PS2: Managing the next step in the Pan-STARRS wide field survey system
全景巡天望远镜和快速反应系统（Pan-STARRS）作为唯一的“分布式孔径”系统，在现有或计划中的主要地面光学巡天系统中是独一无二的。通过复制小型望远镜和数码相机来增加系统扩展量的概念既带来了管理方面的机遇，也带来了挑战。本文的重点是从PS1中吸取的管理经验教训，以及如何将这些经验教训用于制定PS2的管理计划。这里强调的管理计划组成部分包括技术开发、财务和进度规划以及关键路径和风险管理。最后介绍了PS2的现状和进度。
2012-07-14 astro-ph.IM
Pan-STARRS PSF-Matching for Subtraction and Stacking
我们提出了实现和使用的算法，以匹配点扩散函数（PSF）内的泛星图像处理管道（IPP）。PSF匹配是IPP的一个重要组成部分，用于探测超新星和小行星，但它也用于均匀化堆栈输入的PSF，与常规的共同添加相比，提高了光度精度，特别是在具有高掩蔽分数的数据中。我们报告了我们在构建和操作图像减影流水线方面的经验，并就构建PSF匹配卷积核的特定基函数、确定合适的内核、并行化和质量指标提出了建议。我们介绍了一种方法，用于可靠地跟踪整个管道中的图像中的噪声，使用方差图和“协方差伪矩阵”的组合。我们演示了这些算法的例子，从模拟和实际数据的泛星1望远镜。
2019-01-28 astro-ph.IM
A Well-Characterized Survey for Centaurs in Pan-STARRS1
本文在Pan-STARRS1中系统应用HelioLinC3D搜索半人马小行星，并用合成去偏种群表征六维轨道与绝对星等选择函数，发现9个新天体并估计内禀种群规模。
2024-12-02 astro-ph.EP astro-ph.IM
Pan-STARRS Photometric and Astrometric Calibration
本文详细介绍了Pan-STARRS 1 $3π$巡天的测光定标和天体测量定标。测光的目标是减少相机和探测器引入的系统效应，并将所有观测结果放置在整个测量区域上具有一致零点的测光系统上，$δ$以北约30，000平方度= -30度。天体测量校准补偿了类似的系统效应，因此位置、自行和视差也是可靠的。Pan-STARRS Data Release 2（DR 2）天体测量与Gaia DR 1版本相关。
2019-01-27 astro-ph.IM
Building an Optimal Census of the Solar Neighborhood with Pan-STARRS Data
我们估计的保真度太阳邻域（D < 100 pc）目录即将推出的泛星天体测量数据。我们探讨两个数量用于衡量目录的质量：完整性，所需的来源包括在一个目录的分数;和可靠性，条目对应于所需的来源的分数。我们表明，用泛星识别附近天体的主要挑战将是可靠地将这些天体与远距离恒星区分开来，远距离恒星的数量要多得多。我们将探讨如何适当的运动和视差联合削减将影响目录的可靠性和完整性。使用合成天体测量目录，我们得到最佳视差和自行削减建立一个普查的太阳附近的泛星3 π调查。根据银河系的纬度，视差切割pi / sigma pi > 5与自行切割mu / sigma mu > 1-8的组合可以达到99%的可靠性和60%的完整性。
2010-09-23 astro-ph.GA astro-ph.IM
Predicted microlensing events by nearby very-low-mass objects: Pan-STARRS DR1 vs. Gaia DR2
微透镜事件可用于直接测量单场恒星的质量，精度为$\sim$ 1 - 10\ %。大多数恒星和亚恒星物体的直接质量测量通常只来自对双星系统的观测。因此微透镜效应为直接测量单颗恒星的质量提供了一个重要的途径。盖亚卫星已经观测到$\sim$ 17亿个天体，对第二次数据发布的分析最近产生了未来几十年的许多事件预测。然而，盖亚目录对于附近质量非常低的天体（如褐矮星）是不完整的，因为质量测量是最关键的。我们采用Pan-STARRS数据发布1（PDR1）中的极低质量天体目录作为潜在的透镜星，我们使用盖亚数据发布2（GDR 2）中的天体作为潜在的源星。然后，我们寻找未来的微透镜事件到2070年。Pan-STARRS1天体首先与GDR 2进行交叉匹配，以删除两个星表中存在的任何天体。这留下了1，718个可能的镜头的样本。我们将MIST等时线拟合到Pan-STARRS 1、AllWISE和2MASS测光中，以估计它们的质量。然后，我们计算它们在天空中的路径，以及GDR 2源物体的路径，直到2070年，并搜索潜在的微透镜事件。源透镜对，将产生一个微透镜信号的天体测量振幅大于0.131马斯，或大于0.4毫等的光度振幅，被保留。
