A large catalogue of molecular clouds in the Southern sky

Abstract

We present a large catalogue of molecular clouds with accurate distance estimates in the Southern sky. Based on the three-dimensional dust extinction map and the best-fitting extinction and distance information of over 17 million stars presented in Guo et al. (2021, ApJ, 906, 47), we have identified 250 dust/molecular clouds in the Southern sky using a hierarchical structure identification algorithm. Amongst these are 71 clouds located at high Galactic latitudes (b < −10°). We have estimated the distances to the clouds by fitting the extinction versus distance profiles of the lines of sight overlapping with the clouds, using a simple Gaussian dust distribution model. The typical uncertainties of the distances are less than 7 per cent. We also provide the physical properties of the individual clouds, including the linear radius, mass and surface mass density.

Distances to Nearby Molecular Clouds Traced by Young Stars

“…In Section 5.1, I compared my distance estimates for local clouds with those from the literature, including the distance catalog presented by Zucker et al (2020). While many studies have investigated the distances to nearby molecular clouds (Schlafly et al 2014;Dzib et al 2018;Yan et al 2019aYan et al , 2019bYan et al , 2020Yan et al , 2021aYan et al , 2021bChen et al 2020;Guo et al 2022;Prisinzano et al 2022), to the best of my knowledge, the Zucker et al (2020) catalog is the largest and most homogeneous one to date, providing distances to most of the well-studied local clouds within 2.5 kpc of the Sun. In this section, I discuss the main advantages and limitations of my distance estimates compared to those in the Zucker et al (2020) catalog.…”

“…Another approach involves constructing a 3D extinction map by modeling the dust extinction profiles along different lines of sight (Rezaeiet al 2018;Chen et al 2019;Green et al 2019;Lallement et al 2019;Leike et al 2020). Cloud distances can then be obtained by searching for dust structures in the 3D dust cubes (Chen et al 2020;Guo et al 2022). These techniques rely on estimates of stellar extinction, but the dynamical range of stellar extinction based on optical surveys such as Gaia is limited, only extending up to a few to ∼10 mag (A V ).…”

