利用机器学习方法对测光星系样本进行恒星形成率估计
天体物理仪器与方法
2019-06-07 v6 星系天体物理
摘要
恒星形成率（SFR）对于约束星系形成与演化理论至关重要。SFR通常通过需要大量望远镜时间的光谱观测来估计。我们探索了一种基于大样本星系全局SFR测光估计的替代方法，使用自动参数空间优化和监督式机器学习模型等方法。我们证明，通过此类方法，精确的多波段测光能够估计出可靠的SFR。我们还研究了使用测光红移而非光谱红移如何影响所得全局SFR的精度。最后，我们提供了一个公开可用的目录，包含从斯隆数字巡天数据发布7中提取的超过2700万星系的SFR。该目录可通过Vizier设施在以下链接获取：ftp://cdsarc.u-strasbg.fr/pub/cats/J/MNRAS/486/1377。
引用
@article{arxiv.1902.02522,
title = {Star Formation Rates for photometric samples of galaxies using machine learning methods},
author = {M. Delli Veneri and S. Cavuoti and M. Brescia and G. Longo and G. Riccio},
journal= {arXiv preprint arXiv:1902.02522},
year = {2019}
}