2018-11-08 astro-ph.EP astro-ph.IM astro-ph.SR
Charge Diffusion Variations in Pan-STARRS\,1 CCDs
厚背照式深耗尽型CCD具有优于前几代薄型和传统厚CCD的量子效率。因此，它们被用于多个重大项目中的宽视场成像相机。我们使用Pan-STARRS $3π$调查的观察结果来表征Pan-STARRS 1千兆像素相机中使用的深度耗尽器件的行为。我们已经确定了光度测量和恒星轮廓中的系统空间变化，这些变化在模式上类似于其他宽视场相机（例如，DECam和Hypelprime相机）。在这些其他相机中识别的树环特征是由横向电场引起的，该横向电场在电子在硅中传输到像素位置时使电子移位。相比之下，我们表明，在GPC 1探测器中观察到的光度和形态的修改是由垂直电荷传输速率的变化和由此产生的电荷扩散变化引起的。
2017-10-04 astro-ph.IM
Pan-STARRS Pixel Processing: Detrending, Warping, Stacking
Pan-STARRS 1科学联盟使用PS1望远镜上的1.4千兆像素GPC 1相机进行了一系列成像调查。由于该相机由许多单独的电子读数组成，并且覆盖了非常大的视场，因此非常小心地确保校正了许多仪器效应，以产生尽可能均匀的检测器响应。我们提出了图像去趋势步骤，作为Pan-STARRS 1数据发布1（DR 1）公开发布中包含的数据处理的一部分。除了单个图像处理之外，还讨论了用于将375，573个单独曝光转换为常见的面向天空的网格的方法，以及用于产生图像堆栈和差异组合产品的方法。
2019-01-28 astro-ph.IM
Preliminary analysis of a potential asteroid from the IASC campaign using Pan-STARRS data
本文利用Pan-STARRS 1图像和Astrometrica软件分析候选体ISP0010的轨迹与物理参数，经与MPC数据库交叉验证确认其为已编号小行星2021 CP66，提供了独立确认并强调数据库核查的重要性。
2025-06-03 astro-ph.EP astro-ph.IM
A catalog of broad morphology of Pan-STARRS galaxies based on deep learning
Kansas State University（堪萨斯州立大学）
像Pan-STARRS这样的自主数字巡天有能力对大量银河系和银河系外天体进行成像，而图像数据的庞大和复杂性加强了自动化的使用。在这里，我们描述了一个数据分析过程的设计和实现的自动宽形态注释的星系，并将其应用于泛星DR 1的数据。该过程基于滤波器，然后是两步卷积神经网络（CNN）分类。训练样本是通过使用一组增强和平衡的手动分类的星系。结果进行评估的准确性进行比较，泛STARRS包括在以前广泛的形态目录SDSS星系的注释。我们的分析表明，结合几个过滤器的CNN是一种有效的方法来注释星系和去除不干净的图像。该目录包含1，662，190个星系的形态标签，准确率约为95%。可以通过选择高于某些置信度阈值的标签来进一步提高准确性。目录是公开的。
2020-10-12 astro-ph.GA astro-ph.IM cs.CV
Design Differences between the Pan-STARRS PS1 and PS2 Telescopes
PS2望远镜是为哈雷阿卡拉的全景巡天望远镜和快速反应系统（Pan-STARRS）建造的宽视场望远镜阵列中的第二个。PS2的设计基于从PS1中吸取的经验教训逐步发展，但这些变化应该会导致图像质量，在有风条件下的跟踪性能以及散射光的减少方面的显着改进。这架望远镜的光学系统已经完成，只剩下涂层，望远镜结构本身的制造工作正在顺利进行，并将于今年年底（2012年）完成现场安装。这两个望远镜之间最显著的区别包括：次镜支撑的变化，光学抛光的改进，光学涂层的变化，以提高吞吐量和减少重影，去除镜单元内的热源，主镜图形控制系统的扩展，挡板设计的变化，以及改进的电缆缠绕设计。本文给出了这些设计变化的描述，并讨论了他们的动机。
2012-07-11 astro-ph.IM
CosmoDM and its application to Pan-STARRS data
