Pierwsza próba klasyfikacji gwiazd
Na początku postanowiłem sprawdzić, czy rzeczywista populacja gwiazd w katalogu Gaia DR3 odpowiada klasycznym proporcjom klas widmowych znanym z systemu Harvardzkiego (OBAFGKM). Do klasyfikacji wykorzystałem parametr teff_gspphot, czyli temperaturę efektywną wyznaczoną przez pipeline GSP-Phot. Aby ograniczyć wpływ olbrzymów i nadolbrzymów, zastosowałem dodatkowo filtr logg_gspphot >= 4.0, pozostawiając głównie gwiazdy ciągu głównego.
Po przetworzeniu ponad 426 milionów gwiazd wyniki okazały się zaskakujące. Zgodnie z literaturą oraz powszechnie cytowanymi wartościami dla lokalnej populacji gwiazd, zdecydowaną większość powinny stanowić czerwone karły klasy M. Tymczasem w moich wynikach dominowała klasa K, odpowiadająca za ponad 67% całej próbki, podczas gdy udział gwiazd klasy M wynosił jedynie około 13%.
Tak duża rozbieżność wzbudziła moje wątpliwości. Pierwszą hipotezą było to, że katalog Gaia wraz ze wzrostem odległości coraz słabiej wykrywa czerwone karły. Gwiazdy klasy M są bardzo słabe i już w stosunkowo niewielkich odległościach stają się trudne do obserwacji. Jeżeli rzeczywiście występuje taki efekt selekcji obserwacyjnej, globalna statystyka całej bazy danych może być silnie zniekształcona przez niedoreprezentowanie najciemniejszych gwiazd.
SELECT
COUNT(*) AS total,
SUM(CASE WHEN teff_gspphot > 33000 THEN 1 ELSE 0 END) AS O,
SUM(CASE WHEN teff_gspphot >= 10000 AND teff_gspphot < 33000 THEN 1 ELSE 0 END) AS B,
SUM(CASE WHEN teff_gspphot >= 7300 AND teff_gspphot < 10000 THEN 1 ELSE 0 END) AS A,
SUM(CASE WHEN teff_gspphot >= 6000 AND teff_gspphot < 7300 THEN 1 ELSE 0 END) AS F,
SUM(CASE WHEN teff_gspphot >= 5300 AND teff_gspphot < 6000 THEN 1 ELSE 0 END) AS G,
SUM(CASE WHEN teff_gspphot >= 3900 AND teff_gspphot < 5300 THEN 1 ELSE 0 END) AS K,
SUM(CASE WHEN teff_gspphot >= 2300 AND teff_gspphot < 3900 THEN 1 ELSE 0 END) AS M
FROM read_parquet('{GAIA_PATH}')
WHERE teff_gspphot IS NOT NULL
AND logg_gspphot >= 4.0Total stars with Teff: 426,386,509
Class Count Percent
O 8,490 0.0020%
B 784,907 0.1841%
A 7,816,195 1.8331%
F 16,584,856 3.8896%
G 58,353,174 13.6855%
K 286,830,632 67.2701%
M 56,008,255 13.1356%Udział czerwonych karłów w funkcji odległości
Aby sprawdzić, czy problem rzeczywiście wynika z ograniczeń obserwacyjnych, policzyłem udział procentowy gwiazd klasy M w coraz większych objętościach przestrzeni. Dla kolejnych odległości granicznych (od 5 do 10 000 parseków) wyznaczyłem odsetek czerwonych karłów wśród wszystkich gwiazd ciągu głównego posiadających wyznaczoną temperaturę teff_gspphot.
Wynik okazał się bardzo interesujący. W najbliższym otoczeniu Słońca udział czerwonych karłów wynosi około 70–80%, co dobrze zgadza się z wartościami podawanymi w literaturze. Wraz ze wzrostem odległości udział ten stopniowo maleje, co jest zgodne z oczekiwaniami – czerwone karły są słabymi obiektami i z dużych odległości stają się coraz trudniejsze do wykrycia.
