金属丝效应对Magellanic Clouds尘埃星源机器学习分类的影响
摘要
大型麦哲伦星云（LMC）和小型麦哲伦星云（SMC）之间的金属丝浓度差异，为检验环境金属丝浓度是否影响机器学习模型在分类尘埃星源时的性能提供了机会。所研究的五个星系类别包括：年轻星对象（YSOs）、红超巨星（RSGs）、星际巨型星 branch 后 asymptotic giant branch 星（PAGBs）以及富氧和富碳的 asymptotic giant branch 星（OAGBs和CAGBs），这些是涉及尘埃产生的星演化关键阶段。我们使用来自调查天体演化的证据项目（SAGE）项目的光谱标记数据训练和评估了概率性随机森林（PRF）分类器，采用四种方法：（1）分别在LMC和SMC上训练，包括所有五个类别；（2）排除人口稀少的PAGB类别；（3）合并LMC和SMC数据集；（4）跨星云训练和测试。该模型在所有五个类别上，SMC的准确率达到93%，LMC为88%。在SMC中，PAGB源被误分类为YSO，主要是由于其样本量小（仅4个）。排除PAGB后，LMC和SMC的准确率均达到92%。合并数据集产生了相同的准确率，跨星云训练结果也类似，表明金属丝浓度对基于机器学习的尘埃星源分类影响不大，支持在低金属丝浓度环境中使用合并数据集和跨星云模型。LMC和SMC的绝对 CMD 比较确认了它们在星系 Population 中的相似性。这些发现表明，环境金属丝浓度对基于机器学习的尘埃星源分类影响不大，支持在低金属丝浓度环境中使用合并数据集和跨星云模型。
引用
@article{arxiv.2511.12210,
title = {Metallicity Effects on Machine Learning Classification of Dusty Stellar Sources in the Magellanic Clouds},
author = {Sepideh Ghaziasgar and Mahdi Abdollahi and Atefeh Javadi and Jacco Th. van Loon and Iain McDonald and Joana Oliveira and Habib G. Khosroshahi},
journal= {arXiv preprint arXiv:2511.12210},
year = {2025}
}
备注
6 pages, 3 figures, 5 tables, Proceedings of the International Symposium Astronomical Surveys and Big Data 3 (ASBD-3), to be published in the Communications of BAO (ComBAO) refereed journal