Paying Attention to Astronomical Transients: Introducing the Time-series Transformer for Photometric Classification
Mullard Space Science Laboratory（穆拉德空间科学实验室）；University College London（伦敦大学学院）
针对未来巡天项目海量暂现源测光数据的分类难题，提出适用于多变量时间序列的新型Transformer架构，在PLAsTiCC数据集上取得了与当前最优方法相当的测光分类性能，且具备可解释性。
2023-10-04 astro-ph.IM cs.LG
Impact of Rubin Observatory cadence choices on supernovae photometric classification
本研究评估了LSST不同观测节奏对超新星光变分类性能的影响，发现滚动节奏显著提升分类准确率及Ia型超新星数量，而presto-color的每晚三次观测会降低分类效果。
2023-03-15 astro-ph.CO astro-ph.IM
Photometric classification and redshift estimation of LSST Supernovae
由于大型综合巡天望远镜（LSST）将观测到大量的超新星，而且不可能通过光谱跟踪所有的超新星，因此仅使用光度数据进行超新星分类和红移估计对LSST来说变得非常重要。我们研究的SN分类器，使用SN颜色分类LSST SNe与随机森林分类算法的性能。我们的分类器的AUC为0.98，这代表了出色的分类。通过选择概率阈值，我们能够获得含有99个$\%$ SNe Ia的光度SN样品。我们估计的光度红移（photo-z）的SNe在我们的样品中，通过拟合SN光变曲线使用SALT 2模型与嵌套采样。我们得到一个平均偏差（$\left<z_\mathrm{phot}-z_\mathrm{spec}\right>$）为0.012与$σ\left( \frac{z_\mathrm{phot}-z_\mathrm{spec}}{1+z_\mathrm{spec}}\right) = 0.0294$没有使用主机星系的照片-z先验，和一个平均偏差（$\left<z_\mathrm{phot}-z_\mathrm{spec}\right>$）为0.0017与$σ\left( \frac{z_\mathrm{phot}-z_\mathrm{spec}}{1+z_\mathrm{spec}}\right) = 0.0116$使用主机星系的照片-z先验。假设一个平坦的$ΛCDM$模型与$Ω_m=0.3$，我们得到$0.3…
2018-04-17 astro-ph.CO astro-ph.IM
Photometric Supernova Classification With Machine Learning
自动光度超新星分类已成为近年来的一个活跃的研究领域，鉴于目前和即将到来的成像调查，如暗能量调查（DES）和大型综合巡天望远镜，因为光谱确认所有超新星的类型是不可能的。在这里，我们开发了一个多方面的分类管道，结合现有的和新的方法。我们的流水线包括两个阶段：从光变曲线中提取描述性特征和使用机器学习算法进行分类。我们的特征提取方法不同，从依赖于模型的技术，即SALT 2拟合，更独立的技术拟合参数模型曲线，一个完全独立的模型小波方法。我们涵盖了一系列代表性的机器学习算法，包括朴素贝叶斯，k-最近邻，支持向量机，人工神经网络和提升决策树（BDT）。我们在超新星光度分类挑战赛的模拟多波段DES光变曲线上测试了管道。使用常用的受试者操作特征的曲线下面积（AUC）作为度量，我们发现SALT 2拟合和小波方法，以及BDT算法，各自实现了0.98的AUC，其中1表示完美的分类。我们发现，一个有代表性的训练集是必不可少的良好的分类，无论功能集或算法，与光谱后续的影响。重要的是，我们发现，通过使用SALT 2或小波特征集与BDT算法，准确的分类是可能的纯粹从光变曲线数据，而不需要任何红移信息。
2016-09-07 astro-ph.CO astro-ph.IM
Photometric Classification of Early-Time Supernova Lightcurves with SCONE
在这项工作中，我们提出了分类结果的早期超新星光变曲线从SCONE，光度分类器，使用卷积神经网络分类超新星（SNe）的类型使用光变曲线数据。SCONE能够从任何阶段的光变曲线中识别SN类型，从最初警报的夜晚到它们的寿命结束。模拟的LSST SNe光变曲线在触发日期后0、5、15、25和50天被截断，并用于在波长和时间空间中训练高斯过程以产生波长-时间热图。SCONE使用这些热图在SN类型Ia、II、Ibc、Ia-91 bg、Iax和SLSN-I之间执行6向分类。SCONE是能够进行分类或没有红移，但我们表明，将红移信息提高了性能在每个时代。SCONE在触发日期达到75%的总体准确性（60%没有红移），在触发后50天达到89%的准确性（82%没有红移）。SCONE也在SNe的明亮子集（r<20 mag）上进行了测试，并在触发日期产生了91%的准确性（83%没有红移）和95%的触发后5天（94.7%没有红移）。SCONE是卷积神经网络在早期光度瞬态分类问题中的首次应用。为本文开发的所有数据处理和模型代码可以在位于github.com/helenqu/scone的SCONE软件包中找到。
2021-11-10 astro-ph.CO astro-ph.IM
Avocado: Photometric Classification of Astronomical Transients with Gaussian Process Augmentation
即将到来的天文调查，如大型综合巡天望远镜（LSST），将依靠光度分类来识别他们发现的大多数瞬变和变量。我们提出了一套光度分类技术，即使在光谱确认的对象的训练集严重偏向于明亮，低红移的对象时，也可以应用。使用高斯过程回归同时在所有波段中对任意光变曲线进行建模，我们通过生成覆盖一系列红移和观测条件的原始光变曲线的新版本来“增强”训练集。我们训练一个增强的决策树分类器从增强的光变曲线提取的功能，我们展示了如何设计这样的分类器，以产生独立的红移分布的对象在训练样本的分类。我们的分类算法是在光度LSST天文时间序列分类挑战（PLAstiCC）的盲态阶段考虑的1，094个模型中表现最好的，在组织者的天文损失度量上得分为0.468，训练集中所有对象类别的权重都是固定的，并且Ia型超新星分类的AUC为0.957。我们的研究结果表明，用于训练光度分类器的光谱运动应该专注于键入大量观察良好的中间红移瞬变，而不是试图键入直接代表完整数据集的瞬变样本。本文中描述的所有算法都在avocado软件包中实现。
2019-07-11 astro-ph.IM
Optimizing Photometric Light Curve Analysis: Evaluating Scipy's Minimize Function for Eclipse Mapping of Cataclysmic Variables
Aspen University（阿斯彭大学）
本文利用Scipy的minimize函数研究并实现了激变变星的食映射方法，评估多种优化技术在无约束高斯数据及KIC 201325107吸积盘映射中的表现，并分析了影响计算时间与图像质量的关键因素。
