ROOSTER：一种用于Kepler恒星自转周期的机器学习分析工具
太阳与恒星天体物理
2021-03-24 v1
摘要
为了理解恒星演化，高效确定恒星表面自转周期至关重要。在处理大样本恒星测光数据集时，需要一种能自动确定可靠自转周期的高效工具。本工作的目标是开发这样一种工具。我们利用随机森林的学习能力，自动化提取Kepler光曲线中的自转周期。自转周期及补充参数由三种不同方法获得：小波分析、光曲线自相关函数以及复合谱。我们训练了三种不同的分类器：一个用于检测光曲线中是否存在自转调制，一个用于标记可能偏离我们自转周期确定的密近双星或经典脉动星候选体，最后一个分类器用于给出最终自转周期。我们在Santos等人（2019）的Kepler K和M矮星参考自转星表的23,431颗恒星上测试了我们的机器学习流水线，其中60%的恒星已被肉眼检查。对于向算法提供所有输入参数的21,707颗恒星样本，其中94.2%被正确分类（自转或非自转）。在参考星表中有自转周期的恒星中，机器学习给出的周期与参考值在10%以内一致的比例达95.3%。此外，在肉眼检查25.2%的恒星后，正确自转周期的产出率提升至99.5%。在自转分类和周期选择两个主要分析步骤中，该流水线在肉眼检查前后与参考值的全局一致率分别为92.1%和96.9%。随机森林分类器是在大样本恒星中确定可靠自转周期的高效工具。[节略]
引用
@article{arxiv.2101.10152,
title = {ROOSTER: a machine-learning analysis tool for Kepler stellar rotation periods},
author = {Sylvain N. Breton and Angela R. G. Santos and Lisa Bugnet and Savita Mathur and Rafael A. García and Pere L. Pallé},
journal= {arXiv preprint arXiv:2101.10152},
year = {2021}
}
备注
14 pages, 8 figures. Accepted in A&A