在红移范围2.2<z<3的类星体的识别是非常低效的，因为它们的光学颜色与恒星的光学颜色无法区分。最近的研究建议使用光学变化或近红外颜色，以提高在这个红移范围内的失踪类星体的识别。在这里，我们提出了一个案例研究结合这两个因素。我们从SDSS Stripe 82中的变量中选择了70个类星体候选样本，这些类星体是非紫外过量源，并且拥有UKIDSS近红外公共数据。它们在Y-K/g-z色图上被清晰地分成两部分，其中59个满足或接近新近提出的z<4类星体的Y-K/g-z选择判据。在这59个源中，有44个在SDSS DR 7中被确认为类星体，其中35个是2.2<z<3的类星体。我们目前的光谱观测的14个剩余的15个类星体候选人使用博克2.3米望远镜和MMT 6.5米望远镜，并成功地确定它们都是新的类星体在z=2.36至2.88。我们还将该方法应用于643个具有SDSS-UKIDSS九波段光度数据的候选类星体样本，发现其中188个可能是光度红移为2.2<z<3的新类星体。我们的结果表明，光学变率和光学/近红外色的结合可能是寻找2.2<z<3类星体的最有效的方法，对构造完整的类星体样品非常有帮助。我们讨论了它的影响，正在进行的和即将到来的大型光学和近红外天空调查。
英文摘要：
The identifications of quasars in the redshift range 2.2<z<3 are known to be very inefficient as their optical colors are indistinguishable from those of stars. Recent studies have proposed to use optical variability or near-IR colors to improve the identifications of the missing quasars in this redshift range. Here we present a case study by combining both factors. We select a sample of 70 quasar candidates from variables in SDSS Stripe 82, which are non-UV excess sources and have UKIDSS near-IR public data. They are clearly separated into two parts on the Y-K/g-z color-color diagram, and 59 of them meet or lie close to a newly proposed Y-K/g-z selection criterion for z<4 quasars. 44 of these 59 sources have been previously identified as quasars in SDSS DR7, and 35 among them are quasars at 2.2<z<3. We present spectroscopic observations of 14 of 15 remaining quasar candidates using the Bok 2.3m telescope and the MMT 6.5m telescope, and successfully identify all of them as new quasars at z=2.36 to 2.88. We also apply this method to a sample of 643 variable quasar candidates with SDSS-UKIDSS nine-band photometric data selected from 1875 new quasar candidates in SDSS Stripe 82 given by Butler & Bloom based on the time-series selections, and find that 188 of them are probably new quasars with photometric redshifts at 2.2<z<3. Our results indicate that the combination of optical variability and optical/near-IR colors is probably the most efficient way in finding 2.2<z<3 quasars and very helpful for constructing a complete quasar sample. We discuss its implications to the ongoing and upcoming large optical and near-IR sky surveys.
