Cooperative photometric redshift estimation
在现代星系巡天中,光度红移在从引力透镜和暗物质分布到星系演化的广泛研究中发挥着核心作用。使用来自Kilo Degree Survey(KiDS)第二次数据发布的约25,000个星系的数据集,我们用五种不同的方法获得光度红移:(i)随机森林,(ii)具有拟牛顿算法的多层感知器,(iii)具有基于Levenberg-Marquardt学习规则的优化网络的多层感知器,(iv)贝叶斯光度红移模型(或BPZ)和(v)经典的SED模板拟合程序(Le Phare)。我们展示了SED拟合技术如何提供有关星系光谱类型的有用信息,这些信息可用于提高机器学习方法约束系统误差的能力,并减少灾难性异常值的发生。我们使用这样的分类训练专门的回归估计,通过证明这种混合的方法,涉及SED拟合和机器学习在一个单一的协作框架,是能够提高整体预测精度的光度红移。
2017-01-27 astro-ph.IM
An automated photometric pipeline for the ILMT data
本文针对ILMT在TDI模式下获得的多波段巡天数据,提出Python全自动化孔径测光管线,并利用Pan-STARRS-1定标星等以生成光变曲线、识别变星与快速衰减瞬变源。
2023-11-08 astro-ph.IM
Removal of systematics in photometric measurements: static and rotating illumination corrections in FORS2@VLT data
用现代探测器拍摄的图像需要通过平场进行校准,以在整个图像上获得相同的通量尺度。获得最佳平场精度的一种方法是从抖动恒星观测中导出光度模型。在这种模拟中考虑到了各种各样的影响。最近,Moehler等人(2010年)发现了欧洲南方天文台FORS仪器可用平面框架的系统变化,这些变化随着天空上投影图像的方向而变化。与已经考虑到的其他系统效应相比,对测光的影响很大。在本文中,我们提出了一种纠正这种效应的方法:将Bramich & Freudling(2012)的拟合过程推广到包括旋转平坦场的多项式表示。然后,我们将该方法应用于FORS 2光度观测的一系列标准星场的具体情况下,并提供参数化的解决方案,可以应用于用户。我们找到了多项式系数来描述FORS 2视场中静态和旋转大规模系统平场变化。将这些系数应用于FORS 2数据,FORS 2图像上通量尺度的系统变化可以改善总通量的~1%至~2%。这代表了大规模测量时代的重大进步,大规模测量要求均匀测光达到1%或更高水平。
2013-11-25 astro-ph.IM
Characterization and Photometric Performance of the Hyper Suprime-Cam Software Pipeline
斯巴鲁战略计划(SSP)是一项雄心勃勃的多波段调查,使用斯巴鲁望远镜上的超级超级凸轮(HSC)。SSP的Wide层既宽又深,达到i~26.0 mag.的检测限。在这些深度,在所有五个波段实现准确、无偏和一致的光度测定是具有挑战性的。HSC数据减少使用管道,建立在原型管道的大型综合巡天望远镜。我们开发了一个基于Python的灵活框架,将合成星系注入到真实的HSC图像中,称为SynPipe。在这里,我们解释了SynPipe的设计和实现,并生成一个合成星系的样本,以检查HSC管道的光度性能。对于恒星,在i波段,i~19.0星等的测光精度达到1%,i~25.0星等的测光精度达到6%。对于具有单Sersic轮廓的合成星系,在i波段,强迫C模型测光在i~20.0等处达到13%的测光精度,在i~25.0处达到18%的测光精度。我们发现,强迫PSF和CModel测光产生无偏的颜色估计,是强大的看到的条件。我们确定了适用于第一次公开HSC数据发布(DR 1)的HSC管道版本的几个注意事项,这些注意事项需要考虑。首先,对象与其他对象混合的程度会影响整体光度学性能。对于点源来说尤其如此。高度混合的物体往往具有较大的光度不确定性,系统性地低估了通量和轻微的颜色偏差。第二,大于20%的22.5< i < 25.0等的恒星可能会被误认为是扩展天体。第三,目前的CModel算法倾向于严重低估i>21.5等星系的…
2017-05-03 astro-ph.IM
Data-driven photometric redshift estimation from type Ia supernovae light curves
