基于低分辨率光谱的恒星参数与元素丰度 I：来自 LAMOST DR8 的 120 万颗巨星
摘要
作为一种典型的数据驱动方法，深度学习如今成为分析天文数据的自然选择。在本研究中，我们构建了一个深度卷积神经网络，用于估计基本恒星参数 、log g、金属丰度（[M/H] 和 [Fe/H]）以及 [/M]，同时估计九种单一元素丰度（[C/Fe]、[N/Fe]、[O/Fe]、[Mg/Fe]、[Al/Fe]、[Si/Fe]、[Ca/Fe]、[Mn/Fe]、[Ni/Fe]）。该神经网络使用 APOGEE 巡天与 LAMOST 巡天的公共恒星进行训练。我们以 LAMOST 巡天的低分辨率光谱作为输入，以 APOGEE 的测量值作为标签。对于测试集中 g 波段信噪比大于 10 的恒星光谱， 的平均绝对误差（MAE）为 29 K，log g 为 0.07 dex，[Fe/H] 和 [M/H] 均为 0.03 dex，[/M] 为 0.02 dex。大多数元素的 MAE 介于 0.02 dex 与 0.04 dex 之间。训练好的神经网络应用于 LAMOST DR8 中 1,210,145 颗巨星（含次巨星），其恒星参数范围为 3500 K < < 5500 K、0.0 dex < log g < 4.0 dex、-2.5 dex < [Fe/H] < 0.5 dex。我们的结果在化学空间中的分布与 APOGEE 标签高度一致，且恒星参数与来自 GALAH 的外部高分辨率测量值一致。本研究结果使我们能够基于 LAMOST 数据开展进一步研究，并深化对银河系吸积与演化历史的理解。增值星表的电子版本可在 http://www.lamost.org/dr8/v1.1/doc/vac 获取。
引用
@article{arxiv.2207.05294,
title = {The stellar parameters and elemental abundances from low-resolution spectra I: 1.2 million giants from LAMOST DR8},
author = {Zhuohan Li and Gang Zhao and Yuqin Chen and Xilong Liang and Jingkun Zhao},
journal= {arXiv preprint arXiv:2207.05294},
year = {2022}
}
备注
18 pages, 18 figures, 2 tables, accepted for publication in MNRAS