Considerations for optimizing photometric classification of supernovae from the Rubin Observatory
维拉C。鲁宾天文台将使观测到的超新星（SNe）数量增加一个数量级;然而，不可能通过光谱确认所有发现的SNe的类别。因此，光度分类是至关重要的，但其准确性取决于鲁宾天文台的时空遗产调查（LSST）尚未最终确定的观测策略。我们定量分析了LSST观测策略对SNe分类的影响，使用来自光度LSST天文时间序列分类挑战赛（PLASTiCC）的模拟多波段光变曲线。首先，我们增加模拟训练集的光度红移分布每超新星类，观测的节奏，和测试集的通量不确定性分布的代表。然后，我们建立了一个分类器，使用光度瞬态分类库snmachine，基于高斯过程拟合获得的小波特征，产生类似的性能获奖PLASTiCC条目。我们研究了在一个单一的模拟观察策略的分类性能与不同的属性SNe。我们发现季节长度很重要，150天的光变曲线产生最高的性能。节奏对SNe分类也有重要影响;中位夜间间隔<3.5天的事件产生更高的分类性能。有趣的是，我们发现，光变曲线观测中的大间隙（>10天）不会影响性能，如果在任何一侧都有足够的观测数据，这是由于高斯过程插值的有效性。该分析是首次探索观测策略对光度超新星分类的影响。
2021-10-29 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
Photometric classification of type Ia supernovae in the SuperNova Legacy Survey with supervised learning
在大规模天文巡天时代，由于可用于候选星跟踪和分类的光谱资源有限，超新星光度分类已成为一个重要的研究领域。在这项工作中，我们提出了一种方法来光度分类Ia型超新星的基础上机器学习的红移是来自SN光变曲线。这种方法是在SNLS延迟管道的真实数据上实现的，SNLS延迟管道是一个纯粹的光度管道，它在高红移（$0.2<z<1.1$）处识别SNe Ia。我们的方法包括两个阶段：特征提取（从测光获得SN红移和估计光曲线形状参数）和机器学习分类。我们研究了不同算法的性能，如随机森林和提升决策树。我们使用SN模拟和超新星遗产调查（SNLS），其中包含大型光谱和光度分类Ia型样本的前3年的真实数据来评估性能。使用曲线下面积（AUC）度量，其中完美分类由1给出，我们发现我们的最佳性能分类器（极端梯度提升决策树）的AUC为$0.98$。我们表明，它是可能的，以获得一个大的光度选择Ia型SN样品的估计污染小于$5\%$。当应用到SNLS的前三年的数据，我们得到529个事件。我们调查分类模拟SNe，和真正的SN调查数据之间的差异。特别是，我们发现，应用一套彻底的选择削减的SN样本是必不可少的良好的分类。这项工作首次证明了机器学习分类在高$z$ SN调查中的可行性，并将其应用于实际SN数据。
2016-11-24 astro-ph.CO astro-ph.IM
Prospects of the multi-channel photometric survey telescope in the cosmological application of Type Ia supernovae
该研究通过模拟评估多通道光度巡天望远镜在低红移Ia型超新星测距中的应用，确定最优观测策略，可获取数百个高质量样本并提升距离测量精度，为宇宙学校准提供重要支持。
2024-04-18 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
Improving Catalogue Matching By Supplementing Astrometry with Additional Photometric Information
测光星表之间的源匹配可能导致亮度不同的物体被错误地认为是同一源的探测。非物理匹配的拒绝可以通过包含关于源的幅度的信息来实现。这里描述的方法在接受或拒绝对应物的过程中使用来自两个目录的附加光度信息，通过其包含提供贝叶斯因子的大约10倍的改进。当加入光度信息时，我们避免使用先前的天体物理学知识。此外，该方法考虑到没有对应物的可能性以及源重叠多个潜在对应物的可能性。我们正式描述了两个源是同一天体测量对象的概率，允许天体测量扰动的系统效应（例如，污染物）。我们将该方法应用于两种情况。首先，我们测试IPHAS-Gaia匹配，以比较两个具有相似波长覆盖范围但不同动态范围的目录中的匹配结果。其次，我们应用该方法IPHAS和2 MASS之间的匹配，并表明该方法适用于考虑两个星表近似相等的天体测量精度时。我们讨论的重要性，包括在每种情况下的幅度信息。此外，我们还讨论了通过迭代匹配过程将该方法扩展到多个目录匹配。该方法允许通过为每个配对提供总体概率来选择高质量的匹配，从而提供选择已知为良好匹配的星的灵活性。
2018-08-31 astro-ph.GA astro-ph.IM astro-ph.SR