Discovering bright quasars at intermediate redshifts based on the optical/near-IR colors
在大多数以前的类星体巡天中，对中等红移（2.2<z<3.5）的类星体的识别效率很低，因为它们的光学颜色与恒星相似。近红外K波段过剩技术已被建议克服这一困难。我们的研究还建议使用光学/近红外颜色来选择z<4的类星体。对于这种方法，我们从SDSS DR 6的类星体候选者中选择了105个i<18.5的未识别亮目标，这些目标都满足我们提出的Y-K/g-z标准，并且根据9波段SDSS-UKIDSS数据估计的光度红移在2.2和3.5之间。2012年，NAOC的2.16米望远镜观测到了其中的43个。其中36个被确定为2.1<z<3.4的类星体。在SDSS分光测区发现类星体的高成功率证明了Y-K/g-z选择准则和光度红移估计技术的稳健性。我们还利用上述判据研究了SDSS DR 6类星体候选者的可能恒星污染率，发现选择3<z<3.5类星体候选者的恒星污染率要比选择红移较低（z<2.2）类星体候选者的恒星污染率高得多。利用9波段的SDSS-UKIDSS数据比利用5波段的SDSS数据在光度红移估计方面有了显著的改进，并提供了一个包含7,727个光度红移在2.2 ~ 3.5之间的未确认类星体候选者的星表。我们还使用SDSS-III/DR 9类星体目录测试了Y-K/g-z选择标准，并发现UKIDSS Y和K波段数据的17，999个DR 9类星体中有96.2%满足我们的标准。用Y-K/g-z判据对红类星体和I…
Quasar photometric redshifts from incomplete data using Deep Learning
即将到来的天文巡天预计将探测到如此大量的新光源，以至于测量它们的光谱红移测量将是不切实际的。因此，人们对使用机器学习来从每个物体的测光中产生红移很感兴趣。我们对Square Kilometre Array探测到的射电源（类星体）特别感兴趣，并发现深度学习，在大量光学选择的准恒星物体样本上进行训练，可以有效地预测三个外部射电源样本的红移。然而，要求九个不同的星等，从近红外，光学和紫外波段，有显着减少的影响，可以预测的红移源的数量。在这里，我们探索使用机器学习来估算缺失特征的可能性。我们发现，对于训练样本，简单的插补是足够的，特别是用该波段的最大值替换缺失的幅度，从而假设未检测到的是在灵敏度极限。然而，对于测试样本，这并不像多变量插补那样有效，这表明许多缺失的量值不是极限，但确实没有被观察到。从广泛的测试模型，我们建议，插补是最好的限制，每个源两个缺失值。在最坏的情况下，当源在天空中重叠时，这将使红移可以被估计的源的比例从46%增加到80%，而对于其他样本则达到>90%。
Catalog of quasars from the Kilo-Degree Survey Data Release 3
National Centre for Nuclear Research（国家核研究中心）；Leiden University（莱顿大学）；Center for Theoretical Physics, Polish Academy of Sciences（波兰科学院理论物理中心）；Jagiellonian University（雅盖隆大学）；Ludwig-Maximilians-Universität（路德维希-马克西米利安大学）；INAF – Osservatorio Astronomico di Capodimonte（意大利国家天体物理研究所–卡波迪蒙特天文台）；Sun Yat-sen University（中山大学）
我们提出了一个目录的类星体从宽波段光度ugri数据的千度调查数据发布3（KiDS DR 3）。QSO由随机森林（RF）监督机器学习模型识别，在SDSS DR 14光谱数据上训练。我们首先清除输入KiDS数据中具有过度噪声，缺失或其他问题测量的条目。应用特征重要性分析，然后我们调整算法，并在KiDS多波段目录中识别出17个最有用的分类特征，即星等，颜色，星等比和恒星度指数。我们使用t-SNE算法将多维光度数据映射到2D平面上，并比较训练集和推理集的覆盖率。我们将推断集限制为r<22，以避免外推超出训练覆盖的特征空间，因为SDSS光谱样本比KiDS浅得多。这在最终的推断样本中给出了340万个物体，随机森林从中识别出190，000个类星体候选者。97%的准确度，纯度为91%，和87%的完整性，来自从SDSS提取的测试集，而不是在训练中使用，确认与外部光谱和光度类星体目录重叠的KiDS足迹的比较。我们的结果的鲁棒性加强了类星体候选者在r波段的数量计数，以及他们的中红外颜色可从WISE。对我们在盖亚DR 2中发现的类星体候选者的松弛和自行的分析表明，p（类星体）>0.8的概率切割对于纯度是最佳的，而p（类星体）>0.7对于更好的完整性是优选的。我们的研究提出了第一个全面的类星体选择从深高质量的KiDS数据，并将作为通用的研究的基础上检测到的类星体人口的调查。
The Impact of Cosmic Variance and Satellites on JWST Clustering Measurements at Redshift around 6
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Center for Astrophysics | Harvard & Smithsonian（哈佛-史密森天体物理中心）；Leiden Observatory, Leiden University（莱顿大学莱顿天文台）
