利用恒星标签机(SLAM)推导LAMOST光谱的恒星标签
太阳与恒星天体物理
2020-01-15 v2 星系天体物理
天体物理仪器与方法
摘要
LAMOST巡天在其第五次数据发布(DR5)中提供了约900万条分辨率R∼1800的光谱。对如此庞大的样本而言，提取精确的恒星标签至关重要。本文报告了恒星标签机(SLAM)的实现，这是一种基于支持向量回归(SVR)的数据驱动方法，SVR是一种稳健的非线性回归技术。得益于SVR对高度非线性问题的建模能力，SLAM通常可以在很宽的光谱类型范围内推导恒星标签。这使其与其他流行的数据驱动方法相比具有独特的能力。为展示这一能力，我们测试了SLAM在基于LAMOST光谱和恒星标签训练的、有效温度范围从Teff∼4000到∼8000 K的恒星上的性能。在g波段信噪比(SNRg)高于100时，Teff、logg和[Fe/H]的随机不确定度分别为50 K、0.09 dex和0.07 dex。随后，我们建立了另一个由APOGEE和LAMOST共同恒星训练的SLAM模型，以展示其处理高维问题的能力。光谱来自LAMOST DR5，训练集的恒星标签来自APOGEE DR15，包括Teff、logg、[M/H]、[α/M]、[C/M]和[N/M]。在SNRg∼100时，这些参数的交叉验证弥散度分别为49 K、0.10 dex、0.037 dex、0.026 dex、0.058 dex和0.106 dex。这一性能与其他最新的数据驱动模型处于同一水平。作为副产品，我们还在本工作中提供了最新的、包含约100万颗LAMOST DR5 K巨星且带有SLAM预测恒星标签的星表。
引用
@article{arxiv.1908.08677,
title = {Deriving the stellar labels of LAMOST spectra with Stellar LAbel Machine (SLAM)},
author = {Bo Zhang and Chao Liu and Li-Cai Deng},
journal= {arXiv preprint arXiv:1908.08677},
year = {2020}
}
备注
18 pages, 11 figures, submitted to ApJS