一种预测多波段星系巡天中缺失流量密度的机器学习方法

我们提出一种基于信息论的新方法，用于寻找以所需精度测量星系物理性质所需的最优波段数。作为概念验证，利用最近更新的 COSMOS 星表（COSMOS2020），我们针对 $i<25$ AB mag 星系样本，确定了在 Hawaii Two-0 (H20) 类与 UVISTA 类巡天中测量星系物理性质的最相关波段。我们发现，在具备可用 $i$ 波段流量时，$r$、$u$、IRAC/$ch2$ 和 $z$ 波段提供了关于红移的大部分信息，重要性从 $r$ 波段到 $z$ 波段递减。我们还发现，对于同一样本，IRAC/$ch2$、$Y$、$r$ 和 $u$ 波段是恒星质量测量中最相关的波段，重要性依次递减。通过研究波段间相互关联，我们训练了一个模型，从 H20 类观测预测 UVISTA 在近红外波段的观测。我们发现，对于近红外波段亮于 24 AB mag 的星系，$YJH$ 波段星等可以 $1\sigma$ 星等散射 $\lesssim 0.2$ 的精度被模拟/预测。需注意，这些结论依赖于样本的选择标准。对于任何具有不同选择的新星系样本，应重新测量这些结果。我们的结果表明，在波段数有限的情况下，在具有广泛光谱覆盖的观测星系总体上训练的机器学习模型优于模板拟合。此类机器学习模型最大程度地包含了在可用广泛巡天中获取的信息，并打破了模板拟合参数空间在少数波段下不可避免的简并。