Na wykresie pojawiła się jednak nieoczekiwana anomalia. W okolicach 70–90 parseków udział gwiazd klasy M gwałtownie spada do około 45%, po czym równie szybko wraca do poziomu około 70% przy odległościach 125–200 parseków. Takie zachowanie trudno wyjaśnić rzeczywistą strukturą lokalnej populacji gwiazd, ponieważ nie istnieje znany mechanizm astrofizyczny, który powodowałby tak nagły i krótkotrwały spadek liczby czerwonych karłów tylko w tym zakresie odległości.
Anomalia sugeruje raczej problem związany z samym produktem GSP-Phot lub kompletnością parametrów wyznaczanych przez Gaia DR3. W dalszej części analizy postanowiłem sprawdzić, czy spadek liczby czerwonych karłów wynika z błędów klasyfikacji temperatury, czy też z niepełnej dostępności parametrów fizycznych dla części gwiazd znajdujących się właśnie w tym przedziale odległości.
distance_pc total m_stars m_percent
0 5 23 19 82.608696
1 10 141 104 73.758865
2 20 1118 809 72.361360
3 30 3705 2621 70.742240
4 40 8329 5767 69.240005
5 50 14271 9128 63.961881
6 60 20354 11346 55.743343
7 70 28014 13298 47.469123
8 80 41967 18851 44.918627
9 90 68065 33586 49.344009
10 100 114231 65216 57.091332
11 125 305566 206165 67.469876
12 150 576773 403862 70.020961
13 200 1329275 932286 70.134923
14 300 3717241 2494696 67.111495
15 500 12127412 7282113 60.046719
16 1000 45841239 19731354 43.042803
17 2000 142337207 35229678 24.750857
18 3000 228859943 41630544 18.190402
19 5000 311680650 46481250 14.913101
20 10000 361640156 49559852 13.704189Czy czerwone karły rzeczywiście znikają?
Samo zmniejszanie się procentowego udziału gwiazd klasy M wraz z odległością nie było jeszcze wystarczającym dowodem. Udział procentowy może spadać zarówno dlatego, że Gaia przestaje wykrywać czerwone karły, jak i dlatego, że szybciej przybywa gwiazd innych klas widmowych.
Postanowiłem więc sprawdzić bezwzględny przyrost liczby gwiazd klas G, K i M w funkcji odległości. Jeżeli Gaia rzeczywiście traciłaby zdolność wykrywania czerwonych karłów już w okolicach 80 parseków, liczba gwiazd klasy M powinna zacząć rosnąć wolniej lub nawet przejść w wyraźne wypłaszczenie.
Wynik okazał się zaskakujący. Populacja czerwonych karłów rosła bardzo dynamicznie w całym badanym zakresie odległości. Nie widać żadnego załamania ani zatrzymania przyrostu w okolicach 70–90 parseków. Wręcz przeciwnie – liczba gwiazd klasy M zwiększa się szybciej niż liczba gwiazd klas G i K.
Oznaczało to, że wcześniejsza anomalia nie wynikała z prostego problemu wykrywalności czerwonych karłów. Gaia nadal znajdowała ich coraz więcej wraz ze wzrostem objętości przestrzeni. Problem musiał więc leżeć gdzie indziej – albo w samym procesie wyznaczania temperatur GSP-Phot, albo w kompletności parametrów astrofizycznych dostępnych dla poszczególnych gwiazd.
Był to pierwszy sygnał, że obserwowany spadek udziału gwiazd klasy M w okolicach 80 parseków nie jest efektem astrofizycznym, lecz najprawdopodobniej artefaktem danych.
Weryfikacja przy użyciu koloru BP-RP
Ponieważ wcześniejsza analiza opierała się na temperaturach wyznaczonych przez GSP-Phot, postanowiłem sprawdzić wyniki całkowicie niezależną metodą. Zamiast korzystać z teff_gspphot, sklasyfikowałem gwiazdy na podstawie indeksu barwy BP-RP, który jest bezpośrednio mierzony przez instrumenty Gaia i nie wymaga modelowania parametrów astrofizycznych.
Dla uproszczenia przyjąłem orientacyjne zakresy kolorów odpowiadające klasom G, K oraz M. Następnie ponownie policzyłem przyrost liczby gwiazd wraz ze wzrostem odległości.
