近距离星系中大质量恒星的机器学习光谱分类器 II. 目录

质量损失是星演化的关键因素，尤其是在进化的大质量恒星中，但间歇性质量损失仍然 poorly 理解。为此，我们需要跨越各种星系环境的进化大质量恒星 Population。然而，对于遥远星系的光谱分类在大规模获取方面具有挑战。我们通过利用机器学习技术来解决这一问题。我们将 Spitzer 光度数据和 Pan-STARRS1 光学数据组合，用于对 26 个位于 5 Mpc 范围内、金属度范围为 0.07-1.36 Z$_\odot$ 的星系中的点源进行分类。Gaia 数据释放 3 (DR3) 星象学数据用于消除前景源。分类是使用我们前一工作中开发的机器学习模型得出的。我们报告对 1,147,650 个源的分类，其中约 276,657 个源（约 24%）是 robust 的。其中包括 120,479 红超巨星（RSGs；约 11%）。即使在低金属度（~0.1 Z$_\odot$）和距离小于 1.5 Mpc 的情况下，分类器也表现良好，仅在距离超过 ~3 Mpc 时因 Spitzer 的分辨率限制而略有下降。我们还识别出 21 颗亮 RSGs（log($L/L_\odot)\ge5.5$）、M31 和 M33 中的 159 颗尘埃黄色超大星，以及 M31 中的 6 颗极端 RSGs（log($L/L_\odot)\ge6$），挑战了观察到的亮度限制。金属度与分类趋势的变化符合预期，尽管存在偏差。该目录为 individual-object 研究和詹姆斯·韦伯太空站目标选择提供了宝贵资源。它使我们能够跟踪亮 RSGs 和黄色超大星，以细化对其演化通路的理解。此外，我们提供了目前为止最大规模的星际云之外的 spectroscopically 确认的恒星目录，包含 5,273 个源（包括约 330 个其他对象）。