识别未分辨 PanSTARRS1 源的形态分类模型：在 ZTF 实时流水线中的应用

在大视场测光巡天时代，自动化且准确的分类的重要性正迅速提升。具体而言，天文成像中已分辨与未分辨源的分离是广泛研究（从银河系科学到大尺度结构与宇宙学）的关键初始步骤。在此，我们提出利用 Pan-STARRS1（PS1）3$\pi$ 巡天数据构建大型、深场点源星表的方法，该数据包含 $\sim$3$\times10^9$ 个 $m\lesssim23.5\,$mag 的源。我们开发了使用随机森林（RF）算法的监督机器学习方法以构建 PS1 形态模型。我们使用 $\sim$5$\times10^4$ 个具有 HST COSMOS 形态分类的 PS1 源训练模型，并使用 $\sim$4$\times10^6$ 个具有 Sloan Digital Sky Survey（SDSS）光谱的源和 $\sim$2$\times10^8$ 个 \textit{Gaia} 源评估其性能。我们构建了 11 个“白流量”特征，结合 PS1 在 5 个滤光片下的流量与形状测量，以提升相对任一单独滤光片的信噪比。将 RF 模型与 3 个替代模型（包括 SDSS 和 PS1 测光分类模型）比较，我们发现 RF 模型表现最佳。按数量计 PS1 星表以暗源（$m\gtrsim21\,$mag）为主，在此区间 RF 模型显著优于 SDSS 和 PS1 模型。对于时域巡天，识别未分辨源对推断新瞬变体的银河系或河外起源至关重要。我们使用 RF 模型分类了 $\sim$1.5$\times10^9$ 个源，这些结果在兹威基瞬变设施实时流水线中用于从河外警报流中自动剔除恒星源。