基于光谱观测在Magellanic Clouds中实现的尘星源分类
星系天体物理
2025-04-22 v1 天体物理仪器与方法
太阳与恒星天体物理
摘要
尘星点源是星演化的重要阶段，也为星系的金属富集做出了重要贡献。这些天体可通过光度和光谱观测结合彩色-光度图(CMD)和光谱能分布(SED)中的红外过度进行分类。我们采用监督机器学习光谱分类方法，对来自SAGE项目（使用12个多波段滤镜，618个星体）的光谱标记数据，对尘星源进行分类，包括年轻星对象(YSOs)和演化星（氧-丙富渐进巨星星(AGBs)、赤超级巨星(RSGs)和后AGB星(PAGB)），分别位于大、小天鹅星系。尽管SAGE光谱数据集中存在缺失值和不确定性，我们仍实现了准确的分类。为解决小规模和不平衡的光谱目录问题，我们采用合成少数过采样技术(SMOTE)生成合成数据点。在数据增强前后所应用的模型中，概率随机森林(PRF)——一种调优的随机森林(RF)，在对尘星源进行分类时以召回率计，达到了\mathbf{89\%}的总体准确率。使用SMOTE并未提高CAGB、PAGB和RSG类别中最佳模型的准确率，分别保持在\mathbf{100\%}、\mathbf{100\%}和\mathbf{88\%}，但在OAGB和YSO类别中表现出差异。我们还收集了类似于训练数据集的光度标记数据，使用前四名PRF模型进行分类，准确率超过\mathbf{87\%}。对来自多个研究的多波段数据进行分类时，我们构建了一个整合四个顶级模型的共识模型，以提供常见标签作为最终预测。
引用
@article{arxiv.2504.14332,
title = {Dusty stellar sources classification by implementing machine learning methods based on spectroscopic observations in the Magellanic Clouds},
author = {Sepideh Ghaziasgar and Mahdi Abdollahi and Atefeh Javadi and Jacco van Loon and Iain McDonald and Joana Oliveira and Amirhossein Masoudnezhad and Habib Khosroshahi and Bernard Foing and Fatemeh Fazel},
journal= {arXiv preprint arXiv:2504.14332},
year = {2025}
}
备注
Accepted for publication in ApJ