一种用于测光红移估计的自定义支持向量机分析及星系形态信息的纳入

目的：我们提出了一种用于测光红移估计的自定义支持向量机分类软件包，并与其他方法进行了比较。我们还探讨了在红移估计中纳入星系形态信息的有效性。支持向量机是一种机器学习方法，利用优化理论和监督学习算法，基于数据的信息内容构建预测模型，能够对称地处理不同的输入特征。方法：我们开发的自定义支持向量机软件包命名为 SPIDERz，并已向学界公开。作为评估性能并与其他方法比较的测试数据，我们将 SPIDERz 应用于四个不同的数据集：1) 基于 GOODS-N 天区、红移范围 $z < 3.6$ 且有光谱红移的 PHAT-1 星表公开部分；2) 来自 COSMOS 亮源巡天、具有测光波段星等、形态学数据及 $z < 1.4$ 范围内光谱红移的 14365 个星系；3) COSMOS 测光与形态学数据同 3D-HST 光谱数据重叠区域中红移延伸至 $z < 3.9$ 的 3048 个星系；4) 来自全波段扩展格罗斯带国际巡天、具有五波段测光星等和形态学数据且 $z < 1.57$ 的 2612 个星系。结果：我们发现 SPIDERz 在 PHAT-1 数据上取得了与其他经验软件包相当的结果，并且在 COSMOS 和 AEGIS 数据上估算红移表现相当出色，包括在大红移范围 ($0 < z < 3.9$) 的情况下。我们还通过对 COSMOS 和 AEGIS 数据的分析确定，就本文所采用的技术而言，纳入形态学信息对测光红移估计并没有统计上显著的益处。