COSMIC-L: A Photometric Catalog of Observed Stars in the Large MagellanIc Cloud
本文利用DECam图像对大麦哲伦云进行SDSS $gri$波段光度分析，生成含约5800万颗恒星的光度星表COSMIC-L，完备星等约21，极限星等约22。
2025-06-20 astro-ph.GA astro-ph.IM astro-ph.SR
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
Digitization of Astronomical Photographic Plate of China: Photometric Calibration of Single-exposure Plates and Release of Photometric Catalogs
本研究提出一种光度校准方法，将中国约15,000张单次曝光底片校准至JKC系统，高精度校正了多项系统效应，最终各台站精度达0.11-0.23 mag，并发布了公开星表，为长期天文研究提供宝贵资源。
2025-07-14 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
WISE x SuperCOSMOS photometric redshift catalog: 20 million galaxies over 3pi steradians
我们交叉匹配两个目前最大的全天空测光目录，中红外WISE和SuperCOSMOS扫描UKST/POSS-II照相板，以获得一个新的星系样本，涵盖3 pi球面度。为了表征和纯化河外数据集，我们使用外部GAMA和SDSS光谱信息来定义类星体和恒星在宇宙空间中的轨迹，帮助从我们的扩展源目录中去除污染。经过适当的数据清洗，我们获得了一个深广角星系样本，大约95%的纯度和90%的完整性在高银河系纬度。该目录包含了近2000万个星系，覆盖了几乎70%的天空，位于回避区和其他混乱区域之外，平均表面密度超过每平方度650个源。使用多波长的信息，从两个光学和两个中红外光度带，我们得到的光度红移的目录中的所有星系，使用ANNz框架训练的最终GAMA-II光谱数据。我们的样品具有z_{med} = 0.2的中值红移，但具有高达z>0.4的宽dN/dz。测光红移的平均偏差为|delta_z| ~10^{-3}，标准化散射σ_z = 0.033，超过3 σ_z的异常值小于3%。与外部数据集的比较显示，photo-z质量随天空位置没有显着变化。连同整体统计，我们还提供了一个更详细的分析光度红移精度作为一个功能的幅度和颜色。最后的星表适合于前所未有的深度的“全天空”三维宇宙学，特别是通过与其他大面积调查的互相关。在即将进行的调查中，如TAIPAN或WALLABY，它还应有助于源的预选和识别。
2016-07-15 astro-ph.CO astro-ph.GA astro-ph.IM
Spectral and Photometric Monitoring of Distant Core-Collapse Supernovae in the SAO RAS
本文介绍了研究红移z <0.3的远距离核心坍缩超新星（SNe）的观测计划的目的、目标和初步结果。这项工作是在俄罗斯科学院特殊天体物理观测台6米BTA望远镜和其他望远镜监测超新星的国际合作方案框架内进行的。我们研究的早期阶段的事件（SN类型的确定，红移估计，并寻找风包络的表现），和星云阶段（爆炸不对称的影响）。与宇宙伽马射线暴有关的SNe特别令人感兴趣。我们的观测数据的解释与其他望远镜上获得的数据一起被用来测试SN爆炸和周围的星周介质的现有理论模型。2009年，我们观测了30个天体;获得了其中12个天体的光谱。我们确定了5个SNe（SN 2009db，SN 2009dy，SN 2009dw，SN 2009ew，SN 2009ji）的类型、极大值后的相位和红移。根据获得的测光数据，又发现了另外两颗超新星（SN 2009bx和SN 2009cb）。对星云阶段的两颗II型超新星（SN 2008gz和SN 2008in）的研究已经完成，目前还有四颗天体（SN 2008iy、SN 2009ay、SN 2009bw、SN 2009de）受到监测。
2010-08-04 astro-ph.CO astro-ph.IM
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 Catalogue of Quasars and Other Point Sources in the Sloan Digital Sky Survey
St. Thomas College（圣托马斯学院）；Inter-University Centre for Astronomy and Astrophysics（校际天文与天体物理中心）