红移测量一直是现代天文学和宇宙学中的一个经常性的需要。随着新的测量提供了大量关于天文物体的数据,自动处理这些数据的必要性越来越大。在这篇文章中,我们使用来自暗能量调查的模拟数据,以及最初为分类超新星而创建的管道,我们开发了一种线性回归算法,该算法通过新型自动机器学习(AutoML)框架进行优化,与其他现代算法(如XGBOOST)相比,其错误分数优于普通数据预处理方法。在数值上,Ia型超新星事件的光度预测RMSE从0.16降低到0.09,所有超新星类型的RMSE从0.20降低到0.14。我们的流水线包括四个步骤:通过光谱数据点,我们使用高斯过程拟合算法插值的光变曲线,然后使用小波变换,我们提取这些曲线的最重要的特征;我们依次通过主成分分析降低这些特征的维数,最后我们应用了超级学习技术(堆叠集成方法)通过一个AutoML框架专门优化几个不同机器学习模型的参数,更好地解决问题。作为最后的检查,我们通过AutoML训练和优化的50多个模型的预测,使用高斯核密度估计获得了概率分布函数(PDF)。计算这些PDF以复制使用SALT 2模型(用于模拟原始数据本身的模型)的原始曲线。
2023-03-21 astro-ph.CO astro-ph.IM
A catalogue of photometric redshifts for the SDSS-DR9 galaxies
大样本星系的精确光度红移是现代多波段数字巡天的主要成果之一。在过去的十年中,斯隆数字巡天(SDSS)已经成为测试各种方法的基准。本文介绍了一种新的方法在SDSS-DR 9星系光度红移估算中的应用。制作了超过1.43亿个星系的光度红移,并在网址http://dame.dsf.unina.it/catalog/DR9PHOTOZ/上提供。在DAMEWARE(数据挖掘和探索Web应用资源)框架内提供的MLPQNA(具有拟牛顿算法的多层感知器)模型是一种源自机器学习模型的插值方法。得到的红移值的总体不确定度为sigma=0.023,平均偏差很小,约为3 × 10 ^-5,灾难性异常值的比例约为5%。这一结果略好于文献中已有的结果,特别是在灾难性异常值的较小部分方面。
2014-07-09 astro-ph.CO astro-ph.IM
All-purpose, all-sky photometric redshifts for the Legacy Imaging Surveys Data Release 8
在本文中,我们提出了光度红移(照片- $z$)估计的暗能量光谱仪(DESI)的遗产成像调查,目前最敏感的光学调查,涵盖了大部分的河外天空。我们的照片- $z$方法基于机器学习方法,使用高斯混合模型(GARCH)增强的稀疏高斯过程,允许以纯粹的数据驱动方式单独识别和训练参数空间的区域。同样的Gestival也用于计算成本敏感的学习权重,以减轻光谱训练样本中的偏差。通过设计,这种方法的目的是产生可靠的和无偏的预测的所有部分的参数空间中存在的广域调查。与以前的文献估计使用相同的基础测光,我们的照片$z$的显着更少的偏见和更准确的$z > 1$,在精度或可靠性可以忽略不计的损失,解决星系在$z < 1$。我们的照片- $z$估计为母样本中罕见的高价值种群提供了准确的预测,包括在最高红移($z > 6$)的光学选择类星体,以及在宽范围的通量(密度)和红移的X射线或射电连续谱选择种群。导出完整的遗产成像巡天数据版本8的照片- $z$估计,在这项工作中提供的目录提供照片- $z$估计预测是高质量的$\gtrsim9\times10^{8}$星系超过$\sim 19\,400\,\text{deg}^{2}$和跨越$0 < z \lesssim 7$,提供有史以来最广泛的样本的红移估计。
2022-03-03 astro-ph.CO astro-ph.GA astro-ph.IM
Color Transformations of Photometric Measurements of Galaxies in Optical and Near-Infrared Wide-Field Imaging Surveys
针对多巡天星系测光系统差异,提出基于分段线性近似的颜色变换方法,经红序验证有效,并发现DECaLS延展星系测光系统性问题,编制了20余万星系的星表。
2023-09-06 astro-ph.GA astro-ph.IM