宇宙学数据管理系统（CosmoDM）是一个自动化和灵活的数据管理系统，用于处理和校准光学光度测量数据。它被设计为在超级计算机上运行，并最大限度地减少磁盘I/O，以便在重新处理期间扩展到非常高的吞吐量。它是欧几里德飞行任务所需地面处理的一个要素的早期原型，还将用于准备eROSITA X射线全天巡天飞行任务所需的地面数据。CosmoDM由两个主要管道组成。第一个是单历元或去趋势管道，用于对原始曝光进行光度和天体测量校准。第二个是共同添加管道，它将来自单独曝光的数据组合成更深的共同添加图像和科学就绪目录。CosmoDM的一个新特性是它使用了一个修改过的Astromatic软件堆栈，可以读取和写入压缩图像。自2011年以来，CosmoDM已被用于处理来自DECam、CFHT MegaCam和Pan-STARRS相机的数据。在本文中，我们将描述如何处理泛星数据从CosmoDM已被用来光学确认和测量光度红移的普朗克为基础的Sunyaev-Zeldovich效应选择的集群候选人。
2015-06-23 astro-ph.IM
Photometric redshifts for the Pan-STARRS1 survey
我们提出了一个强大的方法来估计星系的红移使用Pan-STARRS 1光度数据。我们的方法是对Beck等人（2016）为SDSS数据版本12提出的方法的改编。它使用了2313724个星系的训练集，其光谱红移是从SDSS获得的，星等和颜色是从Pan-STARRS 1数据发布2调查获得的。一个星系的光度红移，然后估计通过本地线性回归的5维星等和颜色空间。我们的方法实现了$\overline{Δz_{\rm norm}}=-2.01 \times 10^{-4}$的平均偏差，$σ(Δz_{\rm norm})=0.0298$的标准差，和$P_o=4.32\%$的离群值率在训练集上进行交叉验证。尽管Pan-STARRS 1的每一种颜色与光谱红移之间的关系比SDSS的颜色更有噪声，但我们的方法得到的结果与SDSS数据得到的结果非常接近。所提出的方法有一个额外的优点，即允许在更大的天空部分（$\sim 3/4$与$\sim 1/3$）的测光红移的估计。训练集和实现该方法的代码可在www.testaddress.com上公开获得。
2020-05-13 astro-ph.CO astro-ph.GA astro-ph.IM
Hypercalibration: A Pan-STARRS1-based recalibration of the Sloan Digital Sky Survey
我们提出了一个重新校准的斯隆数字巡天（SDSS）测光与新的平场和零点来自泛星1（PS1）。利用$16 < r < 20$对6000万颗恒星的点扩散函数测光，推导出了放大器增益和平场改正模型，每次均方根残差在$griz$波段为3毫等，在$u$波段为15毫等。新的光度零点被调整，以保持银河系北部的中位数不变，以与以前的SDSS工作兼容。我们还确定了短暂的非光度周期SDSS（“轨迹”）的基础上光度偏差同步SDSS波段。在$15'$区域上进行平均时，SDSS和PS1的重新校准的恒星PSF测光在$griz$中分别具有{9，7，7，8} mmag的RMS差。
2015-12-03 astro-ph.IM
Photometric Calibration of the First 1.5 Years of the Pan-STARRS1 Survey
我们提出了一个精确的光度校准的第一个1.5年的科学成像从泛星1调查（PS1），一个正在进行的光学调查的整个天空以北的10月-30度的五个波段。在Padmanabhan等人（2008）在斯隆数字巡天（SDSS）中采用的技术的基础上，我们使用重复的PS1恒星观测来执行PS1在其五个波段中的每个波段的相对校准，同时解决系统吞吐量，大气透明度和大尺度探测器平场。内部一致性检验和与SDSS的比较表明，我们在g、r和i_P1中实现了<10毫微克的相对精度，在z和y_P1中实现了~10毫微克的相对精度。与SDSS的差异的空间结构表明，在PS1和SDSS光度校准的错误有助于类似的差异。分析表明，PS1系统和Haleakala站点将在大部分天空中实现<1%的测光。
2012-08-31 astro-ph.IM
A Global Astrometric Solution for Pan-STARRS referenced to ICRF2
本文介绍了全球天体测量解（GAS）的发展及其在Pan-STARRS 1（PS 1）天体测量问题中的应用。目前的PS1天体测量是基于使用2 MASS参考星的差分天体测量，因此PS1天体测量继承了2 MASS星表的误差。GAS基于一个单一的，最小二乘调整到大约750 k网格星使用超过3000个河外天体作为参考对象，避免了这种目录到目录传播的错误在很大程度上。GAS使用相对少量的类星体（QSO，或遥远的AGN），其射电位置非常精确（<1 mas），参考ICRF 2。这些类星体在全球最小二乘平差中提供了硬约束。求解这样的系统可以同时提供所有恒星的绝对天体测量。这个概念比传统的天体测量要清晰得多，但对于大的星表来说并不容易执行。在本文中，我们描述了我们的方法及其应用泛星1数据。我们表明，大规模的系统误差很容易纠正，但我们的解决方案的位置（~60 mas）的残差仍然大于预期的基础上模拟（~10 mas）。我们提供了一个可能的解释的原因，小规模的残留误差没有纠正我们的解决方案，因为将预期。
