用于分离DESI遗产巡天中分辨与未分辨源的形态学模型：在LS4警报流中的应用

在大规模成像巡天中分离分辨和未分辨源是支持下游科学（例如在宽场时域巡天中搜索河外瞬变源）的基本步骤。在这里，我们介绍了在暗能量光谱仪（DESI）遗产巡天（LS）中有效分离点源与分辨的扩展源的方法。我们开发了一种基于梯度提升算法$\texttt{XGBoost}$的监督机器学习模型。输入模型的特征是纯形态学的，源自列表化的LS数据产品。我们使用COSMOS场中带有HST形态学标签的约$2\times10^5$个LS源训练模型，并在具有DESI数据发布1（约$2\times10^7$个天体）和斯隆数字巡天数据发布17（约$3\times10^6$个天体）光谱分类的LS源以及约$2\times10^8$颗Gaia恒星上评估模型性能。相当一部分LS源并非在每个LS滤光片中都观测到，因此我们构建了一个“混合”模型，作为两个$\texttt{XGBoost}$模型的线性组合，每个模型包含结合“蓝”（$gr$）和“红”（$iz$）滤光片孔径通量测量的特征。混合模型在灵敏度和稳健性之间表现出合理的平衡，与LS形态学分类相比，实现了更高的准确性和灵活性。利用混合模型，我们为约$3\times10^9$个LS源提供了分类分数，使其成为有史以来最大的分离分辨和未分辨源的机器学习目录。该目录已纳入La Silla Schmidt南方巡天（LS4）的实时流程，能够在LS4警报流中识别河外瞬变源。