一种用于 OB 星光谱分类的自动化新工具
太阳与恒星天体物理
2022-01-12 v1 天体物理仪器与方法
摘要
（删节）我们开发了一种依据次型对 OB 星进行自动化光谱分类的工具。我们使用了常规随机森林（RF）算法、概率随机森林（PRF），并引入了 KDE-RF 方法，即核密度估计与 RF 算法的结合。我们在具有可用光谱型和光度类的 large Galactic（LAMOST、GOSSS）与河外巡天（2dF、VFTS）高质量光谱中测得的特征吸收线等效宽度（EW）上训练算法。我们发现总体准确率约为 70%，各方法结果相近。我们表明需要全部 17 条光谱线才能达到每个光谱类的最佳性能。我们将模型应用于其他观测数据集，给出了分类器在真实科学案例中的潜在应用示例。我们发现它对于单一大质量恒星以及 Be X 射线双星中的伴生大质量恒星均表现良好。此外，我们提出了一种精简的 10 特征方案，可应用于信噪比更低的大型数据集。我们模型性能的相似性表明了 RF 算法用于早型星光谱分类时的稳健性与可靠性。若考虑到（a）此类多类分类问题的复杂性，（b）所考察光谱类内 EW 分布的内在弥散，以及（c）训练集的多样性（因我们使用来自不同巡天、具有不同观测策略的数据），约 70% 的得分是较高的。此外，本工作提出的方法适用于不同质量和不同格式（如绝对或归一化流量）的数据，且我们的分类器对恒星的光度类不可知，并尽可能独立于金属丰度。
引用
@article{arxiv.2110.10669,
title = {A new automated tool for the spectral classification of OB stars},
author = {E. Kyritsis and G. Maravelias and A. Zezas and P. Bonfini and K. Kovlakas and P. Reig},
journal= {arXiv preprint arXiv:2110.10669},
year = {2022}
}
备注
Accepted for publication in the A&A journal. The code for the application of our models is available through the GitHub repository https://github.com/EliasKyritsis/SpectralClassifier