基于稀疏多波段数据的机器学习证认RR Lyrae星：PS1样本
摘要
RR Lyrae星可能是银河系晕（子）结构与运动学最好的实用示踪体。PanSTARRS1 (PS1) 巡天提供了大范围天区的多波段、多历元、高精度测光，但考虑到PS1稀疏、异步的多波段光变曲线（五个波段每个 个历元，在4.5年时间内获取），在该数据集中稳健地证认RR Lyrae星是一项挑战。我们提出了一种新颖的模板拟合技术，利用定义明确且基于物理的RR Lyrae星多波段光变曲线，并证明我们得到了准确的周期估计，在 的案例中精度达2秒。我们用测光时间序列中的其他特征补充这些光变曲线拟合，并将其提供给逐步更精细的机器学习分类模型。利用这些模型，我们能够选出迄今为止最宽（天空的 ）且最深（达120 kpc）的RR Lyrae星样本。该包含 颗RRab星的PS1样本在高银纬处纯度高（90%），且完备（在80 kpc处80%）。它还提供了精度达3%的距离，这是利用新推导的光学/近红外PS1波段周期-光度关系测量的。加上来自 Gaia 的自行以及来自多目标光谱巡天的视向速度测量，我们期望PS1的RR Lyrae星样本将成为研究银河系晕结构、运动学和引力势的首要来源。本研究所提出的技术应能很好地迁移到其他稀疏多波段数据集，例如暗能量巡天和即将开展的大型综合巡天望远镜银道面子巡天所产生的那些数据集。
引用
@article{arxiv.1611.08596,
title = {Machine-Learned Identification of RR Lyrae Stars from Sparse, Multi-band Data: the PS1 Sample},
author = {Branimir Sesar and Nina Hernitschek and Sandra Mitrović and Željko Ivezić and Hans-Walter Rix and Judith G. Cohen and Edouard J. Bernard and Eva K. Grebel and Nicolas F. Martin and Edward F. Schlafly and William S. Burgett and Peter W. Draper and Heather Flewelling and Nick Kaiser and Rolf P. Kudritzki and Eugene A. Magnier and Nigel Metcalfe and John L. Tonry and Christopher Waters},
journal= {arXiv preprint arXiv:1611.08596},
year = {2017}
}
备注
19 pages, 13 figures, 5 tables, accepted to AJ. The the PS1 catalog of RR Lyrae stars will become publicly available on Nov 1 2017. For collaborations on projects and earlier access to the catalog, please contact the first author