中文

SDSS-V M型恒星参数:基于BOH S M型恒星的 stellar 参数

机器学习 2026-01-19 v2 人工智能 计算机视觉与模式识别

摘要

我们利用基于支持向量回归的数据驱动模型星际实验室(SLAM),从SDSS-V M型恒星的低分辨率光学光谱(R\sim2000)中推导恒星参数([Fe/H]、TeffT_{\rm eff}logg\log{g})。这些参数依据LAMOST F、G或K型恒星伴星([Fe/H])和APOGEE Net(TeffT_{\rm eff}logg\log{g})进行校准。将SLAM预测的[Fe/H]值在两个M+M型恒星广联星系的两个组成成分之间进行比较,发现无偏差但散布为0.11 dex。进一步与另外两项工作进行比较,这些工作也通过使用F/G/K型伴星来校准[Fe/H],分别显示出-0.06±\pm0.16 dex和0.02±\pm0.14 dex的偏差。SLAM推导的有效温度与通过干涉测量的角直径校准的温度(偏差:-27±\pm92 K)和LAMOST的温度(偏差:-34±\pm65 K)良好一致,但系统性地低于基于颜色指数与TeffT_{\rm eff}之间经验关系推导的温度约146±\pm45 K。SLAM推导的表面重力与LAMOST(偏差:-0.01±\pm0.07 dex)和基于恒星质量和半径推导的值(偏差:-0.04±\pm0.09 dex)一致良好。最后,我们调查了SLAM与APOGEE ASPCAP之间[Fe/H]偏差的问题。该偏差取决于APOGEE的[Fe/H]和TeffT_{\rm eff},我们提供一个校正APOGEE金属丰度的方程。

关键词

引用

@article{arxiv.2511.20004,
  title  = {Zero-Shot Transfer Capabilities of the Sundial Foundation Model for Leaf Area Index Forecasting},
  author = {Peining Zhang and Hongchen Qin and Haochen Zhang and Ziqi Guo and Guiling Wang and Jinbo Bi},
  journal= {arXiv preprint arXiv:2511.20004},
  year   = {2026}
}

备注

6 pages, 5 figures, AAAI 2026 AgriAI workshop