一种用于光谱信息提取与 LAMOST 中分辨率光谱参数估计的 RRNet 模型
天体物理仪器与方法
2023-12-27 v1 星系天体物理
太阳与恒星天体物理
摘要
本工作提出一种残差循环神经网络（RRNet），用于合成提取光谱信息，并为来自大天区多目标光纤光谱望远镜（LAMOST）的中分辨率光谱估计恒星大气参数及 15 种化学元素丰度。RRNet 由两个基本模块组成：残差模块与循环模块。残差模块基于参数纵向驱动力提取光谱特征，而循环模块基于跨带置信增强恢复光谱信息并抑制噪声的负面影响。RRNet 由 LAMOST DR7 与 APOGEE-Payne 星表公共恒星的光谱训练。预测了 LAMOST DR7 中 237 万条中分辨率光谱的 17 个恒星参数及其不确定度。对于 S/N >= 10 的光谱，估计精度 Teff 与 log g 分别为 88 K 与 0.13 dex，元素 C、Mg、Al、Si、Ca、Fe、Ni 为 0.05 dex 至 0.08 dex，N、O、S、K、Ti、Cr、Mn 为 0.09 dex 至 0.14 dex，而 Cu 为 0.19 dex。与 StarNet 和 SPCANet 相比，RRNet 展现出更高的精度与鲁棒性。与阿帕奇点天文台星系演化实验和 HERMES 银河系考古巡天相比，RRNet 在合理偏差范围内表现出良好的一致性。最后，本工作分别发布了 LAMOST DR7 的 237 万条中分辨率光谱星表、源代码、训练模型与实验数据，以供天文科学探索与数据处理算法研究参考。
引用
@article{arxiv.2205.15490,
title = {A Model RRNet for Spectral Information Exploitation and LAMOST Medium-resolution Spectrum Parameter Estimation},
author = {Shengchun Xiong and Xiangru Li and Caixiu Liao},
journal= {arXiv preprint arXiv:2205.15490},
year = {2023}
}