KaydedilenlerDerginizi ekleyin

Dergiler / Turkish Journal of Astronomy and Astrophysics / 2026 / Cilt: 7

SDSS’den Temiz Galaksi Örneklemleri Oluşturma: Galaksi Seçiminin bir Değerlendirmesi

Building Clean Galaxy Samples From SDSS: An Assessment of Galaxy Selection

Hatice Bahar Atali(İSTANBUL ÜNİVERSİTESİ, FEN BİLİMLERİ ENSTİTÜSÜ, ASTRONOMİ VE UZAY BİLİMLERİ (DR))0000-0002-6987-5935
Sinan Aliş(İSTANBUL ÜNİVERSİTESİ, FEN FAKÜLTESİ, ASTRONOMİ VE UZAY BİLİMLERİ BÖLÜMÜ)0000-0002-6990-8899
Sayfa
1–12
Yayın Tarihi
2026-04-09
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada, birçok SDSS fotometri etiketi incelenmiş ve en azından küme üyesi galaksilerle ilgili çalışmalar için daha güvenilir galaksi örneklemleri elde etmek üzere geliştirilmiş bir SQL sorgusu önerilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, Sloan Dijital Gökyüzü Araştırması veritabanından galaksi örneklemleri sorgulamanın bir değerlendirmesini sunuyoruz.
📊
Temel Bulgular & Veri:Toplam 26 galaksi kümesi alanından elde edilen 7437 galaksiden oluşan bir örneklem elde etmek için SDSS veritabanında SQL sorguları gerçekleştirdik.
💡
Sonuç & Katkı:Bu çalışmada, birçok SDSS fotometri etiketi incelenmiş ve en azından küme üyesi galaksilerle ilgili çalışmalar için daha güvenilir galaksi örneklemleri elde etmek üzere geliştirilmiş bir SQL sorgusu önerilmektedir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:surveys · catalogues · galaxies

Özet

Bu çalışmada, Sloan Dijital Gökyüzü Araştırması veritabanından galaksi örneklemleri sorgulamanın bir değerlendirmesini sunuyoruz. Toplam 26 galaksi kümesi alanından elde edilen 7437 galaksiden oluşan bir örneklem elde etmek için SDSS veritabanında SQL sorguları gerçekleştirdik. Kapsamlı bir görsel inceleme, örneklemimizde yapay nesneler, yıldızlar veya kuazarların bulunduğunu ortaya çıkardı. Ayrıca, Clean Photometry yöntemi kullanılsa dahi fotometrik olarak güvenilir olmayan galaksilerin de bulunduğu anlaşılmıştır. Bu çalışmada, birçok SDSS fotometri etiketi incelenmiş ve en azından küme üyesi galaksilerle ilgili çalışmalar için daha güvenilir galaksi örneklemleri elde etmek üzere geliştirilmiş bir SQL sorgusu önerilmektedir. Bu çalışmada önerilen yeni sorgu, Clean Photometry tarafından başlangıçta dışlanan 338 galaksiyi geri getiriyor ve gerçek galaksi olmayan veya fotometrik olarak güvenilir olmayan ek 156 nesneyi de örneklemden çıkarabiliyor.

Abstract

We present an assessment of querying galaxy samples through the Sloan Digital Sky Survey database. We performed SQL queries on 26 galaxy cluster fields, which consist of a total of 7437 galaxies. A thorough visual inspection of the samples revealed the inclusion of artifacts, stars, or quasars in our sample. Moreover, there are galaxies that are not reliable in terms of photometry, and such galaxies are included in samples even when queried with the Clean Photometry procedure. In this work, we investigated several SDSS photometry tags and proposed a modified SQL query to obtain more reliable galaxy samples, at least for studies concerning cluster member galaxies. The newly proposed query in this work recovers 338 galaxies that were originally excluded by Clean Photometry and removes an additional 156 objects that are either not real galaxies or not photometrically reliable.

🔖

Bu Makaleye Atıf Yap

Atali, H. B., Aliş, S. (2026). SDSS’den Temiz Galaksi Örneklemleri Oluşturma: Galaksi Seçiminin bir Değerlendirmesi. Turkish Journal of Astronomy and Astrophysics, Cilt: 7, 1–12. https://doi.org/10.55064/tjaa.1869809

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (41)

