miniJPAS 巡天：基于机器学习的星-星系分类
摘要
未来的天体物理巡天如 J-PAS 将产生非常大规模的数据集，这将需要部署准确且高效的机器学习（ML）方法。在这项工作中，我们分析了 miniJPAS 巡天，其使用 56 个窄带滤光片和 4 个 ugri 宽带滤光片观测了 AEGIS 天区约 1 平方度。我们讨论了将 miniJPAS 源分类为延展源（星系）和点源（如恒星）的问题，这是后续科学分析的必要步骤。我们旨在开发一种对传统基于显式建模的工具起补充作用的 ML 分类器。为了训练和测试我们的分类器，我们将 miniJPAS 数据集与 SDSS 和 HSC-SSP 数据进行了交叉匹配。我们在两个交叉匹配星表上训练并测试了 6 种不同的 ML 算法。作为 ML 算法的输入，我们使用来自 60 个滤光片的星等及其误差，带或不带形态参数。我们还使用了每个指向在 r 探测波段的平均 PSF。我们发现 RF 和 ERT 算法在所有场景中表现最佳。当分析 15<r<23.5 的完整星等范围时，我们发现仅使用测光信息时 RF 的 AUC=0.957，而使用测光和形态信息时 ERT 的 AUC=0.986。关于特征重要性，当使用形态参数时，FWHM 是最重要的特征。当仅使用测光信息时，我们观察到宽带不一定比窄带更重要，且误差与测量值同等重要。ML 算法可与传统的星/星系分类器竞争，并在较暗星等（r>21）处优于后者。我们使用我们最佳的分类器（带或不带形态学）来生成一份增值星表，可在 https://j-pas.org/datareleases 获取。
引用
@article{arxiv.2007.07622,
title = {The miniJPAS survey: star-galaxy classification using machine learning},
author = {P. O. Baqui and V. Marra and L. Casarini and R. Angulo and L. A. Díaz-García and C. Hernández-Monteagudo and P. A. A. Lopes and C. López-Sanjuan and D. Muniesa and V. M. Placco and M. Quartin and C. Queiroz and D. Sobral and E. Solano and E. Tempel and J. Varela and J. M. Vílchez and R. Abramo and J. Alcaniz and N. Benitez and S. Bonoli and S. Carneiro and A. J. Cenarro and D. Cristóbal-Hornillos and A. L. de Amorim and C. M. de Oliveira and R. Dupke and A. Ederoclite and R. M. González Delgado and A. Marín-Franch and M. Moles and H. Vázquez Ramió and L. Sodré and K. Taylor},
journal= {arXiv preprint arXiv:2007.07622},
year = {2021}
}
备注
19 pages, 17 figures. New Appendices E & F and improved discussion. VAC available at https://j-pas.org/datareleases . Trained models available at https://github.com/J-PAS-collaboration/StarGalClass-MachineLearning . Abstract abridged to meet arXiv requirements. Version accepted for publication in A&A