VMC 巡天：LI. 利用概率随机森林监督机器学习算法分类河外源
星系天体物理
2025-01-15 v1
摘要
我们使用监督机器学习算法（概率随机森林）对 VISTA 麦哲伦云巡天（VMC）中的约 1.3 亿个源进行分类。我们使用从光学到远红外的多波段测光作为训练特征，并利用南非洲大望远镜（SALT）和 SAAO 1.9m 望远镜的新观测数据获取活动星系核（AGN）、星系和多种恒星类别的光谱。我们还保留了未知源的标签。这得到了平均分类准确率约 79%（ SMC）和约 87%（LMC）。将范围限制在类别概率（P_class）> 80% 的 56,696,719 个源上，准确率达到约 90%（SMC）和约 98%（LMC）。移除标记为'未知'的源后，我们共分类了 707,939（SMC）和 397,899（LMC）个源，其中包括超过 77,600 个位于麦哲伦云背后的河外源。河外源在场域中均匀分布，而麦哲伦云源则集中在云的中心，两者在光学/红外颜色-颜色/星等图中均呈预期聚集。我们还使用独立数据集验证了这些分类，发现正如预期的那样，大多数 X 射线源被分类为 AGN（554/883），大多数射电源被分类为 AGN（1756/2694）或星系（659/2694），其中 AGN 与星系的比例随射电流量密度变化显著。我们发现了：超过 49,500 个此前未知的 AGN 候选体，可能包括更多处于演化关键阶段的尘埃主导 AGN；超过 26,500 个新星系候选体和超过 2,800 个新年轻恒星天体（YSO）候选体。
引用
@article{arxiv.2501.08196,
title = {The VMC Survey : LI. Classifying extragalactic sources using a probabilistic random forest supervised machine learning algorithm},
author = {Clara M. Pennock and Jacco Th. van Loon and Maria-Rosa L. Cioni and Chandreyee Maitra and Joana M. Oliveira and Jessica E. M. Craig and Valentin D. Ivanov and James Aird and Joy. O. Anih and Nicholas J. G. Cross and Francesca Dresbach and Richard de Grijs and Martin A. T. Groenewegen},
journal= {arXiv preprint arXiv:2501.08196},
year = {2025}
}
备注
MNRAS accepted