Come si individua un ammasso di galassie con la tecnica della “red‑sequence” ottimizzata?

Immagina di dover trovare un gruppo di amici in una festa affollata: ti affidi al colore dei vestiti, all’altezza e a dove si trovano. Gli astronomi fanno qualcosa di simile per scoprire gli ammassi di galassie. In questo studio hanno combinato due strumenti: i modelli di miscele gaussiane (Gaussian Mixture Models) e una versione migliorata della “red‑sequence”, una linea di colore rosso che le galassie più vecchie tendono a seguire.

Il metodo analizza tre parametri per ogni galassia: la magnitudine r (quanto è luminosa), l’indice di colore g‑r (quanto è rossa) e il redshift z (quanto è distante). Usando la distanza di Mahalanobis, che tiene conto delle correlazioni tra le variabili, l’algoritmo separa più facilmente le galassie appartenenti allo stesso ammasso.

Un trucco intelligente è stato cambiare la pendenza della red‑sequence: invece di usare un valore fisso, hanno preso il vettore proprio principale (principal eigenvector) dei dati, così la linea si adatta meglio al gruppo reale. Hanno testato il tutto su 114 gruppi di galassie con redshift tra 0,002 e 0,45. I risultati mostrano che il nuovo approccio è al pari, o addirittura migliore, della tecnica tradizionale.

Questo significa che, nei grandi progetti di osservazione, gli scienziati potranno identificare rapidamente nuovi ammassi e stimarne le proprietà di base, accelerando la ricerca sul cosmo.

Il cuore metodologico del lavoro è l’applicazione dei Gaussian Mixture Models (GMM) a un dataset tridimensionale (r, g‑r, z). I GMM assumono che i dati siano generati da una combinazione di distribuzioni normali, ciascuna rappresentante un possibile sottogruppo di galassie. L’algoritmo EM (Expectation‑Maximization) stima iterativamente le medie, le covarianze e le pesi di ciascuna componente, consentendo di identificare cluster sovrapposti in uno spazio di caratteristiche.

Per migliorare la separazione, è stata introdotta la distanza di Mahalanobis, definita come D_M = sqrt((x‑μ)^T Σ^{-1} (x‑μ)), dove Σ è la matrice di covarianza della componente. Questa metrica normalizza le differenze rispetto alla varianza e alla correlazione tra le variabili, rendendo più sensibile la distinzione tra gruppi con distribuzioni anisotrope.

La “red‑sequence” tradizionale si basa su una retta fissa nel diagramma colore‑magnitudine, tipicamente derivata da osservazioni di cluster ben studiati. Qui, la pendenza è calcolata come il primo autovettore della matrice di covarianza dei dati appartenenti a un candidato cluster, cioè il vettore che massimizza la varianza lungo la direzione principale. Questo approccio adattivo consente di catturare variazioni nella composizione stellare e nell’età media delle galassie, che influenzano la posizione della sequenza rossa.

Il campione di 114 gruppi è stato estratto da cataloghi pubblici (SDSS, 2dF) con criteri di completezza in magnitudine e copertura di redshift. La validazione ha confrontato le classificazioni GMM‑Mahalanobis con quelle ottenute da metodi di clustering gerarchico e da tecniche di “friends‑of‑friends”. Le metriche di performance includono la purezza (fraction of correctly assigned members) e la completezza (fraction of true members recovered). In più del 80% dei casi, il nuovo metodo ha mostrato una purezza superiore del 5‑10% rispetto alla red‑sequence classica, mantenendo una completezza comparabile.

Questi risultati suggeriscono che l’integrazione di modelli statistici avanzati con conoscenze astrofisiche tradizionali può ridurre le ambiguità nella identificazione di ammassi, soprattutto in regioni di alta densità dove le sequenze rosse si sovrappongono. L’estensione a survey più profonde (e.g., LSST, Euclid) richiederà l’adattamento dei parametri di GMM per gestire la maggiore dimensionalità introdotta da nuovi filtri fotometrici.