2024-05-30 astro-ph.IM astro-ph.SR cs.LG
The Photometric LSST Astronomical Time-series Classification Challenge (PLAsTiCC): Selection of a performance metric for classification probabilities balancing diverse science goals
瞬态和可变光变曲线的分类是利用天文观测来了解其基本物理过程的重要步骤。然而，即将到来的深测光调查，包括大型综合巡天望远镜（LSST），将产生大量的低信噪比数据，传统的标记程序是不合适的。概率分类更适合于数据，但与确定性分类中使用的传统度量不兼容。此外，大型调查合作计划将这些分类概率用于不同的科学目标，这表明需要一个平衡各种目标的度量标准。我们描述了用于开发一个开放的分类挑战，寻求概率分类，必须为许多科学利益的最佳性能指标的过程。光度LSST天文时间序列分类挑战赛（PLASTiCC）是一项公开竞赛，旨在通过天文学内外更广泛的社区参与，确定有前途的技术，以获得瞬态和可变物体的分类概率。使用模拟分类概率提交模仿原型的PLASTiCC的预期，我们比较各种加权方案下的分类概率的指标的敏感性，发现它们产生定性一致的结果。我们选择作为度量PLASTiCC的加权修改的交叉熵，因为它可以有意义地解释。最后，我们提出了将我们的方法扩展到更复杂的挑战目标，并提出了一些用于选择概率分类指标的指导原则。
2021-07-31 astro-ph.CO astro-ph.IM astro-ph.SR
Photometric classification of quasars from DES and photo-$z$ estimation with Machine Learning
University of Science and Technology of China（中国科学技术大学）；Instituto de Física, Universidade de São Paulo（圣保罗大学物理研究所）；Rhodes University（罗德岛大学）；Universidade Federal da Paraíba（帕拉伊巴联邦大学）；Secretaria de Estado da Ciência, Tecnologia, Inovação e Ensino Superior, Governo da Paraíba（帕拉伊巴州科学与技术、创新与高等教育厅）；Instituto Nacional de Pesquisas Espaciais（国家空间研究所）；Escola de Engenharia de Lorena (EEL), Universidade de São Paulo (USP)（洛雷纳工程学院，圣保罗大学）
利用机器学习方法，通过KNN算法对DES DR2光度数据与SDSS DR16光谱分类进行交叉匹配，实现高精度类星体/星系分类，并采用混合机器学习方法估计光变红移，生成适用于宇宙学研究的类星体星表。
2026-06-01 astro-ph.CO astro-ph.IM
Photometric redshift-aided classification using ensemble learning
我们提出了SHEEP，一种新的机器学习方法来解决天文源分类的经典问题，它结合了XGBoost，LightGBM和CatBoost学习算法的输出来创建更强大的分类器。在我们的管道中，一个新的步骤是在执行分类之前，SHEEP首先估计光度红移，然后将其作为分类模型训练的附加特征放入数据集中;这导致后续分类性能的显着改善。SHEEP包含两种不同的分类方法：（i）多类和（ii）由元学习者进行纠正的一对所有。我们使用由350万个天文源的SDSS和WISE测光组成的数据集，展示了SHEEP在恒星、星系和类星体分类方面的性能。F1分数如下：星系为0.992;类星体为0.967;恒星为0.985。就三个类别的F1分数而言，SHEEP使用基本相同的数据集优于最近基于RandomForest的分类方法。我们的方法还通过特征重要性促进了模型和数据集的可解释性;它还允许选择其不确定分类可能使其成为后续观察的有趣来源的来源。
2022-05-19 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
Optimizing spectroscopic follow-up strategies for supernova photometric classification with active learning
我们报告了一个光谱后续设计优化超新星光度分类的框架。该策略考虑了光谱和光度样本之间不可避免的不匹配，甚至可以在新调查的开始时使用-无需任何初始训练集。该框架属于主动学习（AL）的范畴，这是一类算法，旨在通过识别一些精心选择的对象来最大限度地减少标签成本，这些对象在改善分类器预测方面具有很大的潜力。作为概念证明，我们使用超新星光度分类挑战赛（SNPCC）和随机森林分类器后发布的模拟数据。我们的结果表明，在SNPCC光谱样本中仅使用12%的训练对象，这种方法能够使纯度结果加倍。此外，为了考虑到在同一个晚上的多个光谱观测，我们提出了一个半监督的批处理模式AL算法，选择一组$N=5$最翔实的对象在每个晚上。与使用传统方法的初始状态相比，我们的方法仅在180天的观察或800次查询（SNPCC光谱样本量的73%）后就实现了2.3倍的纯度和可比的优值结果。使用观察原始SNPCC光谱样品所需的相同量的光谱时间获得这样的结果，表明这种类型的策略对于当前可用的光谱资源是可行的。本工作中使用的代码可以在COINtoolbox中找到：https://github.com/COINtoolbox/ActSNClass。
2019-01-03 astro-ph.CO astro-ph.IM
A Template-Based Approach to the Photometric Classification of SN 1991bg-like Supernovae in the SDSS-II Supernova Survey
在过去的二十年里，Ia型超新星（SNe Ia）测量宇宙学参数的使用显着增长。然而，在Ia型超新星人群中存在着显著的多样性，这一点尚未得到很好的理解。过亮SN 1991 T型和次亮SN 1991 bg型天体是SNe的两个典型例子。对这类物体的识别和分类是研究它们为何与其余SN群不同的重要步骤。即将到来的Vera C。鲁宾天文台承诺，在十年的调查中，将有大约一百万个新的超新星，光谱分类将只对一小部分观测到的目标是可能的。因此，光度分类已成为准备下一代天文测量的一个日益重要的问题。使用观测斯隆数字巡天II（SDSS-II）SN调查，我们在这里应用一个基于经验的分类技术，针对在测光数据集的SN 1991 BG类SNe的识别。通过执行专用的适合光度数据的休息帧红，蓝带通，我们分类16个以前未识别的91 bg类SNe。使用SDSS-II主机星系的测量，我们发现，这些SNe优先发现在主机星系具有较老的平均恒星年龄比主机的正常SNe Ia。我们还发现，这些SNe被发现在更远的物理距离从他们的宿主星系的中心。我们发现，在这些目标的宿主星系质量或特定的恒星形成率没有统计学上的显着偏差。
2020-10-19 astro-ph.IM
