miniJPAS 与 J-NEP 调查：基于机器学习的星系分离
天体物理仪器与方法
2026-01-30 v1
摘要
我们介绍了对 Javalambre 物理加速宇宙天文调查（J-PAS）路径器数据集（miniJPAS 和 J-NEP）的监督式机器学习分类。利用与光谱和光度目录的交叉匹配，我们构建了一个由 14594 个已分类源组成的稳健标注数据集，包含扩展型（星系）和点状（星和类星体）对象。我们采用 UMAP 分析检验数据集的代表性，确认其对特征空间的广泛且一致的覆盖。训练使用纯光度数据（60 波段 J-PAS magnitudes）以及结合光度和形态特征的 XGBoost 分类器，通过 ROC 和纯度-完整性指标进行性能评估。引入形态特征显著提升了分类性能，超越了目录中可用的基线分类。置换重要性分析揭示，形态参数（特别是浓度、归一化峰值面积亮度和 PSF），以及光度特征在 4000 Å 和 6900 Å 附近，对准确分类至关重要。我们发布了一个包含我们模型的增值目录，用于星系分类，提升了 miniJPAS 和 J-NEP 在后续宇宙学和天文学分析中的实用性。
关键词
引用
@article{arxiv.2511.20524,
title = {The miniJPAS and J-NEP surveys: Machine learning for star-galaxy separation},
author = {Ana Paula Jeakel and Gabriel Vieira dos Santos and Valerio Marra and Rodrigo von Marttens and Siddhartha Gurung-López and Raul Abramo and Jailson Alcaniz and Narciso Benitez and Silvia Bonoli and Javier Cenarro and David Cristóbal-Hornillos and Simone Daflon and Renato Dupke and Alessandro Ederoclite and Rosa M. González Delgado and Antonio Hernán-Caballero and Carlos Hernández-Monteagudo and Jifeng Liu and Carlos López-Sanjuan and Antonio Marín-Franch and Claudia Mendes de Oliveira and Mariano Moles and Fernando Roig and Laerte Sodré and Keith Taylor and Jesús Varela and Héctor Vázquez Ramió and José M. Vilchez and Christopher Willmer and Javier Zaragoza-Cardiel},
journal= {arXiv preprint arXiv:2511.20524},
year = {2026}
}
备注
28 pages; accepted for publication in Galaxies