基于 LAMOST DR8 低分辨率光谱估算 20$\leq$SNR$<$30 的恒星大气参数

估计的恒星大气参数精度随光谱信噪比（SNR）降低而明显下降，且此类观测数量巨大，尤其在 SNR$<$30 的情况下。因此，提升这些光谱的参数估计性能颇有助益，本工作研究了 LAMOST DR8 低分辨率光谱在 20$\leq$SNR$<$30 时的 ($T_\texttt{eff}, \log~g$, [Fe/H]) 估计问题。我们提出了一种基于机器学习技术的数据驱动方法。首先，该方案通过最小绝对收缩与选择算子（LASSO）从光谱中检测对恒星大气参数敏感的特征，剔除无效数据分量与无关数据。其次，使用多层感知机（MLP）方法从 LASSO 特征估计恒星大气参数。最后，通过计算并分析 LASSO-MLP 估计值与来自 APOGEE（阿帕奇点天文台星系演化实验）高分辨率光谱的参考值之间的一致性，评估了 LASSO-MLP 的性能。实验表明，$T_\texttt{eff}, \log~g$, [Fe/H] 的平均绝对误差（MAE）从 LASP 的（137.6 K、0.195 dex、0.091 dex）降至 LASSO-MLP 的（84.32 K、0.137 dex、0.063 dex），表明恒星大气参数估计有明显改善。此外，本工作使用 LASSO-MLP 为 LAMOST DR8 中 1,162,760 条 20$\leq$SNR$<$30 的低分辨率光谱估计了恒星大气参数，并发布了估计星表、学习模型、实验代码、训练模型、训练数据与测试数据，以供科学探索和算法研究。