@PhDThesis{StalderDiaz:2017:ApCoSt,
author = "Stalder Diaz, Diego Herbin",
title = "Applied computing to study structural and enviromental properties
of SDSS's galaxies / Computa{\c{c}}{\~a}o aplicada ao estudo das
propriedades estruturais e ambientais de gal{\'a}xias do SDSS",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2017",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2017-04-27",
keywords = "computational cosmology, elliptical galaxies, bayesian statistics,
galaxies structure and environment, groups and clusters,
cosmologia computacional, gal{\'a}xias el{\'{\i}}pticas,
estat{\'{\i}}sticas bayesiana, gal{\'a}xias estructura e
ambiente, grupos e aglomerados de gal{\'a}xias.",
abstract = "The exponential growth of data from cosmological simulations and
observational catalogs has motivated the development and
application of new computational techniques for the study of
galaxy properties. In this context, two topics are addressed in
this thesis in applied computing: (i) The study of the galaxy
structural properties using a Bayesian approach; (ii) The
investigation of the gaussianity of the velocity distribution of
groups and clusters. We study the use of a Bayesian approach for
modeling images of elliptical galaxies using a tool called GALPHAT
(GALaxy PHotometric ATtributes). This work has improved the
accuracy of the numerical integration involved in this
application, as well its capability to handle a large data sets.
Thus, the present research proposes a new pipeline, written in
python, for GALPHAT, called PyPiGALHAT, developed and tested, to
analyze of a large set of galaxies in a high performance computing
environment (HPC). PyPiGALPHAT has been validated considering
several sets of synthetic galaxy images, generated using
S{\'e}rsics law. This application allowed us to improve GALPHAT
and measure its ability to recover the true galaxy parameters. The
results indicate that the Bayesian approach provides more robust
and reliable values, compared to frequentist approaches (GALFIT).
Once the improvement was established via PyPiGALPHAT, it was
applied to real images of bright elliptical galaxies observed by
the Sloan Digital Sky Survey (SDSS). The results of SDSS data
analysis indicate that the use of PyPiGALPHAT provides
complementary informations and more reliable results than a
frequentist approach (eg. GALFIT). The second part of this project
is related to the study of a new systematics to characterize the
galaxy environment. In general the environment is defined in terms
of the local density of galaxies or the mass of the dark matter
halo mas of the cluster / group. In this case, we classify the
groups according to their galaxy velocity distribution. We study
two particular techniques to measure how far the distributions are
from a Gaussian, which indicates the state of equilibrium of the
system. The first method, try to identify a mixture of gaussians
(two) for justifying the velocity distribution while the second
simply measures the distance between two distributions (Hellingers
distance). We have shown that our measurements of gaussianity are
robust and reliable, and that the environment is correlated with
galaxy properties, suggesting that gaussian systems have a higher
infall rate, assembling more galaxies which suffered a
preprocessing before entering the groups. This technique,
unprecedented in cosmological applications, has proved to be an
excellent tool for analyzing large-scale structures in the
Universe. RESUMO: O crescimento exponencial da quantidade de dados
provenientes das simula{\c{c}}{\~o}es cosmol{\'o}gicas e de
cat{\'a}logos observacionais tem motivado o desenvolvimento e
aplica{\c{c}}{\~a}o de novas t{\'e}cnicas computacionais para o
estudo das propriedades das gal{\'a}xias. Dentro deste contexto,