  1. Abazajian K., et al., 2003, AJ (doi:10.1086/378165), 126, 2081
  2. Abazajian K. N., et al., 2009, ApJS (doi:10.1088/0067-0049/182/2/543), 182, 543
  3. Abdurro'uf et al., 2022, ApJS (doi:10.3847/1538-4365/ac4414), 259, 35
  4. Ahumada R., et al., 2020, ApJS (doi:10.3847/1538-4365/ab929e), 249, 3
  5. Aliş S., 2024, Journal of Advanced Research in Natural and Applied Sciences (doi:10.28979/jarnas.1562591), 10, 954
  6. Barrena R., Girardi M., Boschin W., 2013, MNRAS (doi:10.1093/mnras/stt144), 430, 3453
  7. Brescia M., Cavuoti S., Longo G., 2015, MNRAS (doi:10.1093/mnras/stv854), 450, 3893
  8. Coupon J., Czakon N., Bosch J., Komiyama Y., Medezinski E., Miyazaki S., Oguri M., 2018, PASJ (doi:10.1093/pasj/psx047), 70, S7
  9. Csabai I., et al., 2003, AJ (doi:10.1086/345883), 125, 580
  10. Ettori S., et al., 2019, A&A (doi:10.1051/0004-6361/201833323), 621, A39
  11. Euclid Collaboration et al., 2025, preprint, (arXiv:2503.15303)
  12. Gaia Collaboration et al., 2018, A&A (doi:10.1051/0004-6361/201833051), 616, A1
  13. Gaia Collaboration et al., 2023, A&A (doi:10.1051/0004-6361/202243940), 674, A1
  14. Hansen S. M., Sheldon E. S., Wechsler R. H., Koester B. P., 2009, ApJ (doi:10.1088/0004-637X/699/2/1333), 699, 1333
  15. Hao J., et al., 2010, ApJS (doi:10.1088/0067-0049/191/2/254), 191, 254
  16. Heintz K. E., Fynbo J. P. U., H E., M P., Krogager J.-K., Geier S., Jakobsson P., Christensen L., 2018, A&A (doi:10.1051/0004-6361/201833396), 615, L8
  17. Herbonnet R., et al., 2020, MNRAS (doi:10.1093/mnras/staa2303), 497, 4684
  18. Hilton M., et al., 2021, ApJS (doi:10.3847/1538-4365/abd023), 253, 3
  19. Huertas-Company M., et al., 2015, ApJS (doi:10.1088/0067-0049/221/1/8), 221, 8
  20. Ivezić Z., et al., 2007, AJ (doi:10.1086/519976), 134, 973
  21. Kim E. J., Brunner R. J., 2017, MNRAS (doi:10.1093/mnras/stw2672), 464, 4463
  22. Lanusse F., Ma Q., Li N., Collett T. E., Li C.-L., Ravanbakhsh S., Mandelbaum R., Póczos B., 2018, MNRAS (doi:10.1093/mnras/stx1665), 473, 3895
  23. Lintott C., et al., 2011, MNRAS (doi:10.1111/j.1365-2966.2010.17432.x), 410, 166
  24. Lupton R., Gunn J. E., Ivezić Z., Knapp G. R., Kent S., 2001, in Harnden Jr. F. R., Primini F. A., Payne H. E., eds, Astronomical Society of the Pacific Conference Series Vol. 238, Astronomical Data Analysis Software and Systems X. p. 269 (arXiv:astro-ph/0101420), doi:10.48550/arXiv.astro-ph/0101420
  25. Machado R. E. G., Laganá T. F., Souza G. S., Caproni A., Antas A. S. R., Mello-Terencio E. A., 2022, MNRAS (doi:10.1093/mnras/stac1829), 515, 581
  26. Mandelbaum R., 2018, ARA&A (doi:10.1146/annurev-astro-081817-051928), 56, 393
  27. Marrese P. M., Marinoni S., Fabrizio M., Altavilla G., 2019, A&A (doi:10.1051/0004-6361/201834142), 621, A144
  28. Monteiro-Oliveira R., Cypriano E. S., Vitorelli A. Z., Ribeiro A. L. B., Sodré L., Dupke R., Mendes de Oliveira C., 2018, MNRAS (doi:10.1093/mnras/sty2349), 481, 1097
  29. Okabe N., Smith G. P., 2016, MNRAS (doi:10.1093/mnras/stw1539), 461, 3794
  30. Oyaizu H., Lima M., Cunha C. E., Lin H., Frieman J., Sheldon E. S., 2008, ApJ (doi:10.1086/523666), 674, 768
  31. Pavlinsky M., et al., 2022, A&A (doi:10.1051/0004-6361/202141770), 661, A38
  32. Ross A. J., et al., 2011, MNRAS (doi:10.1111/j.1365-2966.2011.19351.x), 417, 1350
  33. Roster W., et al., 2024, A&A (doi:10.1051/0004-6361/202452361), 692, A260
  34. Salvato M., Ilbert O., Hoyle B., 2019, Nature Astronomy (doi:10.1038/s41550-018-0478-0), 3, 212
  35. Saxena A., et al., 2024, A&A (doi:10.1051/0004-6361/202450886), 690, A365
  36. Schellenberger G., Reiprich T. H., 2017, MNRAS (doi:10.1093/mnras/stx1022), 469, 3738
  37. Scranton R., et al., 2002, ApJ (doi:10.1086/342786), 579, 48
  38. Willett K. W., et al., 2013, MNRAS (doi:10.1093/mnras/stt1475), 435, 2835
  39. Wray J. J., Gunn J. E., 2008, ApJ (doi:10.1086/529127), 678, 144
  40. Yasuda N., et al., 2001, AJ (doi:10.1086/322093), 122, 1104
  41. York D. G., et al., 2000, AJ (doi:10.1086/301513), 120, 1579