Rezultat był jednoznaczny. Podobnie jak w przypadku klasyfikacji temperaturowej, liczba gwiazd wszystkich analizowanych klas rosła płynnie wraz z odległością. Nie pojawiło się żadne załamanie ani spowolnienie wzrostu populacji czerwonych karłów w okolicach 80 parseków. Krzywa dla gwiazd klasy M zachowywała się dokładnie tak, jak należałoby oczekiwać przy zwiększaniu objętości badanego obszaru przestrzeni.
Był to ważny moment analizy. Dwie niezależne metody klasyfikacji – temperatura GSP-Phot oraz kolor BP-RP – prowadziły do tego samego wniosku: Gaia nie przestaje wykrywać czerwonych karłów w okolicach 80 parseków. Oznaczało to, że źródła obserwowanej wcześniej anomalii należy szukać nie w samej wykrywalności gwiazd, lecz w kompletności lub sposobie wyznaczania parametrów astrofizycznych dostępnych w katalogu DR3.
SUM(
CASE
WHEN bp_rp > 2.0
THEN 1
ELSE 0
END
) AS M,
SUM(
CASE
WHEN bp_rp > 1.0
AND bp_rp <= 2.0
THEN 1
ELSE 0
END
) AS K,
SUM(
CASE
WHEN bp_rp > 0.6
AND bp_rp <= 1.0
THEN 1
ELSE 0
END
) AS G
Klasyfikacja na podstawie koloru BP-RP
W tym momencie postanowiłem całkowicie odejść od temperatur GSP-Phot i wykorzystać wyłącznie bezpośrednio zmierzony przez Gaia indeks barwy BP-RP. Gwiazdy o wartości BP-RP > 2.0 potraktowałem jako przybliżony odpowiednik czerwonych karłów klasy M, a następnie ponownie policzyłem ich udział procentowy w funkcji odległości.
Wynik okazał się bardzo wymowny. Tym razem anomalia obserwowana wcześniej w okolicach 80 parseków całkowicie zniknęła. Udział czerwonych gwiazd malał płynnie wraz ze wzrostem odległości, bez gwałtownych spadków i późniejszych wzrostów widocznych w analizie opartej na teff_gspphot.
Takiego zachowania można było oczekiwać. Wraz ze wzrostem odległości Gaia rzeczywiście stopniowo traci zdolność wykrywania najciemniejszych czerwonych karłów, dlatego ich udział procentowy systematycznie maleje. Kluczowe jest jednak to, że spadek ma charakter ciągły i gładki, a nie lokalny i gwałtowny.
Był to bardzo mocny argument wskazujący, że tajemniczy dołek obserwowany wcześniej w okolicach 80 parseków nie jest rzeczywistą cechą populacji gwiazd. Gdyby był zjawiskiem fizycznym, powinien pojawić się również przy klasyfikacji opartej na kolorze. Ponieważ występował wyłącznie przy wykorzystaniu temperatur GSP-Phot, coraz bardziej prawdopodobne stawało się, że jego źródłem jest sam proces wyznaczania parametrów astrofizycznych w Gaia DR3 lub niejednorodna kompletność produktu GSP-Phot.
distance_pc total red_stars red_percent
0 5 50 40 80.000000
1 10 311 228 73.311897
2 20 2565 1870 72.904483
3 30 9039 6395 70.748977
4 40 22699 15575 68.615358
5 50 47962 31417 65.503941
6 60 88271 56008 63.450057
7 70 148326 91362 61.595405
8 80 234310 140297 59.876659
9 90 349173 204560 58.584140
10 100 497995 286040 57.438328
11 125 1040619 575409 55.294877
12 150 1863351 1004229 53.893711
13 200 4486790 2327074 51.865008
14 300 14450683 7160524 49.551457
15 500 52907395 25194891 47.620736
16 1000 194442454 80156597 41.223815
17 2000 462707552 139786026 30.210448
18 3000 644320552 168636540 26.172771
19 5000 816900971 197241549 24.145099
20 10000 939257577 221463879 23.578610Ograniczenie próbki do gwiazd ciągu głównego
Do tego momentu analiza opierała się wyłącznie na kolorze BP-RP, jednak w próbce nadal znajdowały się olbrzymy i nadolbrzymy. Choć są one znacznie rzadsze od karłów, mogą wpływać na statystyki populacji, szczególnie dla czerwonych gwiazd.