dois t{\'o}picos foram abordados nesta tese em
computa{\c{c}}{\~a}o aplicada: (i) O estudo das propriedades
estruturais de gal{\'a}xias utilizando uma abordagem Bayesiana;
(ii) Detec{\c{c}}{\~a}o de n{\~a}o-gaussianidade na
distribui{\c{c}}{\~a}o de velocidades de gal{\'a}xias em
grupos. Inicialmente estudamos a utiliza{\c{c}}{\~a}o de uma
abordagem Bayesiana para a modelagem de imagens de gal{\'a}xias
el{\'{\i}}pticas utilizando uma ferramenta chamada GALPHAT
(GALaxy PHotometric ATtributes). Nesse contexto, destaca-se a
necessidade de encontrar solu{\c{c}}{\~o}es para melhorar a
precis{\~a}o da integra{\c{c}}{\~a}o num{\'e}rica envolvida
nesta aplica{\c{c}}{\~a}o, al{\'e}m de aumentar o seu
desempenho para lidar com um grande volume de dados. Dessa forma,
a presente pesquisa prop{\~o}e um novo pipeline, escrito em
python, para o GALPHAT, denominado PyPiGALPHAT (Python Pipelining
GALPHAT), desenvolvido e testado, para a an{\'a}lise de um grande
conjunto de gal{\'a}xias num ambiente computacional de alto
desempenho (HPC). O PyPiGALPHAT foi validado considerando
v{\'a}rios conjuntos de imagens sint{\'e}ticas de gal{\'a}xias
geradas utilizando a lei de S{\'e}rsic. Essa
aplica{\c{c}}{\~a}o permitiu aprimorar o GALPHAT e medir a sua
capacidade de recuperar os valores verdadeiros. Os resultados
indicam que a abordagem Bayesiana fornece valores mais robustos e
confi{\'a}veis quando comparados com abordagens frequentistas
(GALFIT). Uma vez consolidado o melhoramento via PyPiGALPHAT, o
mesmo foi aplicado sobre imagens reais de gal{\'a}xias
el{\'{\i}}pticas brilhantes, observadas pelo Sloan Digital Sky
Survey (SDSS). Os resultados da an{\'a}lise dos dados do SDSS
indicam que o uso do PyPiGALPHAT fornece informa{\c{c}}{\~o}es
complementares e mais confi{\'a}veis, sobre os par{\^a}metros
estruturais, em compara{\c{c}}{\~a}o com a abordagem
frequentista (GALFIT). A segunda parte desta tese relaciona-se com
o estudo de uma nova sistem{\'a}tica para caracterizar o ambiente
onde as gal{\'a}xias se encontram. Em geral o ambiente {\'e}
definido em termos da densidade local de gal{\'a}xias ou da massa
do halo de mat{\'e}ria escura do grupo/aglomerado. Neste caso,
utilizamos a distribui{\c{c}}{\~a}o de velocidades das
gal{\'a}xias pertencentes {\`a} estrutura. Estudamos duas
particulares t{\'e}cnicas de medida do quanto a
distribui{\c{c}}{\~a}o se afasta de uma Gaussiana, que indica o
estado de equil{\'{\i}}brio do sistema. A primeira procura
ajustar duas gaussianas {\`a} distribui{\c{c}}{\~a}o de
velocidades enquanto que a segunda mede simplesmente a
dist{\^a}ncia entre duas distribui{\c{c}}{\~o}es
(Dist{\^a}ncia de Hellinger). Desta forma, o ambiente assim
definido mostrou-se eficaz em estabelecer rela{\c{c}}{\~o}es
entre as propriedades das gal{\'a}xias e o grau de gaussianidade
da distribui{\c{c}}{\~a}o de velocidades, evidenciando o
processo de pr{\'e}-processamento dos sistemas gal{\'a}cticos em
pequenos grupos ao longo de filamentos antes que sejam
incorporados em aglomerados massivos. Esta t{\'e}cnica,
in{\'e}dita em aplica{\c{c}}{\~o}es cosmol{\'o}gicas
mostrou-se uma excelente ferramenta de an{\'a}lise das estruturas
em grande escala no Universo.",
committee = "Carvalho, Solon Ven{\^a}ncio de (presidente) and Rosa, Reinaldo
Roberto (orientador) and Carvalho, Reinaldo Ramos de (orientador)
and Campos Velho, Haroldo Fraga de and Ribeiro, Andr{\'e}
Lu{\'{\i}}s Batista and Oliveira Filho, Irapuan Rodrigues de",
englishtitle = "computa{\c{c}}{\~a}o aplicada ao estudo das propriedades
estruturais e ambientais de gal{\'a}xias do SDSS",
language = "en",
pages = "147",
ibi = "8JMKD3MGP3W34P/3NQHRKL",
url = "http://urlib.net/ibi/8JMKD3MGP3W34P/3NQHRKL",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}