miniJPAS巡天类星体选源第四篇：基于SQUEzE的分类与红移估计

我们呈现一份使用SQUEzE构建的miniJPAS数据发布中的类星体候选体列表，包含测光红移估计。本工作基于利用SQUEzE对类星体候选体的测光数据进行机器学习分类。其优势在于分类过程可在一定程度上解释，相较于其他分类器更不像“黑箱”。另一关键优势在于使用用户自定义度量意味着用户对分类拥有更多控制。尽管SQUEzE是为光谱数据设计的，此处我们将其改造用于多波段测光数据，即把多个窄带滤光片视为极低分辨率光谱。我们使用Queiroz等人（2022）的专用模拟样本训练模型。我们利用归一化中位数绝对偏差σ$_{\rm NMAD}$应用于测试样本来估计红移精度。我们的测试样本对暗至r=24.3星等且z≥2.1的类星体返回0.49的f$_1$分数（实质为纯度和完备度），对z<2.1的类星体为0.24。对高红移类星体，当r<21.0时该值升至0.9。我们呈现两份含红移估计的类星体候选体星表：来自点源的有301个，纳入延展源后则为1049个。我们讨论了在预测中纳入延展源（模拟中未包含）的影响，以及改变模拟噪声模型的影响。我们也给出SQUEzE推理过程的解释。我们利用测试样本得到的红移精度估计表明，整个样本的σ$_{NMAD}$=0.92%，在r<22.5时降至0.81%，在r<21.3时降至0.74%。候选体的光谱后续观测对于确认我们结果的有效性是必需的。