Spectroscopic Needs for Calibration of LSST Photometric Redshifts
本白皮书总结了Snowmass白皮书“成像暗能量实验的光谱需求”(arXiv:1309.5384)中与LSST光度红移校准相关的结论;即,photo-z中偏差和不确定性的准确表征。任何重大的校准误差都会导致photo-z的系统误差,影响几乎所有的LSST河外科学。由于现有的深红移样品未能产生系统的20%-60%的目标的高度安全的红移,未来的深光谱样品很有可能无法自行解决校准问题。在这种情况下,最好的选择是通过互相关方法提供的,该方法利用光谱测量(不需要完全具有代表性)中的对象进行聚类,以跟踪整个样本的红移分布。对于光谱学来说,eBOSS巡天将能够对LSST光度红移进行基本校准,而预期的LSST-DESI重叠将足以在z>0.2时进行精确校准。在明亮的时间进行的附近星系的DESI调查将能够精确校准到z~0。通过转让DESI仪器(或在布兰科望远镜上复制该仪器)提供的更大的覆盖面,除了其他科学收益外,还可以根据互相关进行最佳的校准。
2014-10-16 astro-ph.CO astro-ph.IM
A Machine Learning Method to Infer Fundamental Stellar Parameters from Photometric Light Curves
宽视场成像测量的一个基本挑战是获得后续的光谱观测:有> $10^9$的光度编目源,但现代光谱测量仅限于~几个x $10^6$目标。当我们接近大型综合巡天望远镜(LSST)时代时,需要新的算法解决方案来应对数据洪流。在这里,我们报告了一个机器学习框架的开发,该框架能够单独使用光度亮度变化和颜色来推断基本恒星参数(Teff,log g和[Fe/H])。一个训练集是从一个系统的光谱调查的变量与Hectospec/MMT。总而言之,训练集包括约9000个光谱,使用SEGUE恒星参数管道(SSPP)测量恒星参数。我们采用随机森林算法进行非参数回归,预测Teff,log g和[Fe/H]从光度时域观测。我们的最终优化模型产生了交叉验证的均方根误差(RMSE)为165 K,0.39 dex和0.33 dex的Teff,log g和[Fe/H],分别。检查源的子集,其中SSPP测量是最可靠的,RMSE分别降低到125 K,0.37 dex和0.27 dex,与通过低分辨率光谱可实现的相当。对于变星,这表示相对于使用单历元光度颜色训练的模型,RMSE提高了约12-20%。作为我们的方法的应用,我们估计恒星参数约54,000已知变量。我们认为,这种方法可以将光度时域调查转换为伪光谱引擎,从而能够构建银河系及其结构和历史的非常详细的地图。
2014-11-04 astro-ph.IM astro-ph.SR
Estimating the Photometric Redshifts of Galaxies and QSOs Using Regression Techniques in Machine Learning
测量星系、恒星和类星体等宇宙学源的距离在现代宇宙学中起着越来越重要的作用。获得光谱,然后计算红移作为距离指标,可以立即对这些物体进行分类。只要光谱观测对许多星系不可用,并且测量红移的过程对于大样本来说是耗时且不可行的,机器学习(ML)方法可以应用于从不同特征(包括光度颜色)确定星系的红移。本文利用斯隆数字巡天(SDSS)星表中的通量星等,开发了两种ML回归算法(决策树和随机森林),以颜色指数作为输入特征来估计红移。我们发现,随机森林算法产生的红移预测的最佳结果,它将进一步改善时,数据集被限制到一个子集与z $\le$ 2给出归一化的标准差$\overline{ΔZ}_{\text {norm}}=0.005$和标准差$σ_{Δz}=0.12$。这项工作显示了极大的潜力,使用ML方法来确定遥远的源的光度红移。
2022-01-12 astro-ph.CO astro-ph.GA astro-ph.IM
The 2-degree Field Lensing Survey: photometric redshifts from a large new training sample to r<19.5
