Por supuesto, los datos y mapas SDSS-III recientemente anunciados del Sloan Digital Sky Survey con 1,2 millones de objetos, junto con todos los conjuntos de datos anteriores, están disponibles abiertamente, y estoy seguro de que hay muchas herramientas para acceder, trabajar y ver el datos.
¿Cuál sería la forma más sencilla de extraer una lista de coordenadas de galaxias para tratar de visualizarla por mi cuenta? También puede haber herramientas de visualización, si desea agregar un enlace que sería genial, pero esta pregunta se trata de obtener una lista de coordenadas para que pueda ver la densidad o incluso tratar de trazar un punto por galaxia en algún segmento.
Supongo que las coordenadas podrían estar disponibles en RA, dec y corrimiento al rojo, y posiblemente también algunas x, y, z calculadas/inferidas.
Yo uso python, pero todavía no estoy familiarizado con AstroPy , por lo que si se puede hacer, aunque de manera ineficiente y/o imprecisa, escribiendo un script de python sencillo en mi computadora portátil, esa sería la respuesta más útil.
editar: si hacer esto en AstroPy es muy fácil, tengo una instalación de Anaconda y, por lo tanto, ya tengo al menos una instalación básica de AstroPy.
Aquí hay un gráfico (abajo), de aquí en Phys.org atribuido allí a Daniel Eisenstein y SDSS-III.
Otro gráfico (abajo), de aquí en Phys.org atribuido allí a Jeremy Tinker y SDSS-III.
Por cierto, si alguien quiere una consulta rápida y rápida para solucionarlo, haga lo siguiente:
Vaya a https://skyserver.sdss.org/dr12/en/tools/search/sql.aspx . Pegue una consulta como esta:
SELECT
s.specobjid, s.ra, s.dec, s.z
FROM SpecObj as s
WHERE
s.z > 0 AND s.z < .18 AND s.ra > 0 AND s.ra < 50 AND s.dec > 0 AND s.dec < 30
Luego, después de descargar un archivo csv, use el siguiente código para hacer un buen gráfico de mapa de calor en la dirección x e y.
import astropy.cosmology
from scipy.stats.kde import gaussian_kde
import astropy.coordinates
import astropy.units as u
import numpy as np
data = np.genfromtxt('your_csv_file'), delimiter=',')
sdss_low_redshift = np.array([np.array([i[1], i[2], i[3]]) for i in data])
comoving_dist = astropy.cosmology.WMAP9.comoving_distance(sdss_low_redshift[:, 2])
c = astropy.coordinates.SkyCoord(ra=sdss_low_redshift[:, 0]*u.degree, dec=sdss_low_redshift[:, 1]*u.degree, distance=comoving_dist*u.mpc)
sdss_pos = np.stack([np.array([i.x.value, i.y.value, i.z.value]) for i in c.cartesian])
# Removing nans
mask = np.all(np.isnan(sdss_pos) | np.equal(sdss_pos, 0), axis=1)
sdss_pos = sdss_pos[~mask]
x, y = sdss_pos[:, 2], sdss_pos[:, 1]
heatmap, xedges, yedges = np.histogram2d(x, y, bins=50)
extent = [xedges[0], xedges[-1], yedges[0], yedges[-1]]
plt.clf()
plt.figure(figsize=(8, 6))
plt.gca().set_aspect('equal')
plt.imshow(heatmap.T, extent=extent, origin='lower', cmap=plt.get_cmap('nipy_spectral'))
Desearía que hubiera más tutoriales como este, me tomó más tiempo del que esperaba para resolverlo. Con suerte, esto ayuda a alguien!
plt.show()
y esa es la única razón por la que no sucedió nada. Al trazar el log10 de los datos, obtengo esto: i.stack.imgur.com/OiBIr.png , lo que significa que todo parece estar bien y ¡estoy en camino! (Es temprano aquí y mi café de la mañana está empezando a hacer efecto)SDSS DR12 Catalog Data parece un buen punto de partida, aparentemente bastante abierto para aquellos que quieran y puedan resolverlo. Su sitio SciServer Compute aloja cuadernos Jupyter para consultar CasJobs en SQL.
El catálogo de galaxias de estructuras a gran escala en los catálogos de valor agregado de BOSS también puede ser relevante.
Erich Schubert
UH oh