我们提出了一个约600万个未解决的光度检测在斯隆数字巡天第七次数据发布分类成恒星，星系和类星体的目录。我们使用在SDSS { \it i}波段中从14到22级光谱确认对象的子集上训练的机器学习分类器。我们的星表包括2，430，625个类星体、3，544，036颗恒星和63，586个在SDSS { \it i}波段中从14等到24等的未分辨星系。我们的算法恢复99.96%的光谱确认的类星体和99.51%的恒星i $\sim$ 21.3的颜色窗口，我们研究。污染程度，由于数据文物的对象超过$i=21.3$是高度不确定的，所有提到的完整性和污染的文件是有效的，只有对象比这个亮度。然而，类星体的预测数量与理论数量的比较显示出合理的一致性。
2011-08-25 astro-ph.IM cs.AI
Kernel PCA for type Ia supernovae photometric classification
在这项工作中，我们提出使用核主成分分析（KPCA）结合k = 1最近邻算法（1NN）作为超新星（SNe）光度分类的框架。分类完全基于光谱确认样品内的信息，并且每次对每个新的光变曲线进行一个分类。这允许我们在新的光谱光变曲线可用的情况下更新主成分（PC）参数空间，同时还避免了为每个单独的新分类重新确定它的需要。我们将该方法应用于\textit{Supernova Photometric Classification Challenge}（SNPCC）数据集的不同实例。当信噪比$\geq$为5时，我们的方法在所有分析的数据样本中提供了良好的纯度结果。因此，我们可以声明，如果作为SNPCC后的样品今天可用，我们将能够对纯度$\gtrsim$ 90%（D $_{7}$ +SNR3）的初始数据集的$\approx 15%$进行分类。从原来的SNPCC样品的结果，报告为红移的函数，表明我们的方法提供了高纯度（高达$\approx 97%$），特别是在$0.2\leq z < 0.4$的范围内，当从SNPCC的结果相比，同时保持一个中等的品质因数（$\approx 0.25$）。我们还提出了SNe光度分类的结果，仅使用前最大时期，获得63%的纯度和77%的成功分类率（SNR $\geq$ 5）。结果对每个光变曲线中包含的信息敏感，因此，更高质量的数据点导致更高的成功分类率。只要提供训练样本和测试…
2012-12-20 astro-ph.CO astro-ph.IM
The State-of-the-Art HST Astro-Photometric Analysis of the core of $ω$ Centauri. I. The Catalog
我们已经为球状星团（GC）构建了迄今为止最全面的测光表和自行表。$ω$ Cen的核心已经通过WFC3的紫外和红外通道成像超过650次，用于探测器校准。通过26个过滤器中的每一个存在从4到60多个曝光，从紫外线的F225W到红外线的F160W连续延伸。此外，这些数据与2002年ACS调查之间的11年基线使我们能够将自行精度提高一倍以上，并将测量良好的恒星数量增加两倍。这一前所未有的完整光谱覆盖了星团核心内超过47万颗恒星，从红巨星分支的尖端到白矮星，为理解任何GC中的多星群现象提供了最好的天文观测光度数据库。在本系列的第一篇论文中，我们详细描述了数据处理过程，并向天文学界提供了天文光度表。
2017-05-04 astro-ph.GA astro-ph.IM astro-ph.SR
Deep ugrizY Imaging and DEEP2/3 Spectroscopy: A Photometric Redshift Testbed for LSST and Public Release of Data from the DEEP3 Galaxy Redshift Survey
我们目前的目录校准光度学和光谱红移的扩展Groth带，用于研究光度学红移（photo-z的）。这些数据包括CFHTLS的ugriz测光和斯巴鲁Suprime相机的Y波段测光，以及DEEP 2，DEEP 3和3D-HST调查的光谱红移。这些目录包含校正，以有效地产生匹配的光圈测光在所有波段，根据对象的大小信息，在目录和莫法特配置文件点扩散函数适合。我们测试这个目录与一个简单机械学习为基础的光度红移算法的基础上随机森林回归，并发现，校正孔径测光导致显着改善photo-z的准确性相比，原来的SExtractor目录CFHTLS和斯巴鲁。深ugrizY测光和光谱红移非常适合LSST测光红移算法的经验检验。由此产生的目录是公开的。我们包括一个基本的总结的战略，深度3星系红移调查陪同最近公开发布的深度3数据。
2019-08-12 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
The Hourglass Simulation: A Catalog for the Roman High-Latitude Time-Domain Core Community Survey
本文提出沙漏模拟，为罗曼太空望远镜高纬度时域巡天生成包含超新星、潮汐瓦解事件等六万余暂现源的模拟星表，并验证SCONE可高精度分类高红移Ia型超新星。
2025-06-05 astro-ph.CO astro-ph.HE astro-ph.IM
