基于 DES 的类星体测光分类与利用机器学习的光度红移估计
天体物理仪器与方法
2026-05-19 v1 宇宙学与河外天体物理
摘要
本文利用机器学习技术对类星体测光分类和红移估计进行了全面研究。我们将 Dark Energy Survey Data Release 2 (DES DR2) 的测光数据与 Sloan Digital Sky Survey Data Release 16 (SDSS DR16) 的光谱分类进行了交叉匹配，得到了包含 168,738 个点状天体的初始样本。使用 K-Nearest Neighbors (KNN) 算法及 、、 和 波段的 PSF 星等，我们在排除恒星污染的情况下实现了高精度的类星体/星系分类，在 0.99 的精度下达到了 0.77 的召回率。随后，采用结合了来自 ANNz 的 Boosted Decision Tree 和来自 scikit-learn 的 Decision Tree Regressor 的混合机器学习方法估算了光度红移。生成的星表涵盖了从 到 的红移范围，并在 处恢复了一个独特的群体。我们开发了一个堆叠异常值分类器以减轻灾难性红移误差。完整的光度红移样本包含 872,372 个天体，在 处依然适用于宇宙学应用。清洗后的星表包含 675,683 个天体，适用于 范围内的大尺度结构研究。这份具有稳健特征的类星体星表为未来的宇宙学研究提供了宝贵的资源。
引用
@article{arxiv.2605.18218,
title = {Photometric classification of quasars from DES and photo-$z$ estimation with Machine Learning},
author = {Pablo Motta and Filipe B. Abdalla and Elcio Abdalla and Gabriel S. Costa and Camila Cardoso},
journal= {arXiv preprint arXiv:2605.18218},
year = {2026}
}