui-11 (Bassa Luminosità Superficiale): Applicando la trasformata Copula, il metodo ha rivelato un ponte diffuso e code mareali tra due galassie interagenti che erano quasi invisibili nelle immagini originali o nelle segmentazioni standard. Le mappe fisiche risultanti mostrano correttamente la bassa formazione stellare e l'assenza di polvere in queste strutture.

4. Contributi Chiave e Significato

• Innovazione Metodologica: SAGUI colma il divario tra l'analisi di immagini multibanda e la spettroscopia a campo integrale, offrendo un approccio di segmentazione "fisicamente motivato" che non dipende da binning geometrici arbitrari.
• Preservazione della Coerenza Spettrale: A differenza dei metodi basati solo sulla vicinanza spaziale, SAGUI garantisce che ogni regione segmentata abbia una forma di SED coerente, fondamentale per un'accurata inferenza delle popolazioni stellari.
• Rilevamento di Strutture Deboli: L'integrazione della trasformata Copula rappresenta un passo avanti significativo nel recupero di componenti a bassa luminosità superficiale (LSB), cruciali per comprendere l'evoluzione e le interazioni delle galassie.
• Disponibilità: Il codice è rilasciato sotto licenza MIT ed è disponibile su GitHub, promuovendo la riproducibilità e l'adozione nella comunità astronomica.
• Impatto Futuro: Il framework è progettato per scalare con i grandi dataset futuri (LSST, Euclid, Roman) e si presta a estensioni per l'analisi di linee di emissione e cinematica, fornendo un'interfaccia pratica tra i survey di imaging moderni e gli strumenti di inferenza fisica.

In sintesi, il paper dimostra che una segmentazione guidata dalla similarità spettrale, combinata con tecniche di elaborazione del segnale avanzate (starlet e copula), permette di mappare la fisica interna delle galassie con una risoluzione e una fedeltà morfologica superiori rispetto alle tecniche tradizionali.