.png){kind=icon}
返回
Photometric Redshift Estimation Using Scaled Ensemble Learning
.png){kind=icon}
OA
AI
DOI：10.3847/1538-4357/ae2c75.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
先进望远镜系统的开发，如能够执行大规模巡天任务的斯隆数字天空巡天（Sloan Digital Sky Survey）、欧几里得（Euclid）和拉布林天文台的空间与时间遗产巡天（Legacy Survey of Space and Time, LSST），显著推动了完善宇宙学模型的工作。这些进展为解决天体物理学中的持续挑战以及我们理解宇宙演化提供了更深刻的见解。这一进步的关键组成部分是光度红移（Pz）的可靠估计。为了提高此类估计的精度和效率，将机器学习（ML）技术应用于大规模天文数据集已成为必要。本研究提出了一种基于集成的新型ML框架，旨在仅依靠光学（grizy）测光数据预测暗淡星系和高红移范围的光度红移。所提出的架构在缩放的集成结构中整合了多种学习算法，包括梯度提升机、极端梯度提升、k近邻和人工神经网络。通过使用装袋输入数据，集成方法相比独立模型展现出更优的预测性能。该框架在估计红移时表现出一致的准确性，在高至z ∼ 4时仍能保持良好的性能。该模型使用来自 Subaru 望远镜超广角相机战略巡天计划（Hyper Suprime-Cam Strategic Survey Program）的公开数据进行验证。结果表明，光度红移估计的精度和可靠性得到显著提升。此外，该方法在大多数情况下符合甚至超过LSST科学需求文档中规定的基准。评估指标包括灾难性异常值、偏差和均方根偏差。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
T
IF:
0
论文数:
1.5K
被引数:
5
机构
引用论文
分享收藏Probabilistic Forward Modeling of Galaxy Catalogs with Normalizing Flows.png)
ASTRONOMICAL JOURNAL
OAAI
ASTRONOMICAL JOURNALIF5.1
OAAI分享收藏
查看更多内容