基于面元的分子团检测算法：FacetClumps
摘要：分子团的全面理解对于研究星际物质的形成是必不可少的。本文提出了一种分子团检测算法，称为FacetClumps。该算法使用形态学方法从原始数据中提取信号区域。高斯Facet模型被用来拟合信号区域，从而增强了算法在不同重叠区域中的抗噪声性能和稳定性。多变量函数的极值确定定理的引入为自动定位团中心提供了理论指导。为了保证每个团的连续性，信号区域根据梯度进行分段，然后根据连通性和最小距离将局部区域聚类为团中心，以识别每个团的区域信息。使用模拟数据和合成数据进行的实验证明，FacetClumps具有很高的召回率和精确率，定位误差和通量损失都很小，在检测到的团区域和模拟团区域之间具有很高的一致性，并且在不同环境中通常保持稳定。值得注意的是，在合成数据中，FacetClumps对包含MWISP的$^{13}CO$（$J = 1-0$）发射线的数据，在$11.7^{circ} \leq l \leq 13.4^{circ}$，$0.22^{circ} \leq b \leq 1.05^{circ}$和5 km s$^{-1}$ $\leq v \leq$ 35 km s$^{-1}$的范围内检测到的团的召回率达到90.2\%。此外，当应用于观测数据时，FacetClumps表现出令人满意的性能。
作者：Yu Jiang, Zhiwei Chen, Sheng Zheng, Zhibo Jiang, Yao Huang, Shuguang Zeng, Xiangyun Zeng, and Xiaoyu Luo
论文ID：2305.18709
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-08-09