宽视区VISTA外银宇宙调查（WAVES）：基于决策树分类选择宽幅样本
宇宙学与河外天体物理
2025-10-14 v1 星系天体物理
天体物理仪器与方法
摘要
4米多目光谱望远镜（4MOST）上的宽视区VISTA外银宇宙调查（WAVES）包括两个通量受限子调查，要求极高（95%）完整性：Wide覆盖约1200平方度，Deep覆盖约65平方度。两者均为Z波段选中，分别为Z<21.1和Z<21.25 mag，同时受红移限制，而真实红移需由4MOST测量。本文提出一种基于分类的方法，用于WAVES-Wide样本的选择。与估计输入光度天体的单个红移不同，我们为其分配其低于z=0.2（子调查红移限制）的概率。这通过eXtreme Gradient Boosting（XGB）的监督机器学习方法实现，该方法在与WAVES领域重叠的综合光谱样本上进行训练。我们的特征空间由u至Ks的九个VST+VISTA光度颜色构成，但最相关的特征为g波段以及u-g、g-r和J-Ks颜色。我们既检查了针对标准WAVES-Wide限制的分类器性能，也对一系列相邻的红移和光度阈值进行了测试，一致发现准确率和完整性可达94-95%。然而，对于接近选择限制的源，性能会恶化，这源于当前光谱训练样本的不足以及光度信噪比下降。我们应用在完整光谱样本上训练的分类器，对来自WAVES输入目录的1400万颗光度星系进行分类，这些星系测量了全部9个波段。我们的工作表明，机器学习分类器可用于从深光度数据中选择通量和红移受限的样本。
引用
@article{arxiv.2510.11132,
title = {Wide Area VISTA Extragalactic Survey (WAVES): Selection of targets for the Wide survey using decision-tree classification},
author = {G. Kaur and M. Bilicki and S. Bellstedt and E. Tempel and W. A. Hellwing and I. Baldry and B. Bandi and S. Barsanti and S. Driver and N. Guerra-Varas and B. Holwerda and C. Lagos and J. Loveday and A. Robotham},
journal= {arXiv preprint arXiv:2510.11132},
year = {2025}
}