Hierarchical clustering in astronomy

“…尺度的密集结构比大尺度的稀疏结构多 [46] 。利用层次聚类算法的树状图可以自然地识别这类嵌套特征，从 而反映出数据中不同类型结构之间的关系。 1992 年，Houlahan 和 Scalo 首次将层次聚类方法引入分子云内部结构的研究，根据分子云柱密度 绘制树状图，并应用在金牛座复合体中，发现在恒星形成的分子云复合体中存在层级结构 [47] 。2008 年， Romolowsky 等人发展了 Houlanhan 和 Scalo 提出的方法 [46] 。他们以每个像素点为一个单位，将该像素 点的距离-距离-速度(PPV)数据作为层次聚类中的参数，计算其与周围像素点的相关性；通过量化分 子云自引力(self-gravitating)束缚状态，能够区分独立的分子云和分子云中的子结构，如图7所示。新 方法被用于英仙座 L1448 的自引力分析和巨分子云的识别。他们与当时研究巨分子云子结构的主流算法 CLUMPFIND 进行比较。CLUMPFIND 基于"二度好友"算法，根据周围像素的数值进行连接，需要对 分子云进行分割，更关注小尺度结构，而树状图避免了分割，且能够覆盖大尺度结构。他们的结果后来以 快报(letter)的形式发表在 Nature 杂志上 [48] 复杂的环境和高分辨率的数据中的表现好于 CLUMPFIND 算法 [49] 。2016 年，Rice 等人基于 Romolowsky 等人的方法，利用 12 CO CfA-Chile 巡天的数据，根据银经大小将其分为四个象限分别进行树状图的绘制， 其中第一象限(13 • < l < 17 • )有丰富的分子云结构和较为完整的研究历史，树状图在这种复杂环境中仍 表现良好。他们最终得到了整个银河系平面 1064 个巨分子云的星表 [50] 。陈丙秋等人将 Romolowsky 等人 方法应用于三维的尘埃消光和恒星色余数据中，得出了低银纬，距离太阳 4kpc 内的巨分子云的距离星表， 距离准确性远高于其他方法，且是第一份以直接方式得出距离的巨分子云星表 [51] ；类似地，郭贺龙等人应 用层次聚类算法到银河系南天三维消光图中，系统性地对银河系南天的分子云进行了证认与分析，并得到 了首个具有精确距离测量的南天大型分子云表 [52] 。 除了常用的 PPV 数据，人们还可以加入更多维的数据进行层次聚类分析。2019 年 Henshaw 等人对 银河系中心质量最大、密度最高的分子云之一 G0.253+0.016 的内部动力学进行研究，在空间信息的基础 上加入了中心点速度和速度弥散, 发现其内部动力学状态复杂，且具有分层结构 [53] 。Smullen 等人利用磁 流体力学模拟的三维密度场将树状图结构通过时间联系起来，通过对背景截止值、创建新结构的最小密度 增加值、最小结构尺寸和连接距离的限制，绘制出符合物理学原理的树状图，并将其与观测进行对比，以 研究该区域内所有致密核心的时间演化过程 [54] 。除了对分子云直接聚类，还可以通过对恒星的聚类间接研 究分子云的结构。Gaili 等人利用 Gaia2 的数据对金牛座复合体中新诞生的恒星进行聚类研究，将恒星位 置与物理参数同所处的分子云联系起来。他们将这些恒星在空间中对应的分子云分成 21 个子群，揭示了 恒星与分子云在速度与空间上的耦合关系 [55] 指数、金属丰度等信息对球状星团和疏散星团进行自动分类 [56] 。不过这项工作并没有引起足够的关注。 1990 年，意大利的 Zappalà 等人使用层次聚类方法根据三维本征根数(proper element)对小行星进 行分类 [57,58] 。1995 年他们利用一个包含 12487 颗小行星数据的样本将这个方法的结果和小波分析的结果 进行了比较，发现两个方法对主要小行星族的分类结果基本一致 [59] 。2007 年巴西的 Carruba 等人参考这 个方法提出用本征频率(proper frequency)来进行层次聚类，也可以成功地识别小行星族 [60] 。在对距离 度量方法进行优化后，基于本征频率的层次聚类方法甚至可以识别小行星族的动力学演化 [61] 。他们用这个 方法，深入分析了多个小行星族 [62,63] 。随着小行星数量的快速增加，意大利的小行星研究者 Milani 等人 在 2014 年也开始采用自动化的层次聚类算法为小行星划分族群 [64] ，甚至识别其中的碰撞碎片 [65] 。这个方 向的相关综述可参考 Knežević 在 2016 年发表的论文 [66] 。 天体的原始图像或光谱数据通常无法直接用于绘制树状图，需要借助合适的方法进行量化。2007 年 Hojnacki 等人尝试对 X 射线天体光谱进行自动分类研究 [67] 。他们先用主成分分析方法提取光谱中的主要 信息，再用层次聚类进行分组，最后用 k-means 方法确定各组成员。同一时期，Marchi 等人也采用相似 的思路来对系外行星分类 [68] 。他们先用 PCA 找出关键变量，再利用这些新变量进行层次聚类，得到系外 行星分类。他在后续的研究中还借助这个方法讨论系外行星的起源 [69] 。2016 年，Peth 等人使用层次聚类...…”

New method for estimating molecular cloud distances based on Gaia, 2MASS, and the TRILEGAL galaxy model

“…Combined with Gaia data, several studies presented new 3D extinction maps and have estimated the extinction and distances for millions of stars (Green et al 2019;Chen et al 2019;Lallement et al 2019;Guo et al 2021;Sun et al 2021a). One approach involves modeling the dust extinction profiles along different LOS, where the measured cloud is searched for dust clouds from 3D dust structures (Chen et al 2020b;Guo et al 2022). Another approach involves searching for the location of the extinction break point that is caused by molecular clouds (Yan et al 2019;Zucker et al 2019Zucker et al , 2020Chen et al 2020a;Sun et al 2021b).…”