A simple and robust method for automated photometric classification of supernovae using neural networks
本文提出了一种超新星（SNe）的自动光度分类方法，它可以将超新星分为Ia型和非Ia型。采用两步法：（1）分别拟合各观测滤波器的SN光变曲线通量测量值;以及（ii）拟合的函数参数及其相关的不确定性，以及通量测量的数量、拟合的最大似然值和模型的贝叶斯证据，被用作分类神经网络（NN）的输入特征向量，所述分类神经网络（NN）输出所考虑的SN是Ia型的概率。该方法使用超新星光度分类挑战赛（SNPCC）后发布的数据进行训练和测试。我们考虑将数据随机划分为训练集和测试集：例如，对于我们的样本D_1（D_4），总共有10%（40%）的数据用于训练算法，其余的用于盲测试分类器;我们不进行选择切割。在NN输出上使用p_th=0.5的典型阈值概率将SN分类为Ia型，对于样本D_1（D_4），我们获得了0.78（0.82）的完整性，0.77（0.82）的纯度和0.41（0.50）的SNPCC品质因数。包括SN主机星系红移和它的不确定性作为额外的输入到NN的结果在一个温和的5-10%的增加，这些值。我们发现分类质量并不随SN红移而显著变化。此外，我们的概率分类方法允许计算预期的完整性，纯度或其他措施的分类质量作为一个函数的p_th，而不知道测试样本中的SNe的真实类。因此，该方法可以通过优化p_th来进一步改进，并且可以容易地扩展以将非Ia SNe分成它们的不同类别。
2012-11-15 astro-ph.CO astro-ph.IM
Pan-chromatic photometric classification of supernovae from multiple surveys and transfer learning for future surveys
时域天文学正在进入一个新的时代，因为更高节奏的宽场调查允许比以往任何时候都更多的发现。该领域越来越多地使用机器学习和深度学习来将瞬变自动分类为已建立的分类法。训练这样的分类器需要足够大和有代表性的训练集，这对于未来的新调查，如Vera Rubin天文台，特别是在运行初期，是不能保证的。我们提出了使用高斯过程来创建来自多个调查的超新星光变曲线的统一表示，这些调查是通过开放式超新星目录获得的，用于使用卷积神经网络进行监督分类。我们还研究了使用迁移学习对光度LSST天文时间序列分类挑战（PLASTiCC）数据集的光变曲线进行分类。使用卷积神经网络对来自多个调查的超新星光变曲线的高斯过程生成的表示进行分类，我们获得了0.859的AUC得分，用于分类为Ia型，Ibc型和II型。我们发现，迁移学习在对PLAstiCC光变曲线进行分类时，将代表性最低的类别的分类准确性提高了18%，并且在将光度红移分类为六个类别（Ia，Iax，Ia-91 bg，Ibc，II，SLSN-I）时，能够实现0.945的AUC得分。我们还研究了迁移学习在有限的标记训练集时的有用性，以了解这种方法如何在操作开始时用于未来调查中的分类器训练。
2022-08-02 astro-ph.IM astro-ph.SR
Photometric Search for Exomoons by using Convolutional Neural Networks
Municipal Gymnasium Thomaeum（托马埃姆市立文理中学）
到目前为止，在我们的太阳系之外还没有确认的卫星（系外卫星）。系外卫星为我们提供了新的可能适合居住的地方，这些地方也可能在经典的宜居带之外。但到目前为止，由于采用了经典的统计方法，寻找外卫星需要大量的计算能力。研究表明，exomoon签名可以分别通过使用深度学习和卷积神经网络（CNN）来找到，这些网络分别使用合成光变曲线与没有过境的真实光变曲线相结合进行训练。研究发现，由合成光变曲线和观测光变曲线相结合训练的CNN可以用于在开普勒数据集或类似数据集中找到大于或等于大约2-3个地球半径的卫星。在未来的任务中使用神经网络，如行星凌日和恒星振荡（PLATO），可能会使探测系外卫星成为可能。
2021-11-03 astro-ph.EP astro-ph.IM cs.LG
Performant feature extraction for photometric time series
天文学正在进入对可变天空进行大型调查的时代，例如Zwicky Transient Facility（ZTF）和即将到来的空间和时间遗产调查（LSST），旨在每晚产生多达100万个警报。这样的光度数据量需要有效的光变曲线预处理算法，用于随后的数据质量切割、分类和表征分析。在这项工作中，我们提出了新的库“光曲线”的Python和Rust，这是为了从可变的天文来源的光曲线的特征提取。该库适用于机器学习分类问题：它提供了特征提取器的快速实现，其性能优于其他公共代码，并且由数十个描述形状，幅度分布和光变曲线周期性特性的特征组成。它不仅包括已被证明在分类任务中提供高性能的功能，而且还包括我们开发的用于提高选定类型对象的分类质量的新功能。“light-curve”库目前被ANTARES、AMPEL和Fink经纪人系统用来分析ZTF警报流，并被选择用于LSST。
2023-02-21 astro-ph.IM
Non-Sequential Neural Network for Simultaneous, Consistent Classification and Photometric Redshifts of OTELO Galaxies
上下文计算技术对于挖掘现代调查中产生的大型数据库中的增值产品至关重要。目标。本文提出了一个机器学习过程，同时进行星系形态分类和光度红移估计。目前，只有光谱能量分布（SED）拟合已被用来获得这些结果一次。方法.我们使用OTELO目录中收集的辅助数据，并设计了一个非顺序神经网络，接受光学和近红外测光作为输入。该网络将形态分类任务的结果传输到红移拟合过程，以确保两个过程之间的一致性。结果结果成功地恢复了形态分类和测试样本的红移，减少了灾难性的红移离群值SED拟合产生的，并避免了独立的分类和红移估计之间可能存在的差异。我们的技术可以适用于包括星系图像，以提高分类。
2021-08-21 astro-ph.GA astro-ph.IM
On the cosmological performance of photometrically classified supernovae with machine learning
对不同类型超新星的有效分类是观测宇宙学中最重要的问题之一。然而，在即将到来的测光调查中，如鲁宾天文台的时空遗产调查（LSST），大多数物体的光谱确认将是不可行的。因此，基于光度学的自动分类过程的发展变得至关重要。在本文中，我们使用2010年发布的超新星光度分类挑战赛中的模拟光变曲线，研究了机器学习（ML）分类对最终宇宙学约束的性能。我们研究了基于决策树集成或自动搜索过程的光曲线和许多不同ML管道的不同特征集的使用。为了构造最终的星表，我们提出了一个阈值选择方法，通过采用一个\emph{Bias-Variance tradeoff}。这是一个非常强大和有效的方法来最大限度地减少均方误差。用这种方法，我们能够得到非常强的宇宙学约束，这使我们能够保持$\sim 75\%$的总信息在类型Ia SNe时，使用SALT 2功能集和$\sim 33\%$的其他情况下（基于纽林模型或标准小波分解）。
