基于机器学习的恒星形成率与恒星质量估计
星系天体物理
2019-02-13 v1 宇宙学与河外天体物理
摘要
恒星形成活动是探测结构形成从而刻画宇宙大尺度结构的关键性质。该信息可由恒星形成率(SFR)与恒星质量(Mstar)推得,二者尤其是SFR的估计极为复杂。从紫外、光学或红外光度确定这些量依赖于复杂的建模以及对星系类型的先验。我们提出一种基于机器学习算法随机森林(Random Forest)的方法来估计红移范围0.01<z<0.3内星系的SFR与Mstar,且与其类型无关。该机器学习算法以红移、WISE近红外光度与WISE颜色为输入,并以SDSS MPA-JHU DR8星表中有光谱提取的SFR与Mstar为输出进行训练。我们表明,我们的算法可准确估计SFR与Mstar,其散射分别为sigma_SFR=0.38 dex与sigma_Mstar=0.16 dex,且相对于红移或星系类型无偏。WISE卫星的全天覆盖使我们能够刻画在0.01<z<0.3红移范围内、位于银河系掩模之外所有具光谱红移星系的恒星形成活动。该方法亦可应用于测光红移星表,在0.1<z<0.3红移范围内获得的最佳散射为sigma_SFR=0.42 dex与sigma_Mstar=0.24 dex。
引用
@article{arxiv.1901.01932,
title = {Star formation rates and stellar masses from machine learning},
author = {V. Bonjean and N. Aghanim and P. Salomé and A. Beelen and M. Douspis and E. Soubrié},
journal= {arXiv preprint arXiv:1901.01932},
year = {2019}
}
备注
12 pages, 16 figures, accepted in A&A