2016-06-10 astro-ph.GA astro-ph.IM astro-ph.SR
The White Dwarf Luminosity Functions from the Pan-STARRS 1 3π Steradian Survey
从Pan-STARRS 1 3π球面度巡天处理第二版中选取了大量的白矮星样本，通过自行和颜色两种方法，构造了太阳附近的盘和晕的白矮星光度函数。根据历元数据重新计算了四参数天体测量解。然后用广义最大体积法计算种群密度。在去掉银道面和银道中心附近的密集区域后，最终得到的天区为7.833 sr，占3π天区的83%，占整个天区的62%。通过使用Voronoi曲面细分划分天空，在积分的每一步都重新计算光度和天体测量的不确定性，以提高最大体积的精度。星际变红被认为是整个工作。我们发现了一个盘晕比约为100的白矮星。
2018-10-03 astro-ph.GA astro-ph.IM astro-ph.SR
Estimation of Photometric Redshifts. I. Machine Learning Inference for Pan-STARRS1 Galaxies Using Neural Networks
我们提出了一个新的机器学习模型，用于估计Pan-STARRS 1数据发布1中星系的光度红移，提高了准确性。根据红移的估计范围，这种基于神经网络的模型可以处理测光红移的推断困难。此外，为了减少新模型处理估计困难的能力所引起的偏差，它利用了集成学习的能力。我们广泛地研究了输入特征和目标红移空间之间的映射，该模型有效地适用于发现训练模型的优点和缺点。由于我们的训练模型经过了良好的校准，因此我们的模型可以产生关于具有非灾难性估计的对象的可靠置信度信息。虽然我们的模型对于驻留在输入空间中的大多数测试示例是高度准确的，其中训练样本密集填充，但对于稀疏样本和未观察到的对象（即，未见过的样本）。我们报告说，我们的模型的分布外（OOD）样本包含物理OOD对象（即，恒星和类星体）和具有未由训练数据表示的观测属性的星系。我们模型的代码可在https://github.com/GooLee0123/MBRNN上获得，用于模型的其他用途，并使用不同的数据重新训练模型。
2021-10-12 astro-ph.CO astro-ph.GA astro-ph.IM
Improvements to Pan-STARRS1 Astrometry Using Gaia
我们使用盖亚DR 2目录来提高Pan-STARRS 1数据发布2（PS1 DR 2）中约17亿个天体的天体测量精度。我们还获得了这些PS1对象的自行。盖亚和PS1之间的交叉匹配揭示了在大约1弧分的尺度上相关的残差。我们应用空间自适应校正算法的所有PS1对象具有两个以上的检测，以减少这些残差和对准盖亚的对象位置。对于与盖亚交叉匹配的点状PS1对象，该算法将PS1/盖亚残差在位置上减少了33%（中位数从13.5 mas减少到9.0 mas），在自行上减少了24%（中位数从6.3 mas/yr减少到4.8 mas/yr）。修正后的位置的残差是最小的对象与最点状的形态和中间的大小约17马格。在decliter的残留误差系统大于那些在赤经; decliter的错误增加与天顶角成比例的空气质量的意见。在一个给定的decaplets的decaplets位置残差通常随颜色而变化，并与差分大气折射的影响是一致的。原则上，这些残差可以通过考虑对象颜色来进一步减少。
2020-10-19 astro-ph.GA astro-ph.IM astro-ph.SR
Improvements to Pan-STARRS1 Astrometry: II. Corrections for Differential Chromatic Refraction
在之前的一篇论文中，我们应用Gaia DR 2星表来提高Pan-STARRS 1数据发布2（PS1 DR 2）中约17亿个物体的天体测量准确性。我们在这里报告通过利用盖亚EDR 3和校正差分色折射（DCR）的影响，在十亿分之一的进一步改进。我们通过迭代减去颜色和赤纬相关的PS1/Gaia EDR 3赤纬残差来扩展论文1中的校正算法。我们确定了大约4.4亿个参考天体的天体测量改进，这些参考天体是点状的，与盖亚EDR 3交叉匹配。对于这组天体，Gaia EDR 3在PS1天体测量方面比Gaia DR 2提高了约3%，DCR校正提供了额外的约5%的改进。对于远离天顶观测的物体，DCR校正大大增加。DCR校正导致距离天顶50°的蓝色物体（0<g-i<1）的天体测量改善约30%。对于PS1颜色在0 < g-i < 4.5范围内的天体，这些效应导致的系统天体测量误差的幅度大大降低到小于1质量，这使得它在盖亚星很少的领域成为有用的天体测量参考星表。改进后的天体测量数据将通过米库尔斯基空间望远镜PS1目录接口提供。
