miniJPAS 巡天类星体选源 II：基于测光测量与不确定度的机器学习分类
星系天体物理
2023-03-02 v1 宇宙学与河外天体物理
摘要
天体物理巡天严重依赖从多波段测光中将源分类为恒星、星系或类星体。窄带滤光片巡天具有更强的判别能力，但天体类型与红移的多样性对标准基于模板的方法构成挑战。在这项作为 miniJPAS 巡天构建类星体星表更大工作一部分的研究中，我们提出一种基于机器学习的方法，采用卷积神经网络（CNN）对点源进行分类，并纳入测量误差中的信息。我们利用 miniJPAS 巡天数据验证方法；miniJPAS 是 J-PAS 合作的一个概念验证项目，使用 J-PAS 巡天的 56 个窄带滤光片覆盖北天约 1 deg。由于真实数据稀缺，我们使用专门构建的模拟数据训练算法，以重现我们预期在 miniJPAS 巡天中发现的不同类型天体的分布，以及真实观测在信号与噪声方面的性质。我们将 CNN 与基于决策树的其他成熟机器学习分类方法比较，发现当测量误差作为输入提供时，CNN 改善了分类。miniJPAS 中天体的预测分布与恒星、类星体及未分辨星系的推定光度函数一致。我们的结果证明了 J-PAS 巡天将能以高置信度探测到前所未有数量类星体的构想。
引用
@article{arxiv.2303.00489,
title = {The miniJPAS survey quasar selection II: Machine learning classification with photometric measurements and uncertainties},
author = {Natália V. N. Rodrigues and L. Raul Abramo and Carolina Queiroz and Ginés Martínez-Solaeche and Ignasi Pérez-Ràfols and Silvia Bonoli and Jonás Chaves-Montero and Matthew M. Pieri and Rosa M. González Delgado and Sean S. Morrison and Valerio Marra and Isabel Márquez and A. Hernán-Caballero and L. A. Díaz-García and Narciso Benítez and A. Javier Cenarro and Renato A. Dupke and Alessandro Ederoclite and Carlos López-Sanjuan and Antonio Marín-Franch and Claudia Mendes de Oliveira and Mariano Moles and Laerte Sodré and Jesús Varela and Héctor Vázquez Ramió and Keith Taylor},
journal= {arXiv preprint arXiv:2303.00489},
year = {2023}
}
备注
16 pages, 15 figures, published by MNRAS