Analisi di CMD di grandi aree del cielo

The topic of color-magnitude diagram (CMD) fitting is extremely vast. This technique has been extensively used in the literature to determine a wealth of physical properties, such as distance, metallicity, star formation history (SFH) and more, of astronomical objects from very simple (e.g. star clusters) to extremely complex (e.g. star forming galaxies). If on one hand it is a well established technique, on the other hand the sheer amount of high quality data available in the present day requires new approaches to the analysis of the CMDs. In this Thesis, I present some methods to deal with these extreme amounts of data available for large areas of the sky. My first project revolves around the development of a CMD-fitting code called pylegal that employs Markov Chain Monte Carlo (MCMC) techniques to providing both best fit values of the parameters under study and their uncertainties. I apply this code to data from the Vista Variables in the Via Lactea survey aiming to recalibrate a set of parameters of the TRILEGAL population synthesis model that describe the geometry (e.g. scale lengths and axial ratios) of the Galactic Bulge. Additionally, I develop an extinction fitting code that is run before pylegal to determine the appropriate extinction value for the regions that are used for the fit. This is needed due to a mismatch in the color distribution that appeared after comparing the observations to simulations using extinction values from Planck's map. In the end, I determine a new parameter set that is going to be used as the starting point of a more extensive recalibration. Using the knowledge acquired from developing pylegal, I develop a second CMD-fitting code that uses ``partial models'' to determine the SFH from photometric data. First, the code is applied to data from Gaia DR2 for the region of the Solar Neighborhood up to 200 pc from the Sun. The influence of different binary prescriptions on the resulting SFH is analyzed and it is shown that the correct prescription can reduce by 20% the errors on the solution. Then, the code is applied to the Large Magellanic Cloud (LMC) using data from the VISTA Survey of the Magellanic Clouds (VMC). In this case, the data are divided in smaller regions to investigate the spatially resolved SFH of the LMC. As a result, SFH, extinction and distance maps are produced for the whole LMC. This analysis however highlights varying degrees of inhomogeneity in the SFH solutions. Indeed, not only the SFH varies significantly between neighboring regions, but unexpected ``holes`` in the maps corresponding to the old age bins appear. The distances to each region derived from the fit show the same behavior as well. To solve this issue, I devise a method that correlates the SFH solutions between the regions, leading to a much more uniform solution. In particular, I enforce this correlation through a correlated MCMC prior. Most importantly, I adjust the correlation to have an age dependence such that the oldest ages have the strongest correlation while the youngest have almost no correlation to replicate what is actually observed. I tested this approach on two samples, each composed of 12 subregions of the LMC, and obtained reassuring results. This method will be further tested and ultimately used on the whole LMC.

Il tema dell'analisi del diagramma colore-magnitudine (CMD) è estremamente vasto. Questa tecnica è stata ampiamente utilizzata in letteratura per determinare un gran numero di proprietà fisiche, come la distanza, la metallicità, la storia della formazione stellare (SFH) e altro ancora, di oggetti astronomici da molto semplici (ad esempio gli ammassi stellari) a estremamente complessi (ad esempio le galassie in formazione stellare). Se da un lato si tratta di una tecnica ben consolidata, dall'altro l'enorme quantità di dati di alta qualità disponibili al giorno d'oggi richiede nuovi approcci all'analisi del CMD. In questa tesi, presento alcuni metodi per gestire questa quantità estrema di dati disponibile per grandi aree del cielo. Il mio primo progetto è concentrato attorno allo sviluppo di un codice di analisi di CMD chiamato "pylegal" che impiega tecniche "Markov Chain Monte Carlo" (MCMC) per fornire sia i valori ottimali dei parametri studiati sia le loro incertezze. Applico questo codice ai dati della campagna di osservazioni "Variabili Vista nel sondaggio Via Lactea" con l'obiettivo di ricalibrare una serie di parametri del modello di sintesi di popolazione TRILEGAL che descrivono la geometria (ad esempio le lunghezze di scala e i rapporti assiali) del "bulge" della nostra galassia. Inoltre, sviluppo un codice di analisi dell'estinzione che viene eseguito prima di pylegal per determinare il valore di estinzione appropriato per le regioni che vengono utilizzate nell'analisi del CMD. Questo è necessario a causa di una discrepanza nella distribuzione di colore che è apparsa dopo aver confrontato le osservazioni con le simulazioni che utilizzano i valori di estinzione dalla mappa di Planck. Alla fine, determino un nuovo set di parametri che sarà utilizzato come punto di partenza di una ricalibrazione più estesa. Usando le conoscenze acquisite dallo sviluppo di pylegal, sviluppo un secondo codice di analisi di CMD che usa ``modelli parziali'' per determinare la SFH da dati fotometrici. Per prima cosa, il codice viene applicato ai dati di Gaia DR2 per le vicinanze solari entro 200 pc dal Sole. Viene analizzato l'effetto di diverse prescrizioni per i sistemi binari sulla SFH risultante e si dimostra che la prescrizione corretta può ridurre del 20% gli errori sulla soluzione. In seguito, il codice viene applicato alla Grande Nube di Magellano (LMC) utilizzando i dati della campagna di osservazioni "VISTA Survey of the Magellanic Clouds" (VMC). In questo caso, i dati sono divisi in regioni più piccole per indagare la SFH risolta spazialmente della LMC. Come risultato, vengono prodotte mappe di SFH, estinzione e distanza per l'intera LMC. Questa analisi evidenzia tuttavia vari livelli di disomogeneità nelle soluzioni di SFH. Infatti, non solo l'SFH varia significativamente tra regioni vicine, ma appaiono dei ``buchi`` inaspettati nelle mappe corrispondenti a intervalli di età vecchi. Anche le distanze di ogni regione derivate dall'analisi mostrano lo stesso comportamento. Per risolvere questo problema, ho ideato un metodo che correla le soluzioni della SFH tra le regioni, portando a una soluzione generale molto più uniforme. In particolare, impongo questa correlazione attraverso una funzione "prior" correlata nell'algoritmo MCMC. In particolare, imposto la correlazione perché abbia una dipendenza dall'età tale che le età più vecchie abbiano una correlazione più forte mentre le più giovani non abbiano quasi nessuna correlazione, per replicare ciò che effettivamente viene osservato. Ho testato questo approccio su due campioni, ciascuno composto da 12 sottoregioni della LMC, e ho ottenuto risultati rassicuranti. Questo metodo sarà ulteriormente testato e infine utilizzato su tutta la LMC.