为 advanced LIGO 做准备：Palomar Transient Factory 的星系分离星表

对快速光学暂现源的搜寻，例如双中子星并合预期的电磁对应体，充斥着从小行星到恒星耀斑等各种假阳性信号。虽然移动天体可以通过间隔约 $\sim$1 小时的图像对轻易排除，但恒星耀斑构成了一个具有挑战性的前景，其数量远超快速演化的爆炸事件。识别接近且暗于暂现源探测极限的恒星源可以消除这些假阳性。在此，我们提出一种在 Palomar Transient Factory (PTF) 图像深度叠加中可靠识别恒星的方法。我们的机器学习方法采用随机森林 (RF) 算法，使用具有 Sloan Digital Sky Survey (SDSS) 光谱的 $> 3\times{10}^6$ 个源进行训练。在独立测试集上评估时，PTF RF 模型的表现比 SExtractor 恒星分类器高出约 $\sim$4%。对于主导场星数量的暗源 ($r'\ge{21}$ mag)，PTF RF 模型比 SExtractor 提升了约 $\sim$19%。为了避免 PTF 暂现源候选流中的假阴性，我们采用了保守的恒星分类阈值，对应于星系误分类率 = 0.005。最终，我们的 PTF 点源星表包含约 $\sim$$1.70\times{10}^8$ 个天体，其中预计仅有约 $\sim$$10^6$ 个为星系。我们证明 PTF RF 星表能够揭示原本会被遗漏的暂现源。为了利用其卓越的图像质量，我们额外创建了一个 SDSS 点源星表，同样将其星系误分类率调整为 = 0.005。这些星表已被纳入 PTF 实时流水线，以自动将恒星源作为非河外暂现源排除。