基于机器学习的GSP-Phot Gaia DR3天体物理参数质量标志:有效温度案例研究
太阳与恒星天体物理
2023-11-20 v2 地球与行星天体物理
星系天体物理
天体物理仪器与方法
摘要
Gaia Data Release 3 (DR3) 为超过4.7亿个天体提供了关于恒星天体物理性质的广泛信息,例如有效温度、表面重力、金属丰度和光度。然而,由于Gaia在GSP-Phot模块中的恒星参数是通过模型依赖方法和间接测量导出的,这可能导致导出参数中产生额外的系统误差。在本研究中,我们将GSP-Phot有效温度估计与两个高分辨率和高信噪比光谱星表APOGEE DR17和GALAH DR3进行比较,旨在评估Gaia温度的可信度。我们引入一种使用机器学习方法(如XGBoost、CatBoost和LightGBM)区分高质量Gaia DR3有效温度的方法。这些模型创建质量标志,可帮助区分高质量的GSP-Phot有效温度。我们在三个独立数据集上测试我们的模型,包括PASTEL(来自不同高分辨率研究的谱学导出恒星参数汇编)。测试结果表明,即便在如银道面这样的复杂区域,利用这些模型也能以约90%的精度筛选出误差小至250 K的有效温度。因此,本文开发的模型为Gaia DR3中的GSP-Phot有效温度提供了有价值的质量评估工具。带有所有GSP-Phot有效温度估计标志的数据集以及模型本身均已公开可用。
引用
@article{arxiv.2310.15671,
title = {Quality flags for GSP-Phot Gaia DR3 astrophysical parameters with machine learning: Effective temperatures case study},
author = {Aleksandra S. Avdeeva and Dana A. Kovaleva and Oleg Yu. Malkov and Gang Zhao},
journal= {arXiv preprint arXiv:2310.15671},
year = {2023}
}
备注
13 pages, 10 figures