利用机器学习从 M87 地基测光巡天中识别河外球状星团候选体

球状星团（GCs）一直处于天文学许多分支中诸多长期问题的核心，因此对外星系中 GCs 的系统识别具有巨大影响。在本研究中，我们利用 M87 研究充分的 GC 系统，实施监督式机器学习（ML）分类算法——具体为随机森林与神经网络——基于加拿大-法国-夏威夷望远镜（CFHT）的地基测光数据，从前景恒星与背景星系中识别 GCs。我们将这两种 ML 分类方法与“人工筛选”GCs 的研究进行比较，发现表现最佳的随机森林模型能重新选出哈勃空间望远镜数据（ACSVCS）所选 GCs 的 61.2% $\pm$ 8.0%，表现最佳的神经网络模型能重新选出 95.0% $\pm$ 3.4%。与从 CFHT 数据中人工分类的 GCs 及污染物（独立于我们的训练数据）相比，表现最佳的随机森林模型能正确分类 91.0% $\pm$ 1.2%，表现最佳的神经网络模型能正确分类 57.3% $\pm$ 1.1%。随着薇拉·C·鲁宾天文台准备首光，天文学中的 ML 方法正受到大量关注。本研究选取的观测量被设定为可直接与鲁宾天文台早期数据比较，且在该即将到来的数据集上运行 ML 算法的远景给出了有希望的结果。