2020-08-13 astro-ph.CO 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
A Second Method to Photometrically Align Multi-Site Microlensing Light Curves: Source Color in Planetary Event MOA-2007-BLG-192
目前，来自不同望远镜和滤光器的微透镜光变曲线通过将它们拟合到一个共同的模型来进行光度校准。我们提出了第二种方法的基础上测光的共场星。如果两个光谱响应相似（或源的颜色是已知的），则该技术可以解决在预测事件的未来过程时经常出现的重要模糊性，并且即使在事件结束时偶尔仍然存在。或者，如果光谱响应不同，则可以在未知时使用它来推导光源的颜色。我们提出了这种技术的基本要素，并将其应用到MOA-2007-BLG-192的情况下，一个重要的行星事件，该系统可能是一个类地行星轨道的褐矮星或非常低质量的恒星。我们在这里得到的源色的精确估计值V-I=2.36 +- 0.03将有助于使透镜质量的估计更精确。
2009-10-12 astro-ph.EP astro-ph.IM
Supernova Photometric Classification Challenge
我们已经公开发布了模拟SNe的盲法混合物，选择的类型（Ia，Ib，Ic，II）与其预期率成比例。该模拟是在暗能量调查（DES）的Griz滤波器中实现的，具有基于DES站点多年记录条件的现实观测条件（天空噪声、点扩散函数和大气透明度）。对非Ia型超新星的模拟是基于光谱学证实的光变曲线，其中包括卡内基超新星计划（CSP）、超新星遗产巡天（SNLS）和斯隆数字巡天II（SDSS-II）捐赠的未发表的非Ia样本。我们要求科学家运行他们的分类算法，并报告每个SN的类型。提供光谱学确认的子集用于训练。这个挑战的目标是（1）学习不同分类算法的相对优势和劣势，（2）使用结果来改进分类算法，以及（3）了解需要哪些光谱确认的子集来正确训练这些算法。该挑战可在www.hep.anl.gov/SNchallenge上查阅，分类截止日期为2010年5月1日。
2010-04-27 astro-ph.IM
HEIDI: An Automated Process for the Identification and Extraction of Photometric Light Curves from Astronomical Images
从天文图像中产生光度光变曲线是一项非常耗时的任务。较大的数据集可以提高光变曲线的分辨率，但是时间要求与数据量成比例。数据分析通常由于诸如缺乏合适的校准源和需要校正从一个图像到另一个图像的观察条件的变化等因素而变得更加困难。这些变化通常是不可预测的，校正是基于经验和直觉。高效图像检测和识别（HEIDI）管道软件快速处理天文图像集。HEIDI使用一种算法自动选择多个源来校准图像，该算法提供了一种可靠的方法来校正时间序列中图像之间的变化。该算法考虑到一些源可能在短时间尺度上固有地变化，并且将这些源排除在用作校准源之外。HEIDI处理了一整晚观测的一组图像，分析了目标物体的亮度变化，并在几分钟内生成了光变曲线。HEIDI已经在小行星939 Isberga的三个不同时间序列上进行了测试，并在通常处理时间的一小部分内产生了一致的高质量光度光变曲线。该软件也可用于其他瞬态源，如伽马射线暴光学余辉。HEIDI是用Python实现的，它以最少的用户交互处理时间序列天文图像。HEIDI在标准配置下每次运行最多可处理1000张图像。这个限制可以很容易地增加。HEIDI不依赖于望远镜，即使在没有提供望远镜规格的情况下也会处理图像。HEIDI已经在各种Linux上进行了测试。HEIDI是非常便携和非常多功能的最低硬件要求。
2014-01-14 astro-ph.IM
Leveraging pre-trained vision Transformers for multi-band photometric light curve classification
本研究提出将多波段测光光变曲线转换为图像，利用在ImageNet-21K上预训练的SwinV2模型进行分类，无需特征提取或预处理，在MACHO和ELAsTiCC数据集上均优于Astromer和ATAT等专用模型。
2025-11-04 astro-ph.IM
Picture Perfect: Photometric Transient Classification Using the ParSNIP Model with Roman Hourglass Simulations
本研究针对罗马空间望远镜HLTDS巡天的光度暂现源分类需求，利用更新的PLAsTiCC框架生成的Roman Hourglass数据集训练评估ParSNIP模型，发现其高红移分类稳健（AUC 0.9-0.95）、低红移因数据有限准确性下降，为下一代巡天提供支撑。
2024-12-03 astro-ph.CO astro-ph.IM
The ALHAMBRA photometric system
本文介绍了ALHAMBRA测光系统的光学范围的特性，20连续，等宽，中波段CCD系统的波长覆盖范围从3500到9700。通过将完整的响应曲线表示为滤波器、CCD和大气透射曲线的乘积，并使用该响应函数的一些一阶和二阶矩来完成系统的光度描述。我们还介绍了一套标准的恒星定义的系统，形成了31个经典的分光光度标准星已被用于校准的其他已知的光度系统，和288颗恒星，流量校准均匀，从下一代光谱库（NGSL）。在NGSL的基础上，确定了Sloan数字巡天（SDSS）Ugriz测光系统与ALHAMBRA测光系统之间的转换方程，以建立两者之间的关系。最后，我们开发和讨论了一种策略，以计算不同的点在ALHAMBRA项目的光度零点。
2010-01-19 astro-ph.CO astro-ph.IM
Optimising a magnitude-limited spectroscopic training sample for photometric classification of supernovae
在准备从传统的空间和时间调查（LSST）的瞬态光度分类，我们运行不同的训练数据集的测试。使用4米多目标光谱望远镜（4 MOST）时域河外巡天（TIDES）可以分类瞬变的深度估计，我们模拟了一个达到$r_{\textrm{AB}} \approx$ 22.5马格的星等限制样本。我们使用软件snmachine运行我们的模拟，这是一个使用机器学习的光度分类管道。与代表性的训练样本相比，当训练样本的大小有限时，机器学习算法很难对超新星进行分类。当我们将星等有限的训练样本与从更大的光谱设施观测到的微弱的高红移超新星的模拟现实样本相结合时，分类性能明显提高;算法的10次运行的ROC曲线下平均面积（AUC）评分范围从0.547-0.628增加到0.946- 0.948。0.969，4种算法中有2种算法在所有运行中分类样品的纯度达到95%。通过使用增强软件avocado创建新的人工光曲线，我们在所有机器学习算法的所有10次运行中实现了95%的分类样本纯度。我们还达到了最高的平均AUC得分为0.986与人工神经网络算法。拥有“真正的”微弱超新星来补充我们的星等有限的样本是优化4 MOST光谱样本的关键要求。然而，我们的结果是一个概念证明，增强也是必要的，以实现最佳的分类结果。
2021-09-24 astro-ph.IM
