Classifying Cool Dwarfs: Comprehensive Spectral Typing of Field and Peculiar Dwarfs Using Machine Learning
Tianxing Zhou, Christopher A. Theissen, S. Jean Feeser, William M. J. Best, Adam J. Burgasser, Kelle L. Cruz, Lexu Zhao
低质量恒星和褐矮星 - 光谱类型(SpTs)M0和更高版本 - 在研究恒星和亚恒星过程和人口统计学方面发挥着重要作用,深入到行星质量物体。 目前,这些源的分类仍然严重依赖光谱特征的目视检查、等效宽度测量或窄/宽波段光谱指数。 机器学习(ML)方法的最新进展为光谱类型提供了自动化方法,随着Gaia,SDSS和SPHEREx等大型光谱调查生成包含数百万个光谱的数据集,这些方法变得越来越重要。 我们研究ML在光谱类型分类中应用低分辨率(R∼120)近红外光谱的M0-T9矮子在NASA红外望远镜设施上使用SpeX仪器获得。 我们特别旨在对迟交型矮星的重力和金属性依赖子类进行分类。 我们使用绑定通量作为输入特性,并比较了使用随机森林(RF),支持矢量机(SVM)和K-Nearest Neighbor(KNN)模型构建的光谱类型估计器的功效。 我们测试了不同归一化的影响,并分析了不同光谱区域对表面重力和金属性亚类分类的相对重要性。 我们性能最佳的模型(使用 KNN)分类95.5 ± 0.6
Low-mass stars and brown dwarfs – spectral types (SpTs) M0 and later – play a significant role in studying stellar and substellar processes and demographics, reaching down to planetary-mass objects. Currently, the classification of these sources remains heavily reliant on visual inspection of spectral features, equivalent width measurements, or narrow-/wide-band spectral indices. Recent advances in machine learning (ML) methods offer automated approaches for spectral typing, which are becoming i...