AKARI NEP深场中的星-星系分离

上下文：开发一种在红外波段深场巡天中探测到的天体分类方法至关重要。我们特别需要一种仅利用红外信息将星系与恒星分离的方法，以研究星系的性质（例如估计角相关函数），而不引入任何额外偏差。目标：我们旨在从AKARI北黄极（NEP）深场巡天数据中分离恒星和星系，该数据覆盖了9个AKARI/IRC波段（2至24微米），涵盖近红外和中红外波长（以下简称NIR和MIR）。我们计划在未来研究中根据我们的标准从选定的样本中估计NIR和MIR星系的关联函数。方法：我们使用支持向量机（SVM）研究AKARI多色空间中恒星和星系的分布。我们通过计算这些天体的红外恒星参数（sgc）来定义训练样本。我们创建了最有效的分类器，然后在整个样本上进行测试。我们利用Subaru望远镜获得的光学辅助数据以及创建欧几里得归一化计数图来确认所开发的分离方法。结果：我们使用红外SVM分类器在红外多色空间中获得90%的星系识别准确率和98%的恒星识别准确率。源计数以及与光学数据的比较（恒星选择一致性65%，星系选择一致性96%）证实了我们的星/星系分离方法是可靠的。结论：基于红外sgc选择训练样本的SVM方法推导出的红外分类器被证明在红外波段深场巡天中高效且准确地选择恒星和星系，无需任何预先的目标天体选择。