Results of the Photometric LSST Astronomical Time-series Classification Challenge (PLAsTiCC)
下一代的调查，如遗产调查的空间和时间（LSST）的维拉C。鲁宾天文台将产生数量级更多的发现瞬变和变星比以前的调查。为了应对这一数据洪流，我们开发了光度LSST天文时间序列分类挑战赛（PLASTiCC），这是一项旨在促进LSST类条件下鲁棒分类器发展的竞赛，该条件是一个非代表性的训练集，用于大型光度测试集的不平衡类。超过1，000支团队参加了PLASTiCC，该比赛于2018年9月28日至2018年12月17日在Kaggle数据科学竞赛平台上举办，最终于2019年2月确定了三名获奖者。参与者使用各种机器学习技术制作分类器，包括一系列方法的混合组合和集成平均值，其中包括增强决策树，神经网络和多层感知器。前三名分类器在Ia型超新星和kilonovae上的强大性能代表了天文学领域当前最先进技术的重大改进。本文总结了最有前途的方法，并详细评估其结果，突出未来的方向分类器的开发和下一代PLASTiCC数据集的模拟需求。
2020-12-22 astro-ph.CO astro-ph.HE astro-ph.IM
AstroImageJ: Image Processing and Photometric Extraction for Ultra-Precise Astronomical Light Curves
ImageJ是图形用户界面（GUI）驱动的、公共领域的、基于Java的软件包，用于传统上主要用于生命科学领域的通用图像处理。ImageJ的图像处理能力是有用的，并可扩展到其他科学领域。在这里，我们提出了AstroImageJ（AIJ），它提供了一个天文学特定的图像显示环境和工具，天文学特定的图像校准和数据减少。虽然AIJ保持ImageJ的通用图像处理能力，但AIJ对于时间序列差分光度测定、光变曲线去趋势和拟合以及光变曲线绘制是流线型的，特别是对于需要超精确光变曲线的应用（例如，系外行星凌日）。AIJ可读取和写入标准FITS文件以及其他常见图像格式，提供FITS标头查看和编辑功能，并支持世界坐标系（WCS），包括一个自动化界面，可连接到astrometry.net门户网站，用于解算印版图像。AIJ提供研究级图像校准和分析工具，采用GUI驱动方法，易于安装，具有跨平台兼容性。它使新用户，即使在本科生，高中生或业余天文学家的水平，快速开始处理，建模和绘制天文图像数据与一个紧密集成的软件包。
2017-01-17 astro-ph.EP astro-ph.IM astro-ph.SR
AstroImageJ: Image Processing and Photometric Extraction for Ultra-Precise Astronomical Light Curves (Expanded Edition)
ImageJ是图形用户界面（GUI）驱动的、公共领域的、基于Java的软件包，用于传统上主要用于生命科学领域的通用图像处理。ImageJ的图像处理能力是有用的，并可扩展到其他科学领域。在这里，我们提出了AstroImageJ（AIJ），它提供了一个天文学特定的图像显示环境和工具，天文学特定的图像校准和数据减少。虽然AIJ保持ImageJ的通用图像处理能力，但AIJ对于时间序列差分光度测定、光变曲线去趋势和拟合以及光变曲线绘制是流线型的，特别是对于需要超精确光变曲线的应用（例如，系外行星凌日）。AIJ可读取和写入标准FITS文件以及其他常见图像格式，提供FITS标头查看和编辑功能，并支持世界坐标系（WCS），包括一个自动化界面，可连接到astrometry.net门户网站，用于解算印版图像。AIJ提供研究级图像校准和分析工具，采用GUI驱动方法，易于安装，具有跨平台兼容性。它使新用户，即使在本科生，高中生或业余天文学家的水平，快速开始处理，建模和绘制天文图像数据与一个紧密集成的软件包。
2017-01-17 astro-ph.EP astro-ph.IM
Photometric classification of HSC transients using machine learning
技术的进步导致超新星（SN）发现的迅速增加。斯巴鲁/Hyper Suprime-Cam（HSC）瞬态调查从2016年秋季到2017年春季进行，产生了1824个SN候选者。这就需要对光谱后续进行快速类型分类，并促使我们使用具有高速公路层的深度神经网络（DNN）开发机器学习算法。该机器由实际观察到的节奏和滤波器组合进行训练，这样我们就可以直接将观察到的数据数组输入到机器中，而无需任何解释。我们用LSST分类挑战（深钻领域）的数据集测试了我们的模型。我们的分类器对于二分类（SN Ia或非SN Ia）的曲线下面积（AUC）为0.996，对于三分类（SN Ia、SN Ibc或SN II）的准确率为95.3%。应用我们的二进制分类HSC瞬态数据产生的AUC得分为0.925。自第一次检测以来的两周HSC数据，该分类器实现了78.1%的二进制分类准确率，并且在完整数据集的情况下准确率提高到84.2%。本文讨论了机器学习用于SN类型分类目的的潜在用途。
2020-08-15 astro-ph.HE astro-ph.IM
The bright side of the light curve: a general photometric model of non-transiting exorings
系外行星环（exorings）是系外行星研究中最令人期待的发现之一。有越来越多的理论和观测努力来探测驱鬼，但没有一个成功的。这些方法中的大多数都集中在凌日期间的光度特征上，而较少关注漫反射的光：我们在这里表示为光变曲线的亮侧。当我们无法探测到由凌日系外行星产生的典型恒星通量下降时，这一点尤为重要。在这里，我们努力开发一个通用的方法来模拟两个环形的非过境和过境系外行星的光变曲线的变化。我们的模型（称为Pryngles）模拟了行星系中发光、不透明和半透明物体的复杂相互作用，用类似亮片或亮片的小圆形平面圆盘离散它们的表面。我们用这个模型进行了几个数值实验，并展示了它在描述复杂系统在各种轨道、行星和观测配置的行星、卫星、环或圆盘下的光变曲线方面令人难以置信的潜力。由于我们的模型使用非常通用的方法，我们可以捕获阴影或行星/环闪耀等效果，并且由于模型也是模块化的，我们可以轻松集成行星光散射的任意复杂物理。与现有的工具和反射光的分析模型的比较表明，我们的模型，尽管其新颖的功能，可靠地再现光曲线在常见的情况下。Pryngles的源代码是用PYTHON编写的，并公开提供。
2022-08-06 astro-ph.EP 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
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
DeepDISC-Euclid: Source Classification and Photometric Redshifts in Euclid Deep Field North With a Pixel-Level Deep Learning Approach
