应用机器学习模型从测光巡天中识别 M 矮星的谱线子型
天体物理仪器与方法
2023-04-28 v1 星系天体物理
太阳与恒星天体物理
摘要
M 矮星是太阳邻区中最丰富的恒星，也是在宜居带搜寻岩石行星的首要目标。因此，对这些恒星的详细表征需求迫切。谱线子型是用于表征的参数之一，传统上由观测光谱导出。然而，由于 M 矮星固有的微弱性，获取其光谱在观测时间和资源方面成本高昂。我们研究了四种机器学习 (ML) 模型的性能：K 近邻 (KNN)、随机森林 (RF)、概率随机森林 (PRF) 和多层感知机 (MLP)，通过在光学和近红外波段部署宽带测光，在大规模下识别 M 矮星的谱线子型。我们使用来自斯隆数字巡天数据发布 (SDSS) 7 的光谱识别 M 矮星及其从 SDSS、2 微米全天巡天和广域红外巡天探测器导出的测光颜色来训练 ML 模型。我们发现 RF、PRF 和 MLP 给出了相当的预测准确率，为 74%，而 KNN 提供的准确率略低，为 71%。我们还发现，这些模型在 +/-1 子型内的预测准确率可达约 99%。用于预测的五个最有用的特征是 r-z、r-i、r-J、r-H 和 g-z，因此缺乏所有 SDSS 波段的数据会大幅降低预测准确率。然而，当 r 和 i 星等可用时，我们可以达到 70% 以上的准确率。由于本研究中的恒星距离较近（95% 的恒星 d~1300 pc），尘埃消光仅能使预测准确率降低 3%。最后，我们使用优化后的 RF 模型预测了 TESS 冷矮星目标星表中 M 矮星的谱线子型，并公开提供优化后的 RF 模型。
引用
@article{arxiv.2304.14113,
title = {Applied Machine-Learning Models to Identify Spectral Sub-Types of M Dwarfs from Photometric Surveys},
author = {Sirinrat Sithajan and Sukanya Meethong},
journal= {arXiv preprint arXiv:2304.14113},
year = {2023}
}
备注
17 pages, 7 figures, 6 tables, Accepted for publication in PASP