从海鸥到蜂鸟：解析星系活动的新诊断方法

背景。天体物理学中的一个主要挑战是根据活动对星系进行分类。当前的方法通常需要多种诊断手段来捕捉星系活动的完整范围。此外，具有相似观测特征的重叠激发源使星系活动的分析变得复杂。目的。本研究旨在创建一种活动诊断工具，通过识别混合活动星系（例如，恒星形成、活动星系核或老年恒星种群）中的潜在激发机制并确定主导机制，来克服当前发射线诊断的局限性。方法。我们使用随机森林机器学习算法，在代表关键气体激发机制的三个主要活动类别——恒星形成、AGN和被动——上进行训练。该诊断采用四个区分特征：[O iii] ${\lambda}$5007、[N ii] ${\lambda}$6584、H${\alpha}$的等值宽度以及D4000连续谱断裂指数。结果。该分类器实现了近乎完美的性能，总体准确率约为99%，恒星形成星系、AGN和被动星系的召回率分别约为100%、98%和99%。这些出色的分数使得能够将混合活动类别自信地分解为主要的气体激发机制，从而克服当前分类方法的局限性。此外，使用D4000指数和log$_{10}$(EW([O iii])$^{2}$)，该分类器可以简化为二维诊断，而不会显著丧失诊断能力。结论。我们提出了一种用于按主要气体激发机制对星系进行分类，并将混合活动星系的活动解构为这些组分的诊断方法。该方法涵盖了星系活动的完整范围。此外，D4000指数可作为解决各种活动组分之间简并性的指标。