从低信噪比 LAMOST 低分辨率光谱估计大气参数

大天区面积多目标光纤光谱望远镜（LAMOST）获取了数千万条低分辨率恒星光谱。海量光谱使得探索自动大气参数估计方法变得迫切。存在大量低信噪比（SNR）的 LAMOST 光谱，导致其估计精度急剧下降。因此，有必要探索针对低 SNR 光谱的更好估计方法。本文提出一种基于神经网络的方案来给出大气参数 LASSO-MLPNet。首先，我们采用多项式拟合方法获得伪连续谱并将其去除。然后，使用最小绝对收缩与选择算子（LASSO）检测出在高噪声存在下的一些参数敏感特征。最后，LASSO-MLPNet 使用多层感知机网络（MLPNet）估计大气参数 $T_{\mathrm{eff}}$、log $g$ 和 [Fe/H]。LASSO-MLPNet 的有效性在 APOGEE（阿帕奇点天文台银河系演化实验）与 LAMOST 公共恒星的一些 LAMOST 恒星光谱上进行了评估。结果表明，在 $10<\mathrm{SNR}\leq80$ 的恒星光谱上估计精度显著提升。特别地，在 $10<\mathrm{SNR}\leq20$ 的恒星光谱上，LASSO-MLPNet 将 $T_{\mathrm{eff}}$、log $g$ 和 [Fe/H] 估计的平均绝对误差（MAE）从（144.59 K、0.236 dex、0.108 dex）（LASP）降低到（90.29 K、0.152 dex、0.064 dex）（LASSO-MLPNet）。为便于参考，我们将 LASSO-MLPNet 对超过 482 万条 $10<\mathrm{SNR}\leq80$ 且 3500 < SNR$g$ $\leq$ 6500 的恒星光谱的估计作为增值输出发布。