随机森林在斯皮策 IRAC 高精度测光分析中的应用
天体物理仪器与方法
2020-08-12 v1 地球与行星天体物理
摘要
我们提出一种采用机器学习技术的新方法，利用随机森林校正 IRAC 高精度测光中的系统误差以测量天体物理特征。IRAC 光变曲线数据的主要系统误差源于不可避免望远镜运动导致的位置变化与像素内响应函数耦合。我们旨在利用此类工作所用单像素（甜点像素）的大量公开可用校准数据，对科学数据做出快速、易用且准确的校正。该校准数据上的校正具有使用独立数据集而非科学数据自身的优势，后者包含天体物理变化的缺点。在聚焦特征工程与超参数优化后，我们展示提升随机森林模型可充分压缩数据，从而测得 XO-3b 十次存档掩食观测的中值为 1459 ± 200 ppm。这与文献中七种不同方法所得平均值深度相当，但测量散布比那些文献值大 30–100%，取决于归约方法。我们也提醒尝试类似方法者用 XO-3b 基准数据集检验其结果，因我们同样发现了在内部测试集上初始得分极佳却显著低估该行星掩食深度的模型。
引用
@article{arxiv.2006.14095,
title = {Random Forests applied to High Precision Photometry Analysis with Spitzer IRAC},
author = {Jessica Krick and Jonathan Fraine and Jim Ingalls and Sinan Deger},
journal= {arXiv preprint arXiv:2006.14095},
year = {2020}
}
备注
AASJournals accepted