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；National Center for Supercomputing Applications, University of Illinois at Urbana-Champaign（美国国家超级计算应用中心，伊利诺伊大学厄巴纳-香槟分校）；Center for Artificial Intelligence Innovation, University of Illinois at Urbana-Champaign（人工智能创新中心，伊利诺伊大学厄巴纳-香槟分校）；Max-Planck-Institut für extraterrestrische Physik（马克斯·普朗克地外物理学研究所）；Instituto de Astrofísica de Canarias (IAC)（加那利天体物理研究所；拉帕尔马大学天体物理学系）；Departamento de Astrofísica, Universidad de La Laguna (ULL)（布里斯托大学物理学院）；School of Physics, HH Wills Physics Laboratory, University of Bristol
本文基于欧几里得Q1数据，利用DeepDISC框架对EDF-N中的源进行分类和光度红移估计，通过训练三个专用模型实现高精度的源检测、恒星和类星体的光谱红移估计，展示了像素级深度学习在大规模天空调查中的潜力。
2026-04-13 astro-ph.GA astro-ph.IM
Semi-supervised Learning for Photometric Supernova Classification
我们提出了一个半监督的光度超新星分型方法。我们的方法是首先使用非线性降维技术扩散图来检测超新星光变曲线数据库中的结构，然后在光谱确认的训练集上采用随机森林分类来学习可以预测每个新观察到的超新星类型的模型。我们证明了这是一种有效的超新星分型方法。随着超新星数量的增加，我们的半监督方法有效地利用这些信息来改善分类，这是基于模板的方法所不具备的属性。应用于Kessler等人（2010 b）模拟的超新星数据，以模拟暗能量调查，我们的方法在光谱样品上实现了（交叉验证）95%的Ia型纯度和87%的Ia型效率，但由于光谱跟踪策略，光度样品上的Ia型纯度和效率仅为50%。为了提高光度样本的性能，我们通过研究我们的机器学习超新星分类对用于获得训练集的特定策略的敏感性来寻找更好的光谱后续程序。在固定的光谱跟踪时间下，我们发现更深的限幅光谱测量更适合于生成训练集。对于超新星Ia（II-P）分型，我们获得了44%（1%）的纯度增加到72%（87%）和30%（162%）的效率增加到65%（84%）的样本使用第25（24.5）的星等限制调查，而不是在原来的模拟中使用的较浅的光谱样本。当红移信息是可用的，我们将其纳入我们的分析使用一种新的方法，改变超新星的扩散图表示。消除宿主红移导致Ia型纯度提高5%，Ia型效率提高13%。
2011-09-27 astro-ph.IM stat.AP
Precise photometric transit follow-up observations of five close-in exoplanets : update on their physical properties
本文报道了对五颗凌日热木星WASP-33 b、WASP-50 b、WASP-12 b、HATS-18 b和HAT-P-36 b的高精度光度跟踪观测结果。这些观测是由印度天文台的2米喜马拉雅山钱德拉望远镜和1.3米的J. C。巴塔查里亚望远镜在Vainu Bappu天文台，Kavalur。这次演习是两台望远镜及其后端仪器能力测试的一部分。利用两台望远镜的大口径，在几个夜晚拍摄的图像被用来通过执行差分测光产生具有高光度S/N（$>200$）的凌日光变曲线。为了减少由于恒星活动、天空透明度变化等各种原因造成的凌日光变曲线的波动，在凌日光变曲线建模时，采用小波去噪和高斯过程相关噪声建模技术对凌日光变曲线进行预处理。为了证明小波去噪过程的效率，我们还包括了没有去噪过程的结果。一种用于模拟凌日光变曲线的最先进算法提供了比先前报道的更精确的行星物理参数。
2019-05-27 astro-ph.EP astro-ph.IM astro-ph.SR
Hubble constant and nuclear equation of state from kilonova spectro-photometric light curves
两个致密天体的合并（其中至少有一个是中子星）是由千诺瓦（KN）中的瞬变电磁辐射发出的信号。这一事件伴随着引力波和可能的其他辐射信使，如中微子或宇宙射线。电磁辐射来自于在合并期间和合并之后喷射出的物质中合成的重$r-$过程元素的放射性衰变。在本文中，我们表明，KNe光变曲线的分析可以提供宇宙学距离测量和约束的喷出物的属性。在这方面，MAAT是$10.4$ m Gran Telescopio Canarias（GTC）上OSIRIS摄谱仪中的新积分场单元，非常适合通过在整个3600-10000埃光谱范围内进行绝对分光光度学来研究KNe。在这里，我们研究了关于来自双中子星的KNe的科学兴趣的最具代表性的案例，并且我们评估了MAAT在GTC上的观测前景和性能，以实现以下目标：a）研究状态方程对KN光变曲线的影响，并确定在多大程度上可以识别中子星（NS）半径或从KN峰值幅度导出的紧凑度的界限，以及b）测量哈勃常数，$H_0$，当同时使用引力波数据和光度-光变曲线时，精度提高到40 $\%$。在本文中，我们讨论了状态方程，视角，和距离如何影响的精度和估计值的$H_0$。
2022-12-14 astro-ph.CO astro-ph.HE astro-ph.IM
ORACLE: A Real-Time, Hierarchical, Deep-Learning Photometric Classifier for the LSST
Northwestern University（西北大学）；NSF-Simons AI Institute for the Sky (SkAI)（NSF-Simons天空人工智能研究所（SkAI））；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The NSF AI Institute for Artificial Intelligence and Fundamental Interactions（NSF人工智能与基础相互作用研究所）；Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）；National Center for Supercomputing Applications（国家超级计算应用中心）
ORACLE是一种基于深度学习的实时光度分类器，通过分层结构和上下文信息实现高精度瞬变天体分类。
2025-12-03 astro-ph.HE astro-ph.IM cs.AI
SIDRA: a blind algorithm for signal detection in photometric surveys