JWST Advanced Deep Extragalactic Survey (JADES) Data Release 5: Photometric Catalog
Department of Astronomy and Astrophysics, University of California, Santa Cruz（加州大学圣克鲁兹分校天体物理学与天文学系）；Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡弗里宇宙学研究所）；Cavendish Laboratory, University of Cambridge（剑桥大学卡文迪许实验室）；Steward Observatory, University of Arizona（亚利桑那大学斯图德天文台）；AURA for the European Space Agency (ESA), Space Telescope Science Institute（欧洲航天局（ESA）所属美国大学研究协会（AURA）太空望远镜科学研究所）；Centro de Astrobiología (CAB), CSIC–INTA（西班牙国家航空航天技术研究所（INTA）/西班牙国家科学研究委员会（CSIC）天体生物学中心）
JADES DR5发布光度目录，采用定制算法进行源检测与光度测量，结合多望远镜观测数据，提供高精度光度红移计算及不确定性建模。
2026-01-22 astro-ph.CO astro-ph.GA 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$0.3…
2018-04-17 astro-ph.CO astro-ph.IM
2MASS Photometric Redshift catalog: a comprehensive three-dimensional census of the whole sky
关键的宇宙学应用需要整个天球上的三维星系分布。这些包括测量本星系群的引力，估算大规模的整体流量和检验哥白尼原理。然而，最大的全天红移巡天--2 MRS和IRAS PSCz --的中值红移只有z=0.03，并且对非常局部的宇宙进行采样。存在着全天空星系目录达到更深的- SuperCOSMOS在光学，2 MASS在近红外和WISE在中红外-但这些缺乏完整的红移信息。目前，快速获得覆盖整个天空的更大的3D星表的唯一方法是通过光度红移技术。在本文中，我们提出了包含100万个星系的2 MASS测光红移星表（2 MPZ），通过交叉匹配2 MASS XSC，WISE和SuperCOSMOS的全天空样本，并采用人工神经网络方法（ANNz算法），在这样的红移调查，如SDSS，6dFGS和2dFGRS训练。测光红移的误差几乎与距离无关，全天精度为sigma_z=0.015，异常值的百分比非常小。通过这种方式，我们获得了所有缺乏光谱的2 MASS XSC星系的典型精度为12%的红移估计。此外，我们已经做出了早期的努力，通过将WISE与SuperCOSMOS配对，并在GAMA红移数据上训练ANNz，目前达到z_med~0.2。这产生了与2 MPZ中的那些相当的照片-z精度。这些全天空的照片-z星表，2 MPZ的中值z~0.1，未来基于WISE的样本的深度要大得多，在可预见的未来将是同类星表中最大和最完整的…
2013-12-17 astro-ph.CO astro-ph.IM
SuperRAENN: A Semi-supervised Supernova Photometric Classification Pipeline Trained on Pan-STARRS1 Medium Deep Survey Supernovae
基于光学光度学光变曲线信息的超新星（SNe）自动分类在即将到来的宽场时域调查时代是必不可少的，例如鲁宾天文台进行的时空遗产调查（LSST）。光度分类可以实时识别感兴趣的事件，用于扩展的多波长随访以及存档人口研究。在这里，我们提出了完整的样本5,243“SN样”光变曲线（格利兹）从泛星1中深调查（PS1-MDS）。PS1-MDS在节奏、过滤器和深度方面与计划中的LSST Wide-Fast-Deep调查相似，使其成为社区有用的培训集。使用这个数据集，我们训练一种新的半监督机器学习算法，对2,315个新的类SN光变曲线与宿主星系光谱红移进行光度分类。我们的算法包括一个随机森林监督分类步骤和一个新的无监督步骤，其中我们引入了一个经常性的自编码器神经网络（RAENN）。我们的最终管道被称为SuperRAENN，在五个SN类别（Ia，Ibc，II，IIn，SLSN-I）中的准确率为87%。我们发现Ia型SNe和SLSNe的准确率最高，Ibc型SNe的准确率最低。我们完整的光谱和光度分类样本分为：62.0% Ia型（1839个物体），19.8% II型（553个物体），4.8% IIn型（136个物体），11.7% Ibc型（291个物体）和1.6% I型SLSNe（54个物体）。最后，我们讨论了该算法可以修改在线LSST数据流。