Postanowiłem więc ograniczyć analizę do obiektów, które z dużym prawdopodobieństwem należą do ciągu głównego. W tym celu zastosowałem kilka standardowych filtrów jakościowych (parallax_over_error > 10, ruwe < 1.4) oraz prosty filtr jasności absolutnej:
phot_g_mean_mag + 5 * log10(parallax) - 10 > 5Pozwala on usunąć większość czerwonych olbrzymów pozostawiając głównie gwiazdy karłowate.
Rezultat okazał się bardzo interesujący. Po odfiltrowaniu gigantów udział czerwonych gwiazd (BP-RP > 2.0) ustabilizował się w zakresie około 74–78% dla odległości od kilkudziesięciu do kilkuset parseków. Są to wartości bardzo bliskie klasycznym szacunkom populacji gwiazd typu M podawanym w literaturze astronomicznej.
Co najważniejsze, nadal nie pojawiła się żadna anomalia w okolicach 80 parseków. W zakresie od około 40 do 300 parseków rozkład pozostaje wyjątkowo stabilny, a udział czerwonych karłów utrzymuje się na poziomie zgodnym z oczekiwaniami dla lokalnego sąsiedztwa Słońca.
Dopiero powyżej około 500 parseków widoczny jest gwałtowny spadek udziału czerwonych karłów. Jest to jednak efekt całkowicie oczekiwany i wynika z ograniczeń obserwacyjnych. Najsłabsze czerwone karły stają się zbyt ciemne, aby były rejestrowane z tak dużych odległości, przez co w próbce zaczynają dominować jaśniejsze gwiazdy.
W tym momencie stało się jasne, że klasyfikacja oparta na kolorze BP-RP prowadzi do wyników zgodnych z literaturą i nie wykazuje tajemniczego załamania obserwowanego wcześniej dla temperatur teff_gspphot. Coraz wyraźniej wskazywało to, że źródła problemu należy szukać nie w populacji gwiazd, lecz w samym produkcie GSP-Phot.
SELECT
parallax,
CASE
WHEN bp_rp > 2.0
THEN 1
ELSE 0
END AS is_red
FROM read_parquet('{GAIA_PATH}')
WHERE
bp_rp IS NOT NULL
AND phot_g_mean_mag IS NOT NULL
AND parallax > 0
AND parallax_over_error > 10
AND ruwe < 1.4
-- usunięcie większości gigantów
AND (
phot_g_mean_mag
+ 5 * log10(parallax)
- 10
) > 5
distance_pc total red_stars red_percent
0 5 39 32 82.051282
1 10 233 178 76.394850
2 20 1833 1364 74.413530
3 30 6266 4637 74.002553
4 40 15257 11289 73.992266
5 50 30617 22585 73.766208
6 60 52979 39318 74.214311
7 70 83847 62450 74.480900
8 80 124693 93116 74.676205
9 90 176169 131900 74.871288
10 100 240212 180274 75.047874
11 125 457596 345993 75.611019
12 150 765804 586058 76.528459
13 200 1656235 1290161 77.897219
14 300 4507047 3525187 78.215004
15 500 12445743 8974855 72.111846
16 1000 31537695 13773974 43.674638
17 2000 50130765 14187175 28.300336
18 3000 50343444 14190388 28.187162
19 5000 50343444 14190388 28.187162
20 10000 50343444 14190388 28.187162Wybór optymalnego zakresu odległości
Po wykonaniu dwóch niezależnych analiz zauważyłem, że każda z metod ma swoje ograniczenia.
Klasyfikacja oparta na temperaturze teff_gspphot dawała wyniki bardzo zbliżone do klasycznego rozkładu klas widmowych, jednak pojawiała się zagadkowa anomalia w okolicach 80 parseków. Z kolei klasyfikacja oparta na kolorze BP-RP nie wykazywała żadnych lokalnych zaburzeń, ale wraz ze wzrostem odległości coraz wyraźniej ujawniał się efekt utraty najciemniejszych czerwonych karłów.
