Exploring the population of Hα emitters in the Southern Photometric Local Universe Survey (S-PLUS)

Abstract

En astronomía, el estudio de los objectos con líneas de emisión resulta ser de gran importancia porque ellos reflejan diferentes procesos físicos que dan cuenta de la fomación, la presencia de gas, choques, estallidos de formación estelar en galaxias, y la etapa final de las estrellas, entre otros procesos. En este contexto, hemos llevado a cabo una búsqueda de emisores de Ha compactos en los datos del relevamiento S-PLUS, el cual se encuentra mapeando el Hemisferio Sur Celeste en altas latitudes galácticas (|b| >30 deg). Para ello, utilizamos el diagrama color-color (r — J0660) versus (r — i) dado que, se cree, el exceso de emisión en el filtro J0660 que presentan algunos objetos se debe a la línea de emisión de Ha. Combinando los valores de color (r — i) y (g — z) con técnicas de aprendizaje automático no supervisado, hemos logrado distinguir entre fuentes de emisión con un continuo espectral más intenso en la región azul del espectro, y fuentes con un continuo más intenso en la región roja. Utilizamos los algoritmos de agrupamiento jerárquico y HDBSCAN y, mediante un enfoque de agrupamiento "suave", asignamos una probabilidad a cada emisor de pertenecer a la población azul o roja del espectro. La técnica descrita en esta contribución resulta eficiente para identificar nuevos objetos con líneas de emisión y clasificarlos, utilizando datos multibanda. Los objetos seleccionados incluyen nebulosas planetarias, regiones Η II, objetos estelares jóvenes, sistemas estelares simbióticos, variables cataclísmicas, galaxias Seyfert y cuásares.

Emission lines are key tracers of a myriad of physical processes in Astrophysics, from planetary to supermassive extragalactic systems. We have carried out a search for Ha emitters in the ongoing S-PLUS survey, which is mapping the Southern hemisphere at high galactic latitudes (|b| >30 deg) in twelve photometric bands. Excess emission in such a line was evidenced by contrasting the magnitude from the narrow band filter J0660 and those of the broadband r and i filters through the colour-colour (r — J0660) versus (r — i) diagram. Furthermore, unsupervised machine learning (clustering) applied to the colours (r — i) and (g — z) allowed us to separate the Ha emitter candidates into two subgroups: one with bluer and another one with redder sources. By adopting a "soft" clustering approach, we assign probabilities for each source in our final sample to belong to either the blue or red population. The method, which utilizes multi-colour data, has proven to be an effective tool for detecting and classifying new Hα emitters, including planetary nebulae, Η II regions, young stellar objects, symbiotic star systems, cataclysmic variables, Seyfert galaxies, and quasars.