Morphologies for DECaLS Galaxies through a combination of non-parametric indices and machine learning methods: A comprehensive catalog using the Galaxy Morphology Extractor (galmex) code

Este artigo apresenta o catálogo homogêneo de índices morfológicos não paramétricos para galáxias do DECaLS, gerado pelo código *galmex*, e demonstra que a combinação desses índices com algoritmos de aprendizado de máquina, como o LightGBM, permite uma classificação probabilística eficaz e calibrada entre espirais e elípticas.

O essencial

Imagine que o universo é uma biblioteca gigante e cada galáxia é um livro. Por muito tempo, os astrônomos tentaram organizar esses livros apenas olhando para a capa e tentando adivinhar o gênero da história (se é uma aventura, um romance ou um documentário). Isso é o que chamamos de "classificação visual". Mas, com milhões de galáxias novas sendo descobertas todo dia, olhar uma a uma ficou impossível.

Este artigo é como a criação de um super-robô bibliotecário chamado galmex, capaz de ler milhões de "livros" (galáxias) em segundos e dizer exatamente do que se trata cada um, sem precisar de um humano para olhar cada capa.

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O Problema: Como separar "Redondos" de "Discos"?

As galáxias geralmente se dividem em dois grandes grupos:

• Elípticas: Parecem bolas de futebol ou ovos. São antigas, calmas e a maioria das estrelas está no centro.
• Espirais: Parecem discos de vinil ou redemoinhos. Têm braços que giram, onde nascem novas estrelas.

O desafio é que, às vezes, a "capa" do livro (a imagem da galáxia) é borrada, pequena ou tem manchas que confundem o olho humano. Como separar um disco de uma bola quando a foto não está perfeita?

2. A Solução: O "Scanner" de Formas (galmex)

Os autores criaram um código de computador chamado galmex. Pense nele como um scanner de documentos muito inteligente. Antes de tentar classificar a galáxia, ele faz uma "faxina" na imagem:

• Corta o fundo: Remove o céu escuro e outras estrelas que não são a galáxia principal.
• Limpa a sujeira: Se houver outra galáxia colada na imagem, ele "pinta" essa área para não atrapalhar a análise.
• Mede a forma: Ele não tenta adivinhar a história, ele mede a "física" da imagem.

3. As Ferramentas de Medição (Os "Índices")

O galmex usa duas caixas de ferramentas principais para medir a galáxia:

• A Caixa CAS (Concentração, Assimetria, Suavidade):

  • Concentração: É como medir o quanto a luz está "amontoada" no centro. Galáxias elípticas são como um bolo de chocolate bem compacto no meio; espirais são como um bolo com cobertura espalhada.
  • Assimetria e Suavidade: Servem para detectar se a galáxia está "quebrada" ou chacoalhada (como se tivesse batido em outra galáxia). Elas são ótimas para achar bagunça, mas ruins para diferenciar um disco de uma bola.

• A Caixa MEGG (M20, Entropia, Gini, G2):

  • Esta é a caixa nova e mais poderosa. Pense na Entropia como uma medida de "desordem". Uma galáxia elíptica é muito organizada (baixa entropia), enquanto uma espiral tem braços e manchas desordenadas (alta entropia).
  • O Índice Gini mede a "desigualdade" da luz. Se toda a luz está em um único ponto (o centro), o Gini é alto. Se a luz está espalhada, o Gini é baixo.
  • Resultado: A caixa MEGG foi muito melhor em separar as galáxias do que a caixa CAS antiga.

4. O Cérebro Artificial (Machine Learning)

Aqui entra a parte mais inteligente. O galmex mede todas essas características, mas não decide sozinho quem é quem. Ele entrega esses dados para um "cérebro" de inteligência artificial chamado LightGBM.

• O Treinamento: Eles ensinaram esse cérebro usando galáxias que já foram classificadas por humanos (o projeto "Galaxy Zoo"). Eles mostraram: "Olha, essa tem esses números, é uma espiral. Aquela tem aqueles números, é uma elíptica".
• A Aprendizado: O cérebro aprendeu os padrões. Ele descobriu que, por exemplo, "se a Entropia é alta e o Gini é baixo, é quase certeza que é uma espiral".
• A Previsão: Depois de treinado, o cérebro olhou para mais de 1,7 milhão de galáxias do levantamento DECaLS (um mapa do céu do hemisfério sul) e deu uma "nota de confiança" para cada uma: "99% de chance de ser espiral" ou "95% de chance de ser elíptica".

