利用深度学习关联低红移星系的光学形态、环境与 HI 质量分数

星系的形态特征编码了其气体含量、恒星形成历史和反馈过程的细节，这些在调节其生长和演化中起着重要作用。我们使用深度卷积神经网络（CNNs）学习星系的光学形态信息，以便直接从 SDSS $gri$ 图像截片中估计其中性原子氢（HI）含量。通过在 ALFALFA 40% 样本中的星系上训练 CNN，我们能够准确预测星系的对数 HI 质量分数 $\mathcal{M} \equiv \log(M_{\rm HI}/M_\star)$。利用模式识别（PR），我们剔除了具有不可靠 $\mathcal{M}$ 估计的星系。我们在 ALFALFA 100%、xGASS 和 NIBLES 星表上测试 CNN 预测，发现 CNN 始终优于先前的估计器。CNN 学到的 HI-形态关联在低到中等密度星系环境中似乎恒定，但在最高密度环境中失效。我们还使用可视化算法梯度加权类激活映射（Grad-CAM）来确定哪些形态特征与低或高气体含量相关。这些结果表明，CNN 是以定量且可解释的方式理解光学形态与其他性质之间关联以及探测其他变量的强大工具。