基于 J-PLUS 和 2MASS 光学颜色的星体表征

目标. 旨在基于 Javalambre 光学局部宇宙调查 (J-PLUS) 的光度数据以及来自 Two Micron All-Sky Survey (2MASS) 的近红外光度数据，推导星体大气参数。方法. 本方法采用基于 k 均值方法结合改进 k 最近邻算法的半监督机器学习方法。该方法将观测到的光度数据与一组参考数据进行比较，以估计来自 J-PLUS 数据释放版 3 (DR3) 中星体的有效温度 ($T_{\rm eff}$)、表面重力 ($\log{g}$) 和金属丰度 ([Fe/H])。结果. 我们对来自 J-PLUS DR3 的约 560 万颗星体估计了 $T_{\rm eff}$、$\log{g}$ 和 [Fe/H]，并给出其不确定度。我们的结果与来自 LAMOST 和 APOGEE 的光谱估计一致。我们还应用了维数缩减方法，通过减少计算时间和最小化计算星体参数所需的信息，得到 11 种颜色的子集。通过此方法，可为约六百万颗星体获得星体参数。结论. 我们的结果表明，使用无需先验训练的机器学习算法构建的方法具有潜在价值。此外，证明了该方法即使在可用的光度数据不满足全部光度质量标准时，也能可靠地估计大气参数。我们定义了一个邻域参数，用于评估估计的可靠性，指示邻域值较小的对象具有更小的不确定度。