2020-08-11 astro-ph.HE astro-ph.IM
SDSS-IV DR17: Final Release of MaNGA PyMorph Photometric and Deep Learning Morphological Catalogs
我们为MaNGA调查的最终数据发布提供了MaNGA PyMorph光度计增值目录（MPP-VAC-DR 17）和MaNGA深度学习形态学VAC（MDLM-VAC-DR 17），这是SDSS数据发布17（DR 17）的一部分。MPP-VAC-DR 17提供的光度学参数来自Sèrsic和Sèrsic+指数拟合，与MaNGA DR 17星系样本在$g$、$r$和$i$波段的二维表面亮度剖面（例如总通量、半光半径、膨胀盘分数、椭圆度、位置角等）。MDLM-VAC-DR 17为相同的星系提供了基于深度学习的形态分类。MDLM-VAC-DR 17包括许多形态学特性：例如，一个T型，椭圆和S 0之间的更精细的分离，以及边缘和棒星系的识别。虽然MPP-VAC-DR 17只是扩展了SDSS Data Release 15（MPP-VAC-DR 15）中发布的MaNGA PyMorph光度计VAC，现在包括了为制作最终DR 17而添加的星系，但MDLM-VAC-DR 17与之前的版本（MDLM-VAC-DR 15）相比实现了一些更改和改进：即，在这个新版本中，低端的T型被更好地恢复。该目录还包括早型或晚型半乳糖苷酶（ETG，LTG）之间的分离，以补充T型的方式将两个种群分类，特别是在中间类型（-1 <T型< 2），其中T型值显示出很大的分散性。此外，还提供了基于$k-$折叠的分类不确定性。为确保稳健性…
2021-10-20 astro-ph.GA astro-ph.IM
Early results from GLASS-JWST. II: NIRCam extra-galactic imaging and photometric catalog
我们提出了减少的图像和多波长目录的第一个JWST NIRCam河外观测从玻璃早期释放科学计划，获得协调平行的NIRISS观测的阿贝尔2744集群。七个波段（F090 W，F115 W，F150 W，F200 W，F277 W，F356 W，F444 W）的图像已经使用官方JWST管道的增强版本进行了缩减;我们讨论了用于删除或减轻原始图像中缺陷的程序。在F444 W探测到的源的位置上，我们通过对PSF匹配图像的强迫孔径测光获得了一个多波段星表。该星表旨在使早期的科学调查成为可能，并针对暗星系进行了优化;它包含6368个源，极限星等为29.7等，位于F444 W的5 $σ$。我们发布图像和目录，以便让社区熟悉JWST NIRCam数据，并根据该仪器目前的知识水平评估其优点和局限性。
2022-09-28 astro-ph.GA astro-ph.IM
An FPCA-enhanced Ensemble Learning Framework for Photometric Identification of Type Ia Supernovae
Texas A&M University（德克萨斯农工大学）；Carnegie Mellon University（卡内基梅隆大学）
该研究首次将FPCA光变曲线参数作为统计摘要，结合SBI方法，在非平坦ΛCDM模型下实现了鲁棒的Ia型超新星宇宙学推断，其约束精度与SALT2方法相当且对域外模拟更鲁棒，还可推广至真实巡天数据。
2026-09-23 astro-ph.HE astro-ph.IM
BVRI Photometric Calibration of the Nedeljković Telescope
我们使用Landolt星表中的标准恒星对安装在塞尔维亚天文站Vidojevica的60 cm Nedeljković望远镜进行了测光校准，该望远镜配备了FLI PL 230 CCD相机。我们在2019年8月的三个晚上使用Johnson的$BVRI$过滤器拍摄了31个标准恒星的图像。我们测量了消光和颜色校正。将我们标定的星等与Landolt星表中的标准星的星等相比较，我们得到的$BVRI$星等的精度为2%~ 5%。
2021-07-07 astro-ph.IM astro-ph.SR
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
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
The Quasar Catalogue for S-PLUS DR4 (QuCatS) and the estimation of photometric redshifts
本研究基于S-PLUS DR4等数据，利用三种机器学习方法评估了窄带测光和扩展波长数据对类星体测光红移的影响，发现窄带对无GALEX或WISE对应体的源改善显著，并发布了包含超64万个候选体的增值目录。
2024-08-23 astro-ph.CO astro-ph.IM
