Spectral Travel via Machine Learning: Metallicity of Disc Stars From Main Sequence to Giant Stars

Abstract

This study, which is part of a master's thesis, includes analyses of thin disc main sequence stars with high-sensitivity data obtained from the APOGEE DR17 and {\it Gaia} EDR3 sky survey programs. Metallicity gradients were calculated using the astrometric data of selected stars by applying various selection criteria. The metallicity gradient of thin disc main sequence stars was calculated according to the $R_\text{m}$ distance one of the galactic orbit parameters, as ($d\text{[Fe/H]}/dR_\text{m}{=}-0.048{\pm}0.345$) for $Z_\text{max}{<}$500 kpc and ($d\text{[Fe/H]}/dR_\text{m}{=}-0.046{\pm}0.347$) for $0.5{<}Z_\text{max}{\leq}$1 kpc. The results seem to be consistent with the inside-out formation scenarios of the MilkyWay.

Keywords

• galaxy
• thin disc
• abundance

Makine Öğrenmesi Yöntemiyle Tayfsal Yolculuk: Anakoldan Devlere Disk Yıldızlarının Metal Bolluğu

Öz

Bir yüksek lisans tezinin bir kısmını oluşturan bu çalışma, APOGEE DR17 ve {\it Gaia} EDR3 gökyüzü tarama programlarından elde edilmiş duyarlılığı yüksek verilere sahip ince disk anakol yıldızlarının analizlerini içermektedir. Çeşitli sınırlama kriterleri getirilerek seçilen yıldızların astrometrik verileri kullanılarak metal bolluğu gradyentleri hesaplanmıştır. Galaktik yörünge parametrelerinden biri olan $R_\text{m}$ uzaklığına göre hesaplanan ince disk anakol yıldızlarının metal bolluğu gradyenti $Z_\text{max}{<}$500 kpc için metal bolluğu ($d\text{[Fe/H]}/dR_\text{m}{=}-0.048{\pm}0.345$), 0.5${<}Z_\text{max}{\leq}$1 kpc için ise ($d\text{[Fe/H]}/dR_\text{m}{=}-0.046{\pm}0.347$) olarak bulunmuştur. Sonuçların Samanyolu'nun içten dışa oluşum senaryoları ile uyumlu olduğu görülmektedir.

Anahtar Kelimeler

• galaxy
• thin disc
• abundance

References

1. Abdurro’uf, Accetta K., Aerts C., Silva Aguirre V., Ahumada R., Ajgaonkar N., Filiz Ak N., et al., 2022, ApJS, 259, 35.
2. Baade W., 1944, ApJ, 100, 137.
3. Beeckmans F., 1980, ESAJ, 4, 15.
4. Bensby T., Feltzing S., Lundström I., 2003, A&A, 410, 527.
5. Bensby T., Feltzing S., Lundström I., Ilyin I., 2005, A&A, 433, 185.
6. Blanton M. R., Bershady M. A., Abolfathi B., Albareti F. D., Allende Prieto C., Almeida A., Alonso-García J., et al., 2017, AJ, 154, 28. Bressan A., Marigo P., Girardi L., Salasnich B., Dal Cero C., Rubele S., Nanni A., 2012, MNRAS, 427, 127.
7. Bilir S., Alan N., Güçtekin S. T., Çelebi M., Yontan T., Plevne O., Ak S., et al., 2020, PASA, 37, 22.
8. Chiappini C., Matteucci F., Gratton R., 1997, ApJ, 477, 765.

9. Eggen O. J., Lynden-Bell D., Sandage A. R., 1962, ApJ, 136, 748.
10. Gaia Collaboration, Brown A. G. A., Vallenari A., Prusti T., de Bruijne J. H. J., Babusiaux C., Biermann M., ve dig., 2021, A&A, 649, A1.
11. Gilmore G., Reid N., 1983, MNRAS, 202, 1025.
12. Gilmore G., Wyse R. F. G., 1985, AJ, 90, 2015.
13. Herschel J. F. W., 1847, raom.book.
14. Katz D., Gómez A., Haywood M., Snaith O., Di Matteo P., 2021, A&A, 655, A111.
15. Majewski S. R., 1993, ARA&A, 31, 575.
16. Norris J. E., Ryan S. G., 1989, ApJL, 336, L17.
17. Önal Tas Ö., Bilir S., Seabroke G. M., Karaali S., Ak S., Ak T., Bostancı Z. F., 2016, PASA, 33, e044.
18. Plevne, O., AK, T., Karaali, S., Bilir, S., Ak, S., Bostanci, Z. F. 2015, PASA, 32, 43.
19. Plevne O., Önal Tas Ö., Bilir S., Seabroke G. M., 2020, ApJ, 893, 108.
20. Searle L., Zinn R., 1978, ApJ, 225, 357.
21. Shapley H., 1919, ApJ, 49, 311.
22. Trumpler R. J., 1930, PASP, 42, 214