Porównanie obu wykresów prowadzi do interesującego wniosku. W zakresie od około 150 do 300 parseków oba podejścia dają bardzo podobne wyniki, a udział czerwonych karłów utrzymuje się blisko wartości oczekiwanych z literatury astronomicznej. Jednocześnie obszar ten znajduje się jeszcze przed gwałtownym spadkiem kompletności obserwacyjnej widocznym dla większych odległości.
Z tego powodu jako kompromis pomiędzy liczebnością próbki a kompletnością danych wybrałem promień 200 parseków. Jest to objętość zawierająca już ponad milion gwiazd ciągu głównego, a jednocześnie na tyle lokalna, że wpływ selekcji obserwacyjnej pozostaje stosunkowo niewielki.
Dalszą analizę populacji gwiazd postanowiłem przeprowadzić właśnie dla odległości 200 pc. Co istotne, wyniki zostały policzone dwiema niezależnymi metodami klasyfikacji – na podstawie temperatury teff_gspphot oraz indeksu barwy BP-RP. Pozwoliło to bezpośrednio porównać obie techniki i sprawdzić, która z nich lepiej odtwarza rzeczywisty rozkład klas widmowych znany z literatury i klasycznego systemu Harvarda.
Porównanie wyników z klasycznym rozkładem Harvarda
Po wyznaczeniu populacji gwiazd obiema metodami porównałem wyniki z klasycznym rozkładem klas widmowych publikowanym w literaturze astronomicznej. Według najczęściej cytowanych danych gwiazdy typu M stanowią około 76% wszystkich gwiazd, K około 12%, G około 7,6%, F około 3%, A około 0,6%, B około 0,12%, a gwiazdy typu O są skrajnie rzadkie.
Klasyfikacja oparta na temperaturze teff_gspphot dała zaskakująco dobre wyniki. Dla gwiazd typu M otrzymałem 70,1% wobec 76% w literaturze, dla klasy G 8,3% wobec 7,6%, a dla klasy F 3,0% praktycznie idealnie zgodne z wartością referencyjną. Również udział gwiazd typu B wynoszący 0,098% jest bardzo bliski wartości 0,12% podawanej w literaturze.
Największa rozbieżność pojawia się dla klasy K. Gaia DR3 klasyfikowana przez temperaturę wskazuje około 18,3% gwiazd typu K przy oczekiwanych 12%. Jednocześnie udział gwiazd typu M jest o około 6 punktów procentowych niższy niż w klasycznym rozkładzie. Sugeruje to, że część najchłodniejszych gwiazd typu M została sklasyfikowana jako późne gwiazdy typu K lub że wpływ mają ograniczenia kompletności parametrów GSP-Phot.
Znacznie gorzej wypada klasyfikacja oparta wyłącznie na kolorze BP-RP. Udział gwiazd typu M wynosi aż 77,9%, niemal idealnie trafiając w wartość literaturową, jednak odbywa się to kosztem pozostałych klas. Klasa G spada z oczekiwanych 7,6% do zaledwie 3,3%, a klasa F z 3,0% do około 1,3%. Jednocześnie klasy A, B oraz O zostają wyraźnie zawyżone.
Wynik ten nie jest zaskakujący. Kolor gwiazdy jest jedynie przybliżeniem klasy widmowej i nie uwzględnia wielu efektów fizycznych. Sąsiednie klasy widmowe posiadają częściowo nakładające się zakresy barw, dlatego prosta klasyfikacja BP-RP nie jest w stanie wiernie odtworzyć pełnego systemu Harvarda.
Ostatecznie analiza wskazuje, że klasyfikacja oparta na temperaturze teff_gspphot znacznie lepiej odtwarza rzeczywisty rozkład klas widmowych niż klasyfikacja oparta wyłącznie na kolorze. Mimo występujących problemów z kompletnością parametrów GSP-Phot oraz obserwowanej wcześniej anomalii, metoda temperaturowa pozostaje bliższa wartościom literaturowym dla większości klas widmowych i daje bardziej realistyczny obraz lokalnej populacji gwiazd.
