J-PLUS：利用支持向量回归测量恒星参数

背景。恒星参数是恒星研究中最重要的特征之一，传统方法基于大气模型。然而，时间成本与亮度限制制约了光谱观测的效率。J-PLUS是一项旨在获取12波段测光数据的观测计划。因其特性，J-PLUS数据已成为恒星研究的重要资源。机器学习为高效分析如J-PLUS般的大规模数据集提供了有力工具，并使我们将研究领域拓展至恒星参数。目的。本研究的主要目标是构建一种SVR（支持向量回归）算法，以估计J-PLUS观测计划首次数据发布中恒星的恒星参数。方法。用于参数回归的训练数据以J-PLUS的12波段测光为特征，并与基于光谱的星表交叉比对。这些星表来自LAMOST、APOGEE与SEGUE。我们随后以恒星有效温度、表面重力与金属丰度标注它们。留出10%的样本进行盲测。我们开发了一种新方法，即多模型方法，以充分考虑星等与恒星参数的不确定性。该方法利用两百余个模型进行不确定性分析。结果。我们呈现了一份包含2,493,424颗恒星的星表，有效温度回归的均方根误差为160K，表面重力回归为0.35，金属丰度回归为0.25。我们还讨论了该多模型方法的优势，并将其与其他机器学习方法进行比较。