摘要
恒星大气物理参数(有效温度Teff、表面重力logg、金属丰度[Fe/H])以及元素丰度([C/Fe]、[Mg/Fe]、[N/Fe])对于研究银河系结构和演化以及星系的组成等至关重要。随着世界各国的大型望远镜相继投入巡天，天文学家可以获取海量的测光数据与光谱数据。如何从这些观测数据中准确测量恒星参数(恒星大气物理参数与元素丰度)是天文学家最为关心的问题。随着机器学习技术的发展与人工智能的进步，使用机器学习与深度学习方法从巡天数据中估计恒星参数是一个值得探索、非常有前景的方向。 光学波段的巡天数据主要包括两类:测光数据与光谱数据。测光数据是指利用望远镜测量天体不同波长处的微弱能量，用来表示天体的亮度，其大小称之为星等。如LargeSynopticSurveyTelescope(LSST)巡天，中国