基于机器学习从 WEAVE-StePS 类数据中检索星系物理参数
摘要
WHT Enhanced Area Velocity Explorer (WEAVE) 是一种新的大规模多路复用光谱仪器。该新仪器将被用于获得 25000 颗中红移星系的高信噪比光谱，以供 WEAVE Stellar Population Survey (WEAVE-StePS) 使用。我们测试了机器学习方法，从 WEAVE-StePS 类光谱中检索星系的关键物理参数，同时使用各种信噪比和红移下的光度和光谱信息。我们模拟了 105000 颗星系光谱，假设以指数衰减的星形成率 (SFH)，覆盖广泛的年龄、星系金属丰度、sSFR 和灰尘衰减范围。随后我们评估了随机森林和 KNN 算法在无测量误差情况下正确预测此类参数的能力。我们检查了在不同信噪比和红移下，预测能力的降低情况，发现两种算法仍能在低偏差下准确估计年龄和金属丰度。分散程度在年龄上为 0.08-0.16 dex，在金属丰度上为 0.11-0.25 dex，取决于红移和信噪比。对于灰尘衰减，我们发现偏差和分散程度也较低。对于 sSFR，我们发现对星形成星系（log sSFR -11）具有很好的约束力，其中偏差约为 0.01 dex，分散程度约为 0.10 dex。对于更安静的星系（log sSFR -11），我们发现偏差为 0.61-0.86 dex，分散程度约为 0.4 dex，随信噪比和红移的不同而变化。总体而言，我们发现随机森林 (RF) 的性能优于 KNN。最终，我们利用检索到的 sSFR 成功地将星系分类为蓝色云、绿色峡谷或红色序列的一部分。我们展示，即使在信噪比为 10 的较低光谱下，只要有可用的辅助光度信息，机器学习算法就能准确估计模拟星系的物理参数。
关键词
引用
@article{arxiv.2406.11748,
title = {Retrieval of the physical parameters of galaxies from WEAVE-StePS-like data using machine learning},
author = {J. Angthopo and B. R. Granett and F. La Barbera and M. Longhetti and A. Iovino and M. Fossati and F. R. Ditrani and L. Costantin and S. Zibetti and A. Gallazzi and P. Sánchez-Blázquez and C. Tortora and C. Spiniello and B. Poggianti and A. Vazdekis and M. Balcells and S. Bardelli and C. R. Benn and M. Bianconi and M. Bolzonella and G. Busarello and L. P. Cassarà and E. M. Corsini and O. Cucciati and G. Dalton and A. Ferré-Mateu and R. García-Benito and R. M. González Delgado and E. Gafton and M. Gullieuszik and C. P. Haines and E. Iodice and A. Ikhsanova and S. Jin and J. H. Knapen and S. McGee and A. Mercurio and P. Merluzzi and L. Morelli and A. Moretti and D. N. A. Murphy and A. Pizzella and L. Pozzetti and R. Ragusa and S. C. Trager and D. Vergani and B. Vulcani and M. Talia and E. Zucca},
journal= {arXiv preprint arXiv:2406.11748},
year = {2024}
}
备注
19 pages, 10 + 2 figures, 4 tables, accepted in A&A