The Arecibo L-Band Feed Array Zone of Avoidance (ALFA ZOA) Deep Survey is the deepest and most sensitive blind Hi survey undertaken in the ZOA. ALFA ZOA Deep will cover about 300 square degrees of sky behind the Galactic plane in both the inner (30 deg < l < 75 deg; b < |2 deg|) and outer (175 deg < l < 207 deg; -2 deg < b < +1 deg) Galaxy, using the Arecibo Radio Telescope. First results from the survey have found 61 galaxies within a 15 square degree area centered on l = 192 deg and b = -2 deg. The survey reached its expected sensitivity of rms = 1 mJy at 9 km/s channel resolution, and is shown to be complete above integrated flux, F_HI = 0.5 Jy km/s. The positional accuracy of the survey is 28 arcsec and detections are found out to a recessional velocity of nearly 19,000 km/s. The survey confirms the extent of the Orion and Abell 539 clusters behind the plane of the Milky Way and discovers expansive voids, at 10,000 km/s and 18,000 km/s. 26 detections (43%) have a counterpart in the literature, but only two of these have known redshift. Counterparts are 20% less common beyond v_hel = 10,000 km/s and 33% less common at extinctions higher than AB = 3.5 mag. ALFA ZOA Deep survey is able to probe large scale structure beyond redshifts that even the most modern wide-angle surveys have been able to detect in the Zone of Avoidance at any wavelength.


翻译:Arecibo L-Band Form Array Array区(ALFA ZOA) 深度勘测是ZOA中进行的最深和最敏感、最敏感的盲人Hi调查。ALFA ZOA Deep将覆盖银河平面后面大约300平方度的天空,包括内部(30度 < l < 75度;b < +2 deg ⁇ )和外部(175度 < l < 207 deg; -2 deg < b < dreal +1 deg))银河(175度 < l < 20 deg > ; - 2 deg < b - dretag < b > +1 deg),使用Arecibo无线电望远镜以外的最深和最深最深最深、最深、最深的星系的星系,在15平方位范围内发现61个星系中的星系系,在10 000米/平方英里的普通探测中,在10 000公里后方位/方向上,在10 000公里的常规探测范围为10 000次。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
160+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
51+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
78+阅读 · 2019年10月10日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
10+阅读 · 2019年1月29日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Arxiv
15+阅读 · 2020年2月6日
Image Segmentation Using Deep Learning: A Survey
Arxiv
45+阅读 · 2020年1月15日
Arxiv
35+阅读 · 2019年11月7日
Arxiv
53+阅读 · 2018年12月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
5+阅读 · 2017年4月12日
VIP会员
相关资讯
【TED】生命中的每一年的智慧
英语演讲视频每日一推
10+阅读 · 2019年1月29日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
相关论文
Top
微信扫码咨询专知VIP会员