一种从 WISE 数据估计中红外流量的机器学习方法

尽管 WISE 是迄今为止覆盖范围最大、质量最好的红外全天巡天任务，但覆盖范围较小的 Spitzer 任务在设计上旨在相似波长下实现更高的灵敏度和空间分辨率。WISE 数据中的混淆和污染导致了两者之间的差异。我们提出了一种处理 WISE 测量数据的新方法，旨在保持其高覆盖率和海量数据的同时，充分利用 Spitzer 更高的灵敏度和空间分辨率。我们将机器学习 (ML) 技术应用于一个完整的疏散星团成员 WISE 数据样本，训练集使用了来自高质量 Spitzer Enhanced Imaging Products (SEIP)、MIPS 和 IRAC 以及 allWISE 星表配对的数据，涵盖 W1 (3.4 {\mu}m) 至 W4 (22 {\mu}m) 波段。我们测试了多种 ML 回归模型，旨在根据 WISE 流量和质量标志预测 MIPS1 (24 {\mu}m) 和 IRAC4 (8 {\mu}m) 波段的中红外流量。此外，为了提高预测质量，我们实施了特征选择技术以移除无关的 WISE 变量。我们显著增强了 WISE 的探测能力，尤其是在最低星等处，此前该处与 Spitzer 的差异最大。在我们的具体案例中，发现极度随机树是利用 WISE 变量预测中红外流量的最佳算法。我们在 IC 348 成员的 SED 上测试了我们的结果。我们展示了 Spitzer 和 WISE 测量之间的差异，并证明了我们预测的流量与真实流量之间具有良好的一致性。ML 是一种快速且强大的工具，可用于寻找数据集之间隐藏的关系，例如 WISE 和 Spitzer 流量之间存在的关系。我们相信这种方法可应用于来自 allWISE 星表且具有 SEIP 位置对应体的其他样本，以及其他存在类似差异的天体物理研究中。