J-PLUS：基于 BANNJOS 的贝叶斯对象分类

凭借其12个光滤波器，Javalambre-Photometric Local Universe Survey（J-PLUS）为局部宇宙提供了前所未有的多颜色视图。第三数据发布（DR3）覆盖3,192平方度，包含4740万个对象。然而，当前其管道中实现的分类算法是确定性的，仅基于源的形态学特征。我们的目标是将J-PLUS DR3图像中识别出的源分类为星、准星系对象（QSO）和星系。为此，我们提出BANNJOS，一种利用贝叶斯神经网络提供分类概率分布函数（PDF）的机器学习管道。BANNJOS使用来自J-PLUS DR3、Gaia DR3和CatWISE2020的光度、光谱和形态学数据进行训练，训练数据来自超过120万个来自SDSS DR18、LAMOST DR9、DESI EDR和Gaia DR3的光谱分类对象。结果通过14万个对象进行验证，并与理论模型预测进行交叉检查。BANNJOS在整个星等范围内在准确率、精确率和完整性方面均优于所有先前的分类器。它在r=21.5mag以下的对象准确率可达95%，在r=22mag的对象准确率约为90%，而J-PLUS的完整性<25%。BANNJOS还是首个提供分类完整概率分布函数（PDF）的对象分类器，使其能够为实现高纯度或高完整性、以及识别具有复杂特征（如带有分辨后主机星系的活动性星系）的对象进行精确选择。BANNJOS已有效地将J-PLUS源分类为约2000万个星系、100万个QSO和2600万个星，每个对象都提供完整的PDF，以便后续细化样本。即将到来的J-PAS调查将凭借其56个颜色带，进一步增强BANNJOS对每个源特性的细致描述。