一种用于识别亚毫米波星系多波段对应体的机器学习方法：基于AS2UDS与ALESS的训练与测试
星系天体物理
2018-08-08 v1
摘要
我们描述了应用监督机器学习算法来识别全景单碟亚毫米波巡天中探测到的亚毫米波源的可能多波段对应体。作为训练集，我们采用来自SCUBA-2宇宙学遗留巡天的UKIDSS-UDS场（AS2UDS）的ALMA后续观测所精确辨定的695个（ >1 mJy）亚毫米波星系（SMG）样本。我们表明射电发射、近/中红外颜色、测光红移和绝对波段星等是可有效区分SMG与亚毫米波暗场星系的预测因子。我们结合的射电+机器学习方法能够成功回收约85%在紫外到射电至少三个波段探测到的ALMA辨定SMG。我们通过将训练集划分为独立子集并分别用于训练和测试，以及将我们的方法应用于来自ALMA/LABOCA ECDF-South巡天（ALESS）的约100个ALMA辨定SMG独立样本，确认了方法的稳健性。为进一步检验我们的方法，我们在那些被机器学习分类为SMG对应体但没有4.3 ALMA探测的波段星系位置处对870m ALMA图进行叠加。这些星系的中值峰值通量密度为 mJy，表明我们的方法即便在ALMA观测阈值以下也能回收暗弱和/或弥散的SMG。未来，我们将此方法应用于当前缺乏干涉后续观测的全景单碟亚毫米波巡天样本，以解决只能借助大统计量SMG样本应对的科学问题。
引用
@article{arxiv.1806.06859,
title = {A machine-learning method for identifying multi-wavelength counterparts of submillimeter galaxies: training and testing using AS2UDS and ALESS},
author = {FangXia An and S. M. Stach and Ian Smail and A. M. Swinbank and O. Almaini and C. Simpson and W. Hartley and D. T. Maltby and R. J. Ivison and V. Arumugam and J. L. Wardlow and E. A. Cooke and B. Gullberg and A. P. Thomson and Chian-Chou Chen and J. M. Simpson and J. E. Geach and D. Scott and J. S. Dunlop and D. Farrah and P. van der Werf and A. W. Blain and C. Conselice and M. J. Michałowski and S. C. Chapman and K. E. K. Coppin},
journal= {arXiv preprint arXiv:1806.06859},
year = {2018}
}
备注
25 pages, 10 figures, three tables, accepted for publication in ApJ