推进用于恒星活动与系外行星周期旋转的机器学习
太阳与恒星天体物理
2024-09-10 v1 地球与行星天体物理
天体物理仪器与方法
机器学习
摘要
本研究应用机器学习模型，根据NASA Kepler任务获得的校正后光变曲线数据来估计恒星自转周期。由于光变曲线数据中的噪声和变异性，传统方法通常难以准确估计自转周期。该工作流程包括使用LS-Periodogram和Transit Least Squares技术获得初始周期估计，随后将数据划分为训练集、验证集和测试集。我们采用了多种机器学习算法，包括决策树、随机森林、K近邻和梯度提升，并利用投票集成方法来提高预测的准确性和鲁棒性。分析包含了多个Kepler ID的数据，提供了关于轨道周期和行星半径的详细指标。性能评估表明，投票集成模型产生了最准确的结果，其RMSE比决策树模型低约50%，比K近邻模型好17%。随机森林模型的性能与投票集成相当，表明其具有较高的准确性。相比之下，梯度提升模型在其他方法中表现出较差的RMSE。将预测的自转周期与测光参考周期进行比较，显示出高度的一致性，表明机器学习模型实现了高预测精度。结果表明，机器学习，特别是集成方法，能够有效解决准确估计恒星自转周期的问题，对推进系外行星和恒星天体物理学的研究具有重要意义。
引用
@article{arxiv.2409.05482,
title = {Advancing Machine Learning for Stellar Activity and Exoplanet Period Rotation},
author = {Fatemeh Fazel Hesar and Bernard Foing and Ana M. Heras and Mojtaba Raouf and Victoria Foing and Shima Javanmardi and Fons J. Verbeek},
journal= {arXiv preprint arXiv:2409.05482},
year = {2024}
}
备注
15 pages, 8 figures. Submitted for publication in A&A