提出了一种基于随机森林算法的信号检测方法。SIBRATION是一种基于机器学习技术（随机森林）的检测和分类算法。本文的目标是展示SITURAL在快速准确的信号检测和分类方面的强大功能。我们首先用模拟的光变曲线诊断该方法的能力，并在开普勒太空任务目录的一个子集上进行尝试。我们使用五个类的模拟光变曲线（常数，过境，变量，MLENS和EB恒定光变曲线，过境系外行星，变量，微透镜事件和食双星，分别）分析的力量的方法。该算法使用四个特征来对光变曲线进行分类。训练样本包含5000个光变曲线（每个类1000个）和50000个随机光变曲线用于测试。总的SITEMAP成功率为$\geq 90\%$。此外，CONSTANT、VARIABLE、EB和MLENS类别的成功率达到95 - 100 $\%$，TRANSIT类别的成功率达到92 $\%$，决策概率为60 $\%$。因为TRANSIT类是失败最多的一类，所以我们使用SISTORM和基于Box Least Square（BLS）的算法同时运行拟合，以搜索过境系外行星。因此，我们的算法比经典的BLS算法多检测到7.5 $\%$行星，并且对于较低的信噪比光变曲线具有更好的结果。SIBRATION成功捕获了开普勒样本中的98颗行星候选者$\%$，并失败了7颗错误警报子集的$\%$。SITERS有望为大型光度测量（如TESS和PLATO系外行星未来空间任务…
2015-11-11 astro-ph.EP astro-ph.IM
Reliable Detections of Atmospheres on Rocky Exoplanets with Photometric JWST Phase Curves
针对岩石系外行星大气探测，比较掩星与相位曲线策略，发现掩星观测简并性强，提出F1500W相位曲线是唯一明确探测大气的可靠方法。
2024-12-18 astro-ph.EP astro-ph.IM
The BSN Application-I: Photometric Light Curve Solutions of Contact Binary Systems
本文介绍 BSN 应用，用于相接双星光变曲线分析，其 MCMC 拟合中合成光变曲线生成速度比 PHOEBE 快 40 倍以上，并基于 TESS 数据完成四个相接双星系统的首次光变曲线解算与分类。
2025-08-15 astro-ph.IM astro-ph.SR
Development of a High Fidelity Simulator for Generalised Photometric Based Space Object Classification using Machine Learning
The University of Sydney（悉尼大学）；EOS Space Systems Pty Ltd（EOS空间系统私人有限公司）；Space Environment Research Centre（空间环境研究中心）
本文介绍了深度学习分类器开发的初始阶段，该分类器将高保真模拟光变曲线与迁移学习相结合，以提高在真实数据上训练的对象表征模型的性能。为了提高轨道预测的准确性，对RSO进行分类和定性是空间态势感知的一个重要目标。本文的具体重点是开发一个高保真仿真环境，用于生成逼真的光变曲线。该模拟器采用RSO的纹理几何模型以及对象星历表，并使用Blender生成RSO的照片级逼真图像，然后对其进行处理以提取光变曲线。模拟的光变曲线与从望远镜图像中提取的真实光变曲线进行了比较，为模拟环境提供了验证。未来的工作将涉及进一步的验证和使用模拟器来生成逼真的光变曲线数据集，以用于训练神经网络。
2020-04-26 astro-ph.IM cs.CV physics.space-ph
The Swan: Data-Driven Inference of Stellar Surface Gravities for Cool Stars from Photometric Light Curves
众所周知，恒星的光变曲线可以编码恒星的物理性质。需要精确，自动化和计算成本低的方法来从光变曲线中获得物理参数，以应对来自开普勒和TESS等天基任务的大量数据。在这里，我们提出了一个新的方法，我们称之为天鹅，一个快速，推广和有效的方法推导恒星表面重力（$\log g$）的主序星，亚巨星和红巨星开普勒光变曲线使用本地线性回归开普勒长节奏功率谱的全频率内容。通过这种廉价的数据驱动方法，我们将$\log g$恢复到13，822颗恒星的$\sim$ 0.02 dex的精度，地震$\log g$值在0.2-4.4 dex之间，4，646颗恒星的$\sim$ 0.11 dex，盖亚导出的$\log g$值在2.3-4.6 dex之间。我们进一步开发了一个信号噪声度量，发现颗粒是很难检测到许多冷的主序星（$T_{\text{eff}}$ $\lesssim$ 5500 K），特别是K矮星。通过结合我们的$\log g$测量与盖亚半径，我们得出了4,646个亚巨星和主序星的经验质量，平均精度为$\sim$ 7%。最后，我们证明，我们的方法可以用来恢复$\log g$到一个类似的平均绝对偏差精度的TESS基线的27天。我们的方法可以很容易地应用于光度时间序列观测，以推断恒星表面重力高精度跨越进化状态。
2021-02-15 astro-ph.EP astro-ph.IM astro-ph.SR
Precursor Photometric Study of Astras Satellite Cluster 19.2$^\circ$ E for Geostationary Debris Profiling
对19.2 $^\circ$ E地球静止Astras卫星星座的图像（来自SuperWASP仪器）进行了5个夜晚的孔径测光，以形成光变曲线并预测卫星的模型和运动参数。观察到1KR卫星有两个峰值，相位相差90 $^\circ$，表示旋转的机翼，而卫星1M预计由于其光变曲线的下降而具有阴影，或者由于单个主峰而具有单翼设计。所有卫星在最小太阳相位角28 $^\circ$处具有峰值幅度，如预期的。所制定的方法和结果为制定方法以实现地球静止碎片剖面分析的最终目标奠定了基础。
2019-10-25 astro-ph.EP astro-ph.IM
The Photometric LSST Astronomical Time-series Classification Challenge (PLAsTiCC): Data set
光度LSST天文时间序列分类挑战（PLAstiCC）是一项开放式数据挑战，旨在对模拟天文时间序列数据进行分类，为大型综合巡天望远镜（LSST）的观测做准备，该望远镜将于2019年首次亮相，并于2022年开始其为期10年的主要巡天。LSST将彻底改变我们对变化的天空的理解，发现和测量数百万个随时间变化的物体。在这个挑战中，我们提出了一个问题：我们如何从模拟的LSST时间序列数据中对天空中亮度不同的物体进行分类，以及其所有的非代表性挑战？在本说明中，我们解释了数据挑战的必要性，以帮助对这些天文源进行分类，并描述了PLASTiCC数据集和Kaggle数据挑战，并指出，虽然参考文献是为上下文提供的，但它们不需要参与挑战。
2018-09-28 astro-ph.IM astro-ph.SR
Photometric brown-dwarf classification
我们已经开发了一种方法“照片类型”，以确定和准确分类L和T矮星，到标准系统，从测光单独。我们结合SDSS，UKIDSS和WISE数据，并通过比较类星体，恒星和褐矮星的izYJHKW1W2颜色与模板颜色来分类点源。在$6.5\times10^6$亮点源的样本中，J $<$ 17.5，从3150度$^2$，我们确定和类型898 L和T矮星，使这成为迄今为止最大的均匀选择的棕矮星样本。样本包括713（125）个新的（先前已知的）L型矮星和21（39）个T型矮星。对于以前已知的源，在照片类型与光谱类型的图中的分散表明，我们的照片类型是精确到1.5（1.0）个子类型的均方根L（T）矮星。识别特殊对象和候选未解析二进制文件。
