为 Rubin-LSST 做准备——基于 LSST DP0.2 模拟数据的机器学习方法检测最亮星系群星系
星系天体物理
2026-02-18 v1
摘要
未来的 Rubin 星系遗产观测时间大计 (LSST) 预计将于 2025 年首次发布数据。该新观测将为我们提供星系群在光学至近红外波段的图像，具有无与伦比的覆盖范围、深度和均匀性。星系群的研究揭示了环境过程对星系形成的影响，这直接关系到最亮星系群星系 (BCG) 的形成。这些巨型星系呈现出其宿主星系群整个合并历史的痕迹，这些痕迹可能体现在星系间光 (ICL) 中、潮汐流中，或仅仅是通过在过去 100 亿年里因吞噌周围星系而积累的星质量。在数据生成速度远快于人类处理能力的时代，越来越多基于机器学习的方法在近年来不断涌现。为准备将来 LSST 数据发布（该发布将允许观测超过 20000 个星系群和 BCG），本文提出了不同基于机器学习的方法，用于在 LSST 类光学图像中检测这些 BCG。本研究利用了模拟的 LSST 数据预览图像。我们发现，机器学习的使用可在样本中达到约 95% 的准确率识别 BCG。与更传统的红色序列提取方法相比，机器学习方法更快、更高效、更一致，且几乎不需要预处理。
引用
@article{arxiv.2503.15945,
title = {Preparing for Rubin-LSST -- Detecting Brightest Cluster Galaxies with Machine Learning in the LSST DP0.2 simulation},
author = {Aline Chu and Ludvig Doeser and Simon Ding and Jens Jasche},
journal= {arXiv preprint arXiv:2503.15945},
year = {2026}
}
备注
Submitted to Astronomy & Astrophysics