S-PLUS 巡天的测光红移：机器学习能否胜任？

南天测光本地宇宙巡天（S-PLUS）是一项新项目，旨在使用十二滤光系统绘制南半球地图，该系统包含五个 SDSS 类宽带滤光片和七个为本地宇宙中重要恒星特征优化的窄带滤光片。在本文中，我们使用来自第一次 S-PLUS 数据释放（S-PLUS DR1）的测光与形态信息，并将其与 unWISE 数据及来自 Sloan Digital Sky Survey DR15 的谱红移进行交叉匹配。我们探索了三种不同的机器学习方法（使用 GPz 的高斯过程以及两个用 TensorFlow 制作的深度学习模型），并与 S-PLUS DR1 中当前使用的模板拟合方法进行比较，以探讨机器学习方法能否利用十二滤光系统优势进行测光红移预测。通过使用针对单点估计（如散射、偏置和离群值比例的计算）和概率密度函数（PDF）（如概率积分变换（PIT）、连续排序概率得分（CRPS）和 Odds 分布）的准确性检验，我们得出结论：使用贝叶斯神经网络与混合密度网络组合的深度学习方法是当前测试样本中最准确的测光红移方法。对于 r-auto 星等在 16 至 21 之间的星系，其单点测光红移的散射（$\sigma_\text{NMAD}$）为 0.023，归一化偏置为 -0.001，离群值比例为 0.64%。