基于 Gaia DR3 机器学习方法检测开放簇成员：在潮汐半径内外
星系天体物理
2024-06-18 v2
摘要
在先前工作中，我们引入了一种结合 DBSCAN 和 GMM 两种无监督算法的方法，并应用于 Gaia EDR3 数据中的 12 个开放簇，证明了其在识别潮汐半径内可靠簇成员方面的有效性。然而，为研究簇的形态，需要一种能够检测潮汐半径内外成员的方法。通过引入监督算法，我们成功识别了潮汐半径之外的成员。在本工作中，我们首先应用 DBSCAN 和 GMM 识别可靠的簇成员，然后使用这些数据训练 Random Forest 算法。利用随机森林，我们能够识别潮汐半径之外的簇成员，并在广阔视野中观察簇的形态。该方法应用于 Gaia DR3 中的 15 个开放簇，这些簇在金属丰度、距离、成员数和年龄方面具有广泛差异。此外，我们使用 King 概率模型计算了这 15 个簇的潮汐半径，并检测了该半径内外的星体。最后，我们研究了簇内的质量分层和亮度分布。总体而言，我们的方法显著改进了潮汐半径的估计和质量分层的检测，尤其是对 Collinder 463 中低质量星的质量分层进行了检测。我们还发现了簇中亮度峰值，其中一些峰值位于中心之外，超出潮汐半径。
引用
@article{arxiv.2406.08450,
title = {Detection of Open Cluster Members Inside and Beyond Tidal Radius by Machine Learning Methods Based on Gaia DR3},
author = {Mohammad Noormohammadi and Mehdi Khakian Ghomi and Atefeh Javadi},
journal= {arXiv preprint arXiv:2406.08450},
year = {2024}
}
备注
Accepted by MNRAS (21 pages, 14 Figures, 4 Tables)