Gaia EDR3 中伪天体测量解的判别器
摘要
Gaia 早期数据第三版（EDR3）为 14.7 亿个源提供了精密的天体测量数据，正在革新天文学的诸多领域。对于这些源中的一小部分，天体测量解质量较差，所报告的值与不确定度可能不适用。在任何分析之前，识别并剔除这些伪结果至关重要——这通常通过 Gaia 星表中的质量标志来完成。在此，我们设计了一种将“好”与“坏”天体测量解分离的方法，其纯净度比任何单一标志高一个数量级：经测试数据验证，纯净度达 99.3%，完整度达 97.3%。我们构建了大量明显坏的天体测量解样本，其视差在 > 4.5 sigma 处为负；以及相应的 presumed 良好解样本，包括天空中不含此类负视差的 HEALPix 像素中的源，以及落在颜色-绝对星等图主序上的源。随后我们训练了一个神经网络，利用 17 个相关的 Gaia 星表条目及邻近源信息来区分这两类样本，并浓缩于单一的“天体测量保真度”参数中。一系列多样的验证测试表明，我们的方法非常干净地生效，包括对于正视差源。我们方法的主要局限在于极低信噪比和拥挤区域。我们针对全部 eDR3 的天体测量保真度可通过虚拟天文台查询，我们的代码与数据均已公开。
引用
@article{arxiv.2101.11641,
title = {A classifier for spurious astrometric solutions in Gaia EDR3},
author = {Jan Rybizki and Gregory Green and Hans-Walter Rix and Kareem El-Badry and Markus Demleitner and Eleonora Zari and Andrzej Udalski and Richard L. Smart and Andrew Gould},
journal= {arXiv preprint arXiv:2101.11641},
year = {2021}
}
备注
21 pages, 20 figures, accepted with MNRAS. Fidelities available via Virtual Observatory (GAVO). Catalog information: https://dc.zah.uni-heidelberg.de/tableinfo/gedr3spur.main -- Colab python notebook: https://colab.research.google.com/drive/1lPzhGSSIjx2nQ7XM2v8bQZtkf0Atrk0z?usp=sharing