Klasyfikacja GSP-Phot
SUM(CASE WHEN teff_gspphot > 33000 THEN 1 ELSE 0 END) AS O,
SUM(CASE WHEN teff_gspphot >= 10000 AND teff_gspphot < 33000 THEN 1 ELSE 0 END) AS B,
SUM(CASE WHEN teff_gspphot >= 7300 AND teff_gspphot < 10000 THEN 1 ELSE 0 END) AS A,
SUM(CASE WHEN teff_gspphot >= 6000 AND teff_gspphot < 7300 THEN 1 ELSE 0 END) AS F,
SUM(CASE WHEN teff_gspphot >= 5300 AND teff_gspphot < 6000 THEN 1 ELSE 0 END) AS G,
SUM(CASE WHEN teff_gspphot >= 3900 AND teff_gspphot < 5300 THEN 1 ELSE 0 END) AS K,
SUM(CASE WHEN teff_gspphot >= 2300 AND teff_gspphot < 3900 THEN 1 ELSE 0 END) AS M
FROM read_parquet('{GAIA_PATH}')
WHERE
teff_gspphot IS NOT NULL
AND logg_gspphot >= 4.0
AND parallax > {PARALLAX_LIMIT}Total stars within 200 pc: 1,329,275
Class Count Percent
O 2 0.00015%
B 1,300 0.09780%
A 3,104 0.23351%
F 39,297 2.95627%
G 109,899 8.26759%
K 243,387 18.30976%
M 932,286 70.13492%Klasyfikacja BP-RP
SUM(CASE WHEN bp_rp < -0.2 THEN 1 ELSE 0 END) AS O,
SUM(CASE WHEN bp_rp >= -0.2 AND bp_rp < 0.0 THEN 1 ELSE 0 END) AS B,
SUM(CASE WHEN bp_rp >= 0.0 AND bp_rp < 0.3 THEN 1 ELSE 0 END) AS A,
SUM(CASE WHEN bp_rp >= 0.3 AND bp_rp < 0.6 THEN 1 ELSE 0 END) AS F,
SUM(CASE WHEN bp_rp >= 0.6 AND bp_rp < 1.0 THEN 1 ELSE 0 END) AS G,
SUM(CASE WHEN bp_rp >= 1.0 AND bp_rp < 2.0 THEN 1 ELSE 0 END) AS K,
SUM(CASE WHEN bp_rp >= 2.0 THEN 1 ELSE 0 END) AS M
WHERE
bp_rp IS NOT NULL
AND phot_g_mean_mag IS NOT NULL
AND parallax > {PARALLAX_LIMIT}
-- filtrowanie jakościowe
AND parallax_over_error > 10
AND ruwe < 1.4
-- usunięcie większości gigantów
AND (
phot_g_mean_mag
+ 5 * log10(parallax)
- 10
) > 5Total stars within 200 pc: 1,656,235
Class Count Percent
O 2,599 0.15692%
B 6,647 0.40133%
A 15,115 0.91261%
F 21,771 1.31449%
G 55,483 3.34995%
K 264,459 15.96748%
M 1,290,161 77.89722%Klasyfikacja źródło Wikipedia
Class Percent
O 0.00003%
B 0.12%
A 0.61%
F 3.0%
G 7.6%
K 12.0%
M 76.0%https://en.wikipedia.org/wiki/Stellar_classification
Stack technologiczny
Cała analiza została przeprowadzona lokalnie na surowych danych Gaia DR3 zapisanych w formacie Apache Parquet.
Język programowania
- Python 3
Przetwarzanie danych
- DuckDB – wykonywanie zapytań SQL bezpośrednio na plikach Parquet
- Pandas – agregacja i analiza wyników
Wizualizacja
- Matplotlib
Źródło danych
- Gaia DR3 (European Space Agency)
- pola wykorzystywane w analizie:
teff_gspphotlogg_gspphotbp_rpparallaxparallax_over_errorruwephot_g_mean_mag
Format danych
- Apache Parquet
Środowisko pracy
- Jupyter Notebook
- Linux (Ubuntu)
Bonus: próba rozwikłania zagadki anomalii na 80 parsekach
Po zauważeniu wyraźnego załamania udziału czerwonych karłów w okolicach 80 pc postanowiłem sprawdzić, czy problem nie wynika z samego parametru teff_gspphot. Pierwszy wykres pokazuje procent gwiazd posiadających wyznaczoną temperaturę efektywną w funkcji odległości. Okazało się, że kompletność parametru teff_gspphot nie jest stała i osiąga minimum właśnie w zakresie około 60–80 pc. W tej strefie jedynie około 13–17% gwiazd posiada oszacowaną temperaturę, podczas gdy bliżej i dalej od Słońca odsetek ten jest znacznie większy.