2013-10-24 astro-ph.IM astro-ph.SR
Revised Gaia Data Release 2 passbands
欧洲航天局的盖亚任务在其第二次数据发布（DR 2）中发布了一份在三个通带中对超过13亿个天文物体进行光度测量的目录。在这些通带中的测量精度，表示为G，G_BP和G_RP，达到了毫米级水平。科学地利用这些数据集需要对三个通带的响应曲线有精确的了解。这项工作的目的是通过推导出一组改进的三个通带的响应曲线，以提高开发的光度数据，允许合成盖亚光度的准确计算。这是通过制定通带确定的问题，在一个功能的分析形式主义，并与四个观测，一个经验和一个理论光谱库的光度测量。我们提出的响应曲线G，G_BP，和G_RP不同于以前公布的曲线，并提供了一个更好的协议之间的合成盖亚光度和盖亚观测。
2018-06-26 astro-ph.IM
Testing the Generalization and Domain Stability of Compact Feature Representations for Photometric Supernova Classification
Ministry of Education, Abu Dhabi, UAE（阿布扎比教育部）
研究16维紧凑特征表示在Ia型超新星分类中的领域泛化性，发现该特征在单巡天内表现良好（F1=0.844），但跨巡天转移时性能显著下降，主要源于特征空间领域偏移。
2026-06-23 astro-ph.HE 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
deepSIP: Linking Type Ia Supernova Spectra to Photometric Quantities with Deep Learning
我们提出了{ \tt deepSIP}（超新星Ia参数的深度学习），这是一个用于测量相位的软件包-首次使用深度学习-从光谱测量Ia型超新星（SN~Ia）的光变曲线形状。在其核心，{ \tt deepSIP}由三个卷积神经网络组成，这些神经网络在所有公开的低红移SN~Ia光谱的相当大一部分上进行训练，我们已经仔细地将光度学导出量耦合到这些光谱上。我们描述了我们的光谱和光度数据集的积累，为确保质量而采取的削减措施，以及我们用于拟合光变曲线的标准化技术。这些考虑产生了2754个光谱与光度特征的相位和光变曲线形状的汇编。虽然这样的样本在SN社区中很重要，但根据深度学习标准，它很小，因为网络通常有数百万甚至数十亿个自由参数。因此，我们引入了一种数据增强策略，该策略有意义地增加了我们分配用于训练的子集的大小，同时优先考虑模型鲁棒性和望远镜不可知性。我们通过将模型部署在训练和超参数选择过程中看不到的样本上来证明我们的模型的有效性，发现模型I识别具有$-10$和18\，d之间的相位和光曲线形状的光谱，由$Δm_{15}$参数化，在0.85和1.55\，mag之间，准确度为94.6\%。对于在相位- $Δm_{15}$空间中确实落在上述区域内的那些光谱，模型II预测相位的均方根误差（RMSE）为1.00 μ m，模型III预测$Δm_{15}$值的RMSE为0.068 μ m。
2020-06-11 astro-ph.HE astro-ph.IM astro-ph.SR
Photometric brown-dwarf classification. I. A method to identify and accurately classify large samples of brown dwarfs without spectroscopy
目标。本文提出了一种仅用光度学方法识别L型和T型矮星并将其准确分类到标准光谱分类系统中的方法。这使得能够有效地创建这些物体的大而深的均匀样品，而不需要光谱学。方法.通过结合SDSS、UKIDSS LAS和WISE数据，我们从3344 deg^2的区域中选择了8个波段（范围从0.75到4.6微米）的测光点源，创建了一个点源目录。13.0 < J < 17.5，Y-J> 0.8的来源，然后通过与类星体，恒星和褐矮星的模板颜色进行比较来分类。L和T模板，光谱类型L0至T8，通过识别先前已知的光谱分类源，并拟合颜色和光谱类型之间的多项式关系来创建。结果在测区和星等范围内已知的192颗测光可靠的L型和T型矮星中，用我们的选择和分类方法恢复了189颗。我们已经量化了分类方法的准确性，无论是外部，光谱，和内部，通过创建合成目录和会计的不确定性。我们发现，明亮的J = 17.5，照片类型的分类是准确的一个光谱子类型，因此与光谱分类竞争。由此产生的1157颗L型和T型矮星的目录将在一份配套文件中提出。
2014-11-27 astro-ph.IM astro-ph.SR
A reanalysis of the Gaia Data Release 2 photometric sensitivity curves using HST/STIS spectrophotometry
第二次盖亚数据发布（DR 2）于2018年4月发布。DR 2包括G、BP和RP中超过1.3 × 10^9个源的测光。尽管Gaia DR 2测光非常精确，但目前有三种灵敏度曲线的替代定义，它们显示出显着的差异。目标：本文的目的是提高输入校准数据的质量，以产生三个波段的新的兼容定义，并确定以前的定义之间的差异的原因。方法：采用正交设计法我们已经搜索了HST存档的STIS光谱与G430 L + G750 L的数据获得了宽口径，并将它们与CALSPEC库，以产生一个高质量的SED库的122颗恒星具有广泛的颜色，包括三个非常红的明星。我们已经用它来计算新的灵敏度曲线G，BP和RP使用功能分析形式主义。结果：新曲线明显优于前两次尝试，REV和WEI。对于G，我们确认存在一个系统的偏差的幅度和纠正的颜色项存在于修订版。对于BP，我们确认需要定义两个幅度范围不同的灵敏度曲线和测量它们之间的切割在G = 10.87与精度显着增加。新曲线也比REV或WEI更好地拟合数据。对于RP，我们得到一个灵敏度曲线，更好地拟合STIS光谱，我们发现，与以前的尝试的差异驻留在地面和HST光谱库之间的系统性影响。来自颜色-颜色图的其他证据表明，新的灵敏度曲线更准确。尽管如此，由于目前缺乏高质量的红色校准品，灵敏度曲线的准确性仍有改进的余地：在盖亚数据发布3之前，向样品中添加更多应该是优先事项。
2018-09-05 astro-ph.IM astro-ph.SR
Analysis of photometric uncertainties in the OGLE-IV Galactic Bulge microlensing survey data
我们提出了一个统计评估，观察到的和报告，光度的不确定性OGLE-IV星系核球微透镜调查数据。该数据集被广泛用于探测变星、瞬变天体、发现微透镜事件和描述系外行星系统。OGLE项目发现的大量天琴座RR型恒星和造父变星在银河系凸出处提供了基于该数据集的光变曲线。我们描述的分析方法，并提供的程序，它可以用来更新初步的光度不确定性，提供的光变曲线，以反映实际观察到的散射在一个给定的幅度和给定的CCD探测器的OGLE-IV camera.This的数据建模，特别是正确估计的拟合优度是至关重要的。
2016-04-07 astro-ph.IM astro-ph.SR