5. Por que isso é importante?

• Precisão: O robô acertou 97% das vezes, muito melhor do que métodos antigos.
• Escala: Eles conseguiram classificar milhões de galáxias que antes ninguém tinha tempo de olhar.
• Futuro: Isso ajuda a entender como as galáxias nascem e morrem. Se sabemos que uma galáxia é espiral e está em um aglomerado denso, podemos prever se ela vai parar de formar estrelas no futuro.

Resumo da Ópera

Os autores criaram um scanner de galáxias (galmex) que mede a "física" da luz das estrelas e usou uma inteligência artificial para aprender a diferença entre galáxias redondas (elípticas) e galáxias em disco (espirais).

Eles provaram que, ao usar medidas matemáticas de "desordem" e "concentração" da luz, o computador consegue ver o que o olho humano demoraria séculos para notar. Agora, temos um catálogo público com a "identidade" de quase 2 milhões de galáxias, pronto para que qualquer cientista no mundo use para estudar a evolução do universo.

Resumo técnico

Resumo Técnico: Morfologias de Galáxias do DECaLS via Índices Não Paramétricos e Aprendizado de Máquina

1. Problema e Contexto

A morfologia das galáxias codifica informações cruciais sobre sua formação e evolução. No entanto, a classificação visual tradicional torna-se inviável para os vastos conjuntos de dados gerados por levantamentos de imagem modernos (como o DECaLS - Dark Energy Camera Legacy Survey), devido à subjetividade e à impossibilidade de escalar o processo.
Métodos paramétricos (como ajustes de perfil de Sérsic) frequentemente falham em galáxias irregulares, em fusão ou com subestruturas complexas devido a degenerescências nos parâmetros ajustados. Índices não paramétricos (como CAS e MEGG) oferecem uma abordagem independente de modelos, mas sua medição depende criticamente de pré-processamento de imagem e a eficácia de cada índice na separação de tipos morfológicos precisa ser quantificada rigorosamente. Além disso, há uma necessidade de catalogar morfologias de forma homogênea no hemisfério sul, onde levantamentos futuros (como 4MOST/CHANCES e WEAVE) terão grande sobreposição.

2. Metodologia

Os autores desenvolveram uma abordagem em três etapas principais:

• Desenvolvimento do galmex: Foi criado um pacote Python modular chamado Galaxy Morphology Extractor (galmex). Diferente de códigos existentes, o galmex permite o ajuste fino de cada etapa de pré-processamento (remoção de fundo, detecção, limpeza de fontes secundárias, estimativa de raios característicos).

  • O fluxo inclui: criação de recortes (cutouts), subtração de fundo baseada em estatísticas de borda, detecção de objetos (usando SEP), limpeza de contaminantes (estrelas/galáxias vizinhas via interpolação isofotal) e cálculo de raios de Petrosian e Kron.
  • O código utiliza máscaras de segmentação adaptadas ao perfil de luz da galáxia para garantir consistência.

• Medição de Índices Não Paramétricos: O estudo mediu dois sistemas de índices para galáxias do DECaLS (banda $r$) com raio efetivo $> 2$ arcsec e magnitude $m_r \le 21$:

  • Sistema CA[AS]S: Concentração (C), Assimetria (A), Assimetria de Forma (AS) e Suavidade (S).
  • Sistema MEGG: Segundo momento da luz (M20), Entropia de Shannon (E), Índice de Gini (G) e Assimetria de Padrão de Gradiente (G2).
  • A amostra final de calibração consistiu em ~80.000 galáxias rotuladas como "Espiral" ou "Elíptica" baseadas no projeto Galaxy Zoo 1 (GZ1), limitado a $z \le 0.15$.

