基于 XGBoost 的星体内在颜色与尘埃衰减：从蓝边法到机器学习方法

星体内在颜色(ICs)对于星体物理学和尘埃衰减研究至关重要。本文开发了一个 XGBoost 模型，用于预测 IC 参数 $T_{\rm eff}$、${\rm log}\,g$ 和 $\rm [M/H]$。该模型针对 Gaia 和 2MASS 三个颜色在 1,040,446 个低衰减源上进行训练和测试。大气参数由 Gaia DR3 GSP-phot 模块确定，并通过与 APOGEE 和 LAMOST 的比较进行验证。我们进一步确认，GSP-phot 参数，特别是 $\rm [M/H]$，对 IC 预测的偏差并不显著。模型在测试集上的概化误差分别为 $(G_{\rm BP}\,{-}\,G_{\rm RP})_0$ 为 0.014 玫瑰度，$(G_{\rm BP}\,{-}\,K_{\rm S})_0$ 为 0.050 玫瑰度，$(J\,{-}\,K_{\rm S})_0$ 为 0.040 玫瑰度。该模型被应用于包含 5,714,528 颗受衰减星体的样本，这些星体参数来自 Andrae 等人(2023)，用于计算 IC 和衰减。我们结果与文献值在 $E(J\,{-}\,K_{\rm S})$ 上的高度一致性进一步验证了 XGBoost 模型的准确性。发现 $E(G_{\rm BP}\,{-}\,K_{\rm S})/E(G_{\rm BP}\,{-}\,G_{\rm RP})$ 随银河经度变化的规律在大尺度上得到了观察。本工作初步展示了机器学习方法在 IC 和尘埃衰减计算中的可行性和准确性，其产品可广泛应用于光谱- photometry 数据。数据集和训练好的模型可通过 https://doi.org/10.5281/zenodo.12787594 获得。更多波段的模型将在后续工作中完成。