积分视场单元光谱观测的机器学习方法：II. HII 区谱线流量比
星系天体物理
2021-04-14 v1 天体物理仪器与方法
摘要
在本系列的第一篇论文（Rhea 等，2020）中，我们证明了神经网络能够稳健且高效地估计由加拿大-法国-夏威夷望远镜的 SITELLE 所拍摄的光学发射线光谱的运动学参数。本文拓展了这一思路，开发了一种人工神经网络来估计 SITELLE 的 SN1、SN2 和 SN3 滤光片中存在强发射线的线比。我们利用取自 Mexican Million Model 数据库、复制 Hii 区的线比构建了 50,000 条合成光谱。网络在测试集上的残差分析揭示了网络对线比施加严格约束的能力。我们通过构建激活图、检查 [N ii] 双线固定比值以及应用标准 k 折交叉相关验证了网络的有效性。此外，我们将该网络应用于 M33 的 SITELLE 观测；算法估计值与使用标准拟合方法计算的值之间的残差显示出总体一致性。而且，神经网络将计算成本降低了两个数量级。尽管标准拟合例程在光谱特征的信噪比不同时表现稳定良好，但神经网络在训练集受控环境内以及当源光谱性质被模型良好约束的观测数据上，也能在低信噪比区间表现出色。这些结果强化了机器学习在光谱分析中的威力。
引用
@article{arxiv.2102.06230,
title = {A Machine Learning Approach to Integral Field Unit Spectroscopy Observations: II. HII Region LineRatios},
author = {Carter Rhea and Laurie Rousseau-Nepton and Simon Prunet and Myriam Prasow-Emond and Julie Hlavacek-Larrondo and Natalia Vale Asari and Kathryn Grasha and Laurence Perreault-Levasseur},
journal= {arXiv preprint arXiv:2102.06230},
year = {2021}
}
备注
10 pages, 9 figures Accepted in ApJ on 11/02/21