Конечно, недавно анонсированные данные и карты SDSS-III из Sloan Digital Sky Survey с 1,2 миллионами объектов, наряду со всеми предыдущими наборами данных, находятся в открытом доступе, и я уверен, что есть много инструментов для доступа, работы и просмотра. данные.
Каков был бы самый простой способ извлечь список координат галактик, чтобы попытаться визуализировать его самостоятельно? Также могут быть инструменты визуализации, если вы хотите добавить ссылку, это было бы здорово, но этот вопрос касается получения списка координат, чтобы я мог посмотреть на плотность или даже попытаться нанести одну точку на галактику в какой-то срез.
Я предполагаю, что координаты могут быть доступны в RA, dec и красном смещении, а также, возможно, в некоторых рассчитанных/выведенных x, y, z.
Я использую python, но я еще не знаком с AstroPy , поэтому, если это можно сделать, хотя и неэффективно и / или неточно, написав простой скрипт python на своем ноутбуке, это будет самый полезный ответ.
edit: если сделать это в AstroPy очень просто, у меня есть установка Anaconda, и, следовательно, у меня уже есть хотя бы базовая установка AstroPy.
Вот рисунок (ниже), взятый отсюда на Phys.org, приписываемый Дэниелу Эйзенштейну и SDSS-III.
Другой рисунок (ниже), взятый отсюда, на Phys.org, приписываемый там Джереми Тинкеру и SDSS-III.
Кстати, если кому-то нужен быстрый и быстрый запрос к решению, сделайте следующее:
Перейдите на страницу https://skyserver.sdss.org/dr12/en/tools/search/sql.aspx . Вставьте такой запрос:
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
Затем, после загрузки CSV-файла, используйте следующий код, чтобы создать хороший график тепловой карты в направлениях x и 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'))
Я хотел бы, чтобы было больше руководств, подобных этому, что заняло у меня больше времени, чем я ожидал, чтобы понять это. Надеюсь, это кому-то поможет!
plt.show()
, и это единственная причина, по которой ничего не произошло! Построив log10 данных, я получаю это: i.stack.imgur.com/OiBIr.png , что означает, что все в порядке, и я уже в пути! (здесь рано, и мой утренний кофе только начинает действовать)Данные каталога SDSS DR12 выглядят как хорошая отправная точка, очевидно, довольно открытая для тех, кто хочет и может понять это. На их сайте SciServer Compute размещены блокноты Jupyter для запросов CasJobs в SQL.
Каталог галактик с крупными структурами в каталогах с добавленной стоимостью BOSS также может быть уместным.
Эрих Шуберт
ооо