流星动力学关联度量的统计等价性

我们在五维参数空间（$D_{SH}$, $D_D$, $D_H$, 和 $\varrho_2$）内统计评估和比较了四个轨道相似性准则，使用CAMS数据库中已分类的流星（由人工手动分类）作为基准来研究动力学关联。此外，我们评估了机器学习中常用的各种距离度量，使用两个不同的向量：基于日心轨道元素的ORBIT和基于地心观测参数的GEO。此外，我们计算了所有方法区分零星背景事件的最佳截止值。我们的发现表明，sEuclidean度量与GEO向量结合使用时性能优越。在D准则范围内，$D_{SH}$是最优的度量，紧随其后的是$\varrho_2$。当使用GEO向量时，$\varrho_2$与距离度量最为等价，并且同时与GEO和ORBIT最兼容，而$D_D$在使用ORBIT向量时更接近。$D_D$行为与其他D准则的鲜明对比凸显了潜在的不等价性。地心特征比轨道元素为流星动力学关联提供了更稳健的基础。大多数与GEO向量相关的距离度量在区分流星体背景时优于D准则。准确性表现出对太阳黄经的依赖性，在180$^\circ$附近显著下降，与流星体背景活动的明显增加相匹配，初步认为与英仙座流星雨向猎户座流星雨的过渡有关。考虑到最近识别的流星雨，CAMS中约27%的流星会有不同的关联。这项工作揭示了机器学习距离度量可以媲美甚至超越为流星动力学关联量身定制的轨道相似性准则的性能。