2022-06-20 astro-ph.GA astro-ph.IM astro-ph.SR
Machine learning for transient discovery in Pan-STARRS1 difference imaging
天文瞬变的有效识别和跟踪受到人类需要从包含许多误报的数据流中手动选择有希望的候选者的阻碍。这些伪影出现在由大幅面CCD相机进行的大多数主要地基时域勘测产生的差异图像中。这种依赖人类来拒绝虚假检测的做法对于下一代全天空调查来说是不可持续的，现在正在投入大量精力来解决计算问题。在本文中，我们探索了一种简单机械学习方法来真假分类构建一个训练集从图像数据的~32000真正的天体物理瞬变和伪检测从泛星1中深调查。我们从候选人中心周围的20 x20像素戳的像素强度值获得我们的特征表示。这与以前的工作不同，因为它直接作用于像素，而不是用于特征设计或选择的编目领域知识。三种机器学习算法（人工神经网络，支持向量机和随机森林）进行了训练，并在25%的训练数据的保留子集上测试了它们的性能。我们从随机森林分类器中找到了最好的结果，并证明了通过接受1%的误报率，分类器最初建议的漏检率约为10%。然而，我们还发现，明亮的恒星变化，核瞬变和人类标记的不确定性的组合意味着我们对漏检率的最佳估计约为6%。
2015-03-03 astro-ph.IM
Photometric Classification of 2315 Pan-STARRS1 Supernovae with Superphot
超新星（SNe）的分类及其对我们理解爆炸物理和祖先的影响传统上是基于某些光谱特征的存在或不存在。然而，目前和即将到来的广域时域调查已经增加了瞬态发现率，远远超出了我们获得每个新事件的单个频谱的能力。因此，我们必须在很大程度上依赖于光度分类，将SN光变曲线连接回光谱定义的类别。在这里，我们介绍Superphot，一个Villar等人的机器学习分类算法的开源Python实现，并将其应用于2315个以前未分类的瞬态从泛星1中深调查，我们获得了光谱主星系红移。我们的分类器实现了82%的总体准确度，最佳类别（SNe Ia和超发光SNe）的完整性和纯度>80%。对于表现最差的SN类（SNe Ibc），完整性和纯度分别下降到37%和21%。我们的分类器提供了1257个新分类的SNe Ia，521个SNe II，298个SNe Ibc，181个SNe IIn和58个SLSNe。这些都是最大的均匀观察到的样本SNe在文献中，并将使广泛的统计研究的每一类。
2020-12-16 astro-ph.HE astro-ph.IM
Measuring Quasar Variability with Pan-STARRS1 and SDSS
我们使用全景巡天望远镜和快速响应系统1巡天（Pan-STARRS 1或PS1）和斯隆数字巡天（SDSS）测量类星体的变化，并建立了一种通过10，000平方度巡天中的变化来选择类星体的方法。我们使用了100，000个光谱证实的类星体，这些类星体在PS1和SDSS中都得到了很好的测量，并利用了将SDSS测量和PS1测量分开的十年时间尺度。幂律模型很好地拟合了整个测试时间范围（0.01至10年）的数据。目前PS1-SDSS数据集的可变性可以有效地区分类星体和非变化物体。它提高了灰色类星体颜色切割的纯度从4.1%到48%，同时保持67%的完整性。在没有u波段的数据集中，以及在光光度选择效率不高的红移范围内，变率将非常有效地找到类星体。我们发现，类星体的静止框架系综变率（以δ星等的均方根来衡量）符合V（z，L，t）= A0（1 + z）^0.37（L/L0）^-0.16（t/1yr）^0.246，其中L0 = 10^46尔格^-1，A0 = 0.190、0.162、0.147或0.141，rP1、iP1或zP1滤波器。我们还对所有四个滤波器进行拟合，并获得作为z、L和λ函数的中位变异性：V（z，L，lambda，t）= 0.079（1 + z）^0.15（L/L0）^-0.2（lambda/1000 nm）^-0.44（t/1yr）^0.246。
2014-07-02 astro-ph.HE astro-ph.IM
Characterizing crosstalk within the Pan-STARRS GPC1 camera