Aby upewnić się, że nie jest to efekt mieszania różnych populacji gwiazd, analiza została powtórzona dla kolejnych powłok odległościowych zamiast dla odległości skumulowanej. Wynik potwierdził istnienie lokalnego minimum kompletności właśnie w przedziale 60–80 pc. Oznacza to, że anomalia widoczna wcześniej w rozkładzie gwiazd typu M nie jest efektem rzeczywistego braku czerwonych karłów, lecz raczej skutkiem niejednorodnej dostępności parametrów GSP-Phot.
Kolejnym krokiem było sprawdzenie wyłącznie czerwonych gwiazd zdefiniowanych przez kryterium BP-RP > 2.0. W tym przypadku spadek kompletności okazał się jeszcze bardziej wyraźny. W przedziale 60–80 pc jedynie około 10% takich obiektów posiadało wyznaczoną temperaturę teff_gspphot, podczas gdy już w zakresie 100–150 pc odsetek ten przekraczał 70%. Zjawisko występuje więc przede wszystkim dla najczerwieniejszej części populacji.
Na końcu zweryfikowałem, czy problem dotyczy wyłącznie temperatury, czy całego rozwiązania GSP-Phot. Porównanie kompletności parametrów teff_gspphot, logg_gspphot oraz mh_gspphot wykazało identyczne przebiegi dla wszystkich trzech wielkości. Oznacza to, że nie obserwujemy błędu samej temperatury, lecz efekt działania całego pipeline’u GSP-Phot. Jeżeli dla danego obiektu nie udało się wyznaczyć jednego parametru, zwykle nie zostały również wyznaczone pozostałe.
Wniosek jest taki, że anomalia obserwowana w okolicach 80 pc nie wydaje się mieć charakteru astrofizycznego. Najbardziej prawdopodobnym wyjaśnieniem jest lokalna niejednorodność kompletności produktów GSP-Phot dla czerwonych gwiazd. To właśnie dlatego klasyfikacja oparta wyłącznie na teff_gspphot prowadziła do sztucznego spadku liczby karłów typu M, podczas gdy klasyfikacja wykorzystująca bezpośrednio kolor BP-RP nie wykazywała podobnego efektu. Z tego powodu do dalszego porównania z wartościami literaturowymi wybrałem próbkę ograniczoną do 200 pc, gdzie wpływ tej anomalii jest już znacznie mniejszy, a wyniki obu metod klasyfikacji stają się bardziej stabilne.
Dodatkową wskazówką był rozkład gwiazd typu K. W tym samym zakresie odległości, w którym udział gwiazd typu M gwałtownie malał, obserwowany był równie gwałtowny wzrost udziału gwiazd typu K. Suma obu populacji pozostawała jednak względnie stabilna. Sugeruje to, że nie dochodzi do rzeczywistego zaniku czerwonych karłów, lecz do systematycznego przesunięcia części obiektów przez granicę klasyfikacyjną 3900 K. Innymi słowy, część gwiazd klasyfikowanych fizycznie jako M-dwarfs mogła otrzymać zawyżone wartości temperatury efektywnej i zostać zaklasyfikowana do typu K. Hipotezę tę wzmacnia fakt, że analogiczna anomalia nie występuje przy klasyfikacji wykorzystującej bezpośrednio indeks barwy BP-RP.
Analiza wykazała istnienie rzeczywistej anomalii w produktach GSP-Phot Gaia DR3 w zakresie około 60–80 parseków. Udało się zidentyfikować jej objawy oraz powiązanie z klasyfikacją czerwonych karłów, jednak obecny materiał nie pozwala jednoznacznie określić przyczyny. Zagadnienie wymaga dalszych badań, najlepiej poprzez analizę pełnych rozkładów temperatur, jasności absolutnych oraz parametrów jakościowych wykorzystywanych przez pipeline GSP-Phot.
Dodaj komentarz