我们提出了一个新的训练集,用于估计星系的经验光度红移,这是作为2dFLenS项目的一部分创建的。该训练集位于KiDS南场的700平方度区域中,并且是随机选择的,并且在r<19.5时几乎是完整的。基于几种经验方法和模板方法,我们研究了VST-ATLAS的Ugriz光度法和WISE的W1/W2光度法获得的光度红移性能。最好的红移误差与核密度估计,是最低的偏差,这是一致的统计噪声内为零。在r<(15.5,17.5,19.5)时,有限星等样品的红移散射的第68阶谱为(0.014,0.017,0.028)。在这个星等范围内,色红移图中没有已知的模糊性,这与少量的红移异常值相一致。在较暗的区域,KDE方法产生每个星系的p(z)估计,代表无偏和准确的红移频率预期。任何子样本上的p(z)和都与真实的红移频率加上泊松噪声一致。在r<20的情况下,红移精度的进一步提高主要是通过更窄通带的滤光片来提高颜色对红移微小变化的敏感性。
2016-12-01 astro-ph.CO astro-ph.GA astro-ph.IM
Morpho-z: improving photometric redshifts with galaxy morphology
我们进行了全面的研究,将星系形态信息的光度红移估计的影响。当星系大小、椭圆率、Sérsic指数和表面亮度被纳入SDSS和CFHT Stripe-82巡天(CS 82)的星系样本训练中时,我们使用机器学习方法评估了光度红移的散射和灾难性异常值比例的变化。我们表明,通过添加星系形态参数,充分$ugriz$测光,只有温和的改善,而收益是大量的情况下,较少的通带可用。例如,结合$grz$光度学和形态学参数几乎完全恢复了$5$波段光度学红移的度量。我们证明,与形态,它是可能的,以确定有用的红移分布$N(z)$的星系样本没有任何颜色的信息。我们还发现,类星体的红移和相关的物体大小的训练中包含提高测光红移目录的质量,弥补了缺乏一个良好的恒星星系分离。我们进一步表明,形态学信息可以减轻由于不良光度测量造成的偏差和散射。作为一个应用程序,我们得到的点估计和后验分布的官方CS 82目录,培训形态和SDSS条纹-82 $ugriz$波段时。我们的红移产生$0.058(1+z)$的第68百分位误差和$5.2$百分之灾难性的离群分数。我们还包括一个深扩展形态学和单$i$带CS 82光度学训练。
2018-02-16 astro-ph.CO astro-ph.GA astro-ph.IM
Compact and Physically Interpretable Feature Models for Photometric Type Ia Supernova Classification
Ministry of Education, Abu Dhabi, UAE(阿布扎比教育部)
研究从多波段光变曲线提取紧凑物理特征,使用梯度提升决策树在SPCC数据集上实现F1分数0.844,证明可解释特征模型能有效分类Ia超新星。
2026-06-23 astro-ph.HE astro-ph.IM
Learning Spectral Templates for Photometric Redshift Estimation from Broadband Photometry
本文提出从约10万个星系测光数据中学习光谱模板,以更高分辨率重建谱线,使光度红移的离群值、偏差和离散度分别降低最多28%、91%和25%。
2020-08-10 astro-ph.CO astro-ph.GA astro-ph.IM
Galaxy spectroscopy without spectra: Galaxy properties from photometric images with conditional diffusion models
University of Bern(伯尔尼大学);Ludwig-Maximilians Universität München(慕尼黑大学);INAF - Astronomical Observatory of Capodimonte(意大利国家天体物理研究所卡波迪蒙特天文台);INFN - Sezione di Napoli(意大利国家核物理研究所那不勒斯分所);University Federico II(那不勒斯费德里科二世大学);University of Bologna(博洛尼亚大学);ARTORG Center(ARTORG中心);AIMI
本文提出结合扩散模型与对比网络的条件生成方法,仅凭多波段测光图像预测星系光谱,并据此恢复多种星系物理性质,效果接近专用深度学习方法。
2024-10-28 astro-ph.GA astro-ph.IM cs.AI