使用为期一年的观测明亮恒星的专用活动的数据，我们研究了GPC 1相机中存在的串扰通道。通过分析这些数据，我们构建了一个数据集，该数据集检查相机内每个芯片的几乎每个CCD上的源星与所有可能的串扰目的地。我们使用聚类算法来查找潜在的串扰发生，然后还通过眼睛检查所有可能的组合（由硬件布局驱动）。这导致总共640个规则，通量衰减因子的范围从亮端的2.5 × 10 $^{2}$到暗端的2.5 $\times$ × 10 $^{4}$。m $_{cross}$ -m $_{src}\approx$-10.25的平均值对应于1.25 × 10 $^{4}$的衰减因子，其在明亮图像上产生平均信噪比为0.64 $\pm$ 0.1的串扰重影。我们没有发现在硬件设置中未连接的CCD之间存在串扰信号的证据。衰减因子的分布也被发现是依赖于串扰运动。一个明确的依赖于单元列偏移量被发现，一致的想法，即源星电荷在遍历单元读出线逐渐衰减。虽然我们可以看到趋势，但在现阶段，孔径星等测量的不确定性很大。
2022-01-25 astro-ph.IM
The Pan-STARRS1 Surveys
Pan-STARRS 1进行了一系列不同的天气成像巡天，包括$3π$球面度巡天和5个波段的中深巡天（$grizy_{P1}$）。在$grizy_{P1}$叠加的3个$π$球面度测量中，平均5个$σ$点源极限灵敏度分别为（23.3，23.2，23.1，22.3，21.4）。在整个天空的光度校准的系统不确定度的上限是7-12毫马格取决于带通。用Gaia框架进行天体测量校准的系统不确定度来自与Gaia框架结果的比较：平均和中值残差的标准差（$ Δra, Δdec $）分别为（2.3，1.7）毫角秒和（3.1，4.8）毫角秒。Pan-STARRS系统和PS1调查的设计进行了说明，并概述了由此产生的图像和目录数据产品及其基本特征，同时概述了重要成果。来自Pan-STARRS 1调查的图像，简化数据产品和衍生数据产品可从STScI的Mikulski Archive for Space Telescopes（MAST）获得。
2019-01-29 astro-ph.EP astro-ph.GA astro-ph.IM
Selection of Burst-like Transients and Stochastic Variables Using Multi-Band Image Differencing in the Pan-STARRS1 Medium-Deep Survey
我们提出了一种新的方法的光变曲线表征的泛星1中深调查（PS1 MDS）河外源随机变量（SV）和突发（BL）的瞬态，使用多波段图像差分时间序列数据。我们使用从深PS1 MDS堆叠图像中提取的恒星/星系目录选择与星系宿主相关的差异图像中的检测，并采用最大后验公式来模拟四个Pan-STARRS 1光度带g，r，i和z中的差异通量时间序列。我们使用三个确定性的光变曲线模型，以适应突发般的瞬变和一个随机的光变曲线模型，Ornstein-Uhlenbeck过程，以适应活动星系核（AGN）的特征的变化。我们评估的模型带明智的源明智的拟合质量，使用其估计的留一交叉验证似然和校正赤池信息标准。然后，我们对这些统计数据应用K均值聚类算法，以确定每个波段中的源分类。最终的源分类作为各个过滤器分类的组合而导出。我们使用我们的聚类方法来表征4361河外影像差异检测源在PS1 MDS的前2.5年，到1529 BL，和2262 SV，与AGN的纯度为95.00%，和90.97%的SN基于我们的验证集。我们结合我们的光变曲线分类与他们的核或核外的宿主星系偏移，定义一个强大的光度样本1233活跃的星系核和812超新星。我们使用这些样本来识别简单的光度先验，使他们能够在未来的宽场天气调查的实时识别。
2015-01-06 astro-ph.GA astro-ph.IM
Star formation and morphological properties of galaxies in the Pan-STARRS $3 π$ survey- I. A machine learning approach to galaxy and supernova classification
我们提出了一个分类的星系在泛星1（PS1）3 $π$调查的基础上，他们最近的恒星形成历史和形态。具体来说，我们训练和测试两个随机森林（RF）分类器使用光度特征（颜色和时刻）从PS1数据发布2。形态分类的标签来自Huertas-Company+2011，而恒星形成分数（SFF）的标签来自Blanton+2005目录。我们发现，颜色比光度矩提供更高的预测精度。我们从形态学上将星系分为早期和晚期两类，我们的RF模型达到了78%的分类准确率。我们的第二个模型将星系分类为具有低到中等或高SFF。该模型达到了89%的分类准确率。我们将两种RF分类器应用于整个PS1 $3π$数据集，允许我们为每个PS1源分配两个分数：$P_\mathrm{HSFF}$，量化具有高SFF的概率，以及$P_\mathrm{spiral}$，量化具有晚型形态的概率。最后，作为概念的证明，我们将我们的分类框架应用于来自Zwicky Transient Factory和Lick Observatory超新星搜索样本的超新星（SN）宿主星系。我们表明，通过选择$P_\mathrm{HSFF}$或$P_\mathrm{spiral}$，它是可能的，以显着提高或抑制分数的核心崩溃SNe（或热核SNe）在样品中相对于随机猜测。这一结果表明，如何上下文信息可以帮助在第一次检测时的瞬态分类。在当前光谱学匮乏的时域天文学时代，迅速的自…
2020-05-01 astro-ph.HE astro-ph.IM
The Pan-STARRS 1 Photometric Reference Ladder, Release 12.0
截至2012年1月21日，Pan-STARRS 1 3π巡天观测到了夏威夷3/4的可见天空，最小值为2，平均值为7.6，使用5个滤波器，g_p1，r_p1，i_p1，z_p1，y_p1。现在，在任务的第二年结束时，我们能够首次公开发布这个前所未有的数据集的一部分。本文介绍了PS1光度阶梯12.01版这是随着调查覆盖范围的增加和数据分析的改进而生成的一系列数据发布中的第一个。光度阶梯在RA中每小时有一个梯级，在December中每隔4个梯级。我们将从最新的数据集发布更新，增加区域覆盖范围（更多梯级），直到PS1调查和最终重新还原完成。目前发布的星表呈现了阶梯梯级中每平方度\approx 1000个天体的测光。饱和发生在g_p1、r_p1、i_p1 \approx 13.5; z_p1 \approx 13.0;和y_p1 \approx 12.0。光度测量提供了低至AB系统中g_p1，r_p1，i_p1 \approx 19.1的恒星。这一数据发布依赖于严格的“Ubercal”光度校准，仅使用光度计夜晚，系统不确定度为（8.0，7.0，9.0，10.7，12.4）毫马加（g_p1，r_p1，i_p1，z_p1，y_p1）。只有低质量夜晚覆盖的区域也包括在内，并通过相对光度学与Ubercal解决方案联系在一起;非光度区域的光度精度较低，应谨慎使用。
2013-03-14 astro-ph.IM
Validation and Improvement of the Pan-STARRS Photometric Calibration with the Stellar Color Regression Method
Pan-STARRS 1（PS1）作为最好的地面光度数据集之一，已被广泛用作校准其他测量的参考。在这项工作中，我们提出了一个独立的验证和重新校准的PS1测光使用光谱数据从LAMOST DR 7和光度数据从校正的盖亚EDR 3与恒星颜色回归（SCR）方法。使用每个波段通常总共150万LAMOST-PS1-盖亚星作为标准，我们表明，PS1光度校准精度的$grizy$过滤器是大约$4\sim 5$毫等时，平均超过$20'$地区。然而，显着的大小尺度的幅度偏移的空间变化，高达1%以上，可能是由PS1中的校准误差引起的，被发现为所有的$grizy$过滤器。不同滤波器中的校准误差不相关，并且对于$g$和$y$滤波器而言，校准误差稍大。通过与盖亚EDR 3和其他星表的比较，我们还发现PS1测光中的中等星等相关误差（$grizy$滤波器在14 - 17星等范围内分别为0.005，0.005，0.005，0.004，0.003等）。这些误差很可能是由PSF幅值的系统不确定性引起的。我们提供了二维地图，以纠正在不同的空间分辨率从$20'$到$160'$的LAMOST足迹等震级偏移。结果表明，功率的SCR方法在提高校准精度的宽视场调查时，结合LAMOST光谱和盖亚测光。
2022-02-16 astro-ph.GA astro-ph.IM astro-ph.SR
Detectability of Transiting Jupiters and Low-Mass Eclipsing Binaries in Sparsely Sampled Pan-STARRS-1 Survey Data
我们提出了详细的模拟泛星1（PS1）多历元，多波段3 π调查，以评估其潜在的过境行星和食双星产量。这项调查不同于专门的过境调查，因为它将覆盖整个北方天空，但只提供稀疏采样的光变曲线。由于大多数食只能在一个历元内被探测到，3 π巡天将对深食（> 0.10等）最敏感，深食是由彗星过境M矮星和食星/亚星双星引起的。该调查还将为100 pc内的~ 400，000颗恒星提供检索，这将使日食搜索量有限，与以前的星等限制搜索相比，减少了天体物理误报的数量。使用最好的经验数据，我们构建了一个扩展的太阳邻域模型，包括恒星，棕矮星和一个现实的双星种群。我们使用半解析和全蒙特卡罗方法计算了深食系统的产率。我们研究了在稀疏采样数据中检测单历元日食的统计测试，并评估了由于恒星变化而导致的误报的脆弱性。假设M矮星的短周期行星频率为0.5%，我们的模拟预测，在PS1 3-pi巡天中，大约有12个围绕低质量恒星（M < 0.3 Msun）的凌日星在100 pc范围内可能被探测到，还有大约300个低质量食双星（两个分量质量都< 0.5 Msun），包括大约10个食场棕矮星。需要进行广泛的后续观测，以确定这些候选食系统的特征，从而能够对结构模型进行全面测试，并对低质量恒星的行星结构提出新的见解。
2009-08-31 astro-ph.IM astro-ph.SR
Empirical completeness assessment of the Gaia DR2, Pan-STARRS 1 and ASAS-SN-II RR Lyrae catalogues
天琴座RR型星是我们银河系最古老的恒星的重要和广泛使用的示踪剂，主要是由于它们的标准蜡烛性质。对变星的大规模观测使我们能够追踪整个银河系的结构，甚至在以前无法到达的地区，如银河系圆盘。在这项工作中，我们的目标是提供一个经验评估的完整性的三个最大的RR天琴座目录：盖亚DR 2，PanSTARRS-1和ASAS-SN-II。使用联合概率分析的三个调查，我们计算2D和3D的完整性地图，在每个调查的全震级范围。在亮端（G<13），我们发现ASAS-SN-II和Gaia在高纬度（|b| > 20 deg）的RRab中接近100%完整; ASAS-SN-II在低纬度的RRab和在所有纬度的RRc中具有最好的完整性。在暗端（G>13），盖亚DR 2是在任何纬度上最完整的两种RR型天琴座星表，在黄道面外的中值完整率为95%（RRab）和>85%（RRc）（|β|> 25度）。我们确认了PanSTARRS-1 RR天琴座在G~18时的高度和一致的完整性，分别为91%（RRab）和82%（RRc），并首次估计了其在低银河纬度（|b| <20 deg）的完整性，估计中值为65%（RRab）和50-60%（RRc）。我们的结果是公开的2D和3D完整性地图，并作为功能，以评估每个调查的完整性与距离或每视线。
2020-06-16 astro-ph.GA astro-ph.IM
SuperRAENN: A Semi-supervised Supernova Photometric Classification Pipeline Trained on Pan-STARRS1 Medium Deep Survey Supernovae
基于光学光度学光变曲线信息的超新星（SNe）自动分类在即将到来的宽场时域调查时代是必不可少的，例如鲁宾天文台进行的时空遗产调查（LSST）。光度分类可以实时识别感兴趣的事件，用于扩展的多波长随访以及存档人口研究。在这里，我们提出了完整的样本5,243“SN样”光变曲线（格利兹）从泛星1中深调查（PS1-MDS）。PS1-MDS在节奏、过滤器和深度方面与计划中的LSST Wide-Fast-Deep调查相似，使其成为社区有用的培训集。使用这个数据集，我们训练一种新的半监督机器学习算法，对2,315个新的类SN光变曲线与宿主星系光谱红移进行光度分类。我们的算法包括一个随机森林监督分类步骤和一个新的无监督步骤，其中我们引入了一个经常性的自编码器神经网络（RAENN）。我们的最终管道被称为SuperRAENN，在五个SN类别（Ia，Ibc，II，IIn，SLSN-I）中的准确率为87%。我们发现Ia型SNe和SLSNe的准确率最高，Ibc型SNe的准确率最低。我们完整的光谱和光度分类样本分为：62.0% Ia型（1839个物体），19.8% II型（553个物体），4.8% IIn型（136个物体），11.7% Ibc型（291个物体）和1.6% I型SLSNe（54个物体）。最后，我们讨论了该算法可以修改在线LSST数据流。
2020-08-11 astro-ph.HE astro-ph.IM
Improvement of the Pan-STARRS Photometric Calibration with LAMOST and Gaia
本文利用LAMOST和Gaia数据，通过SCR、SCR'和XPSP三种方法校正PS1测光的位置依赖系统误差，发现其定标精度约5-7 mmag，银道面误差可达0.04 mag，并提供二维校正图和Python包。
2023-08-10 astro-ph.GA astro-ph.IM astro-ph.SR