• Classificação via Machine Learning (LightGBM):

  • Os índices não paramétricos foram usados como features de entrada para um classificador Light Gradient Boosted Machine (LightGBM).
  • O modelo foi treinado para prever a probabilidade de uma galáxia ser espiral (classe 1) versus elíptica/lenticular (classe 0), utilizando as etiquetas do GZ1 como alvo.
  • Técnicas de balanceamento de classe (SMOTE) foram aplicadas apenas no conjunto de treinamento para lidar com a predominância de espirais.
  • A validação incluiu curvas ROC, curvas de precisão-recall, calibração de probabilidades e análise de importância de características via SHAP.

3. Principais Contribuições

1. Catálogo Público Homogêneo: Lançamento do primeiro catálogo público de índices não paramétricos (CA[AS]S + MEGG) para mais de 1,7 milhão de galáxias do DECaLS ($z \le 0.15$).
2. Software Modular (galmex): Disponibilização de uma ferramenta de código aberto que permite reprodutibilidade total e personalização das etapas de medição, superando limitações de códigos "caixa-preta".
3. Classificação Probabilística Calibrada: Derivação de probabilidades de morfologia (espiral vs. elíptica) que são bem calibradas, indo além de classificações binárias rígidas.
4. Análise de Robustez: Estudo detalhado sobre como a geometria da abertura (circular vs. elíptica) e a escolha da máscara de segmentação afetam os índices, demonstrando que o uso de aperturas elípticas é crucial para galáxias achatadas para evitar viés no raio de Petrosian.

4. Resultados Chave

• Desempenho dos Índices:
  • A Concentração (C) é o parâmetro mais confiável do sistema CAS para separar tipos precoces e tardios.
  • Índices baseados em assimetria (A, AS, S) têm sobreposição significativa entre espirais e elípticas, sendo mais úteis para detectar sistemas perturbados (fusões) do que para classificação binária simples.
  • O sistema MEGG (especialmente Entropia (E) e Índice de Gini (G)) fornece uma separação superior e traça um gradiente contínuo com o tipo T (T-Type). A Entropia mostrou-se o melhor discriminador único.
• Desempenho do Classificador (LightGBM):
  • O modelo alcançou uma AUC (Área sob a Curva ROC) de ~0,996 e uma precisão média (AP) de ~0,999.
  • As probabilidades estão altamente calibradas (Brier score de ~0,02), significando que uma probabilidade predita de 70% corresponde a 70% de galáxias reais sendo espirais.
  • A acurácia foi de 98,6% para espirais e 87,5% para elípticas. A menor acurácia para elípticas deve-se à contaminação de lenticulares (S0) na classe "elíptica" do GZ1, que possuem discos mas aparência suave.
  • As características mais importantes para a classificação foram, na ordem: Entropia, Concentração e Gini.
• Validação Observacional: O desempenho do classificador permanece robusto mesmo para galáxias menores e mais fracas, embora haja uma degradação suave esperada devido à resolução e ruído, confirmando que os resultados não são artefatos de apenas galáxias brilhantes.

5. Significância e Impacto

Este trabalho estabelece um novo padrão para a classificação morfológica em levantamentos de grande escala no hemisfério sul.

• Reprodutibilidade: Ao fornecer o código e o catálogo, a comunidade pode inspecionar e adaptar cada passo do processamento, algo raro em estudos anteriores.
• Ciência Futura: O catálogo permite estudos estatísticos robustos sobre a evolução de galáxias, a relação morfologia-densidade e a seleção de sistemas raros (como galáxias "jellyfish" ou em fusão) em grandes áreas do céu.
• Preparação para Futuros Levantamentos: A metodologia é fundamental para a preparação e análise de dados de levantamentos espectroscópicos futuros no sul (CHANCES, WEAVE), permitindo a seleção de alvos baseada em morfologia de forma automática e confiável.
• Limitações e Próximos Passos: O estudo focou na separação binária (Espirais vs. Elípticas/Lenticulares). Trabalhos futuros abordarão a classificação de sistemas perturbados e a extensão do método para redshifts mais altos ($z > 0.15$), onde os efeitos de resolução e k-correction se tornam mais críticos.

Em suma, o artigo combina a interpretabilidade física dos índices não paramétricos com a potência preditiva do aprendizado de máquina, entregando uma ferramenta robusta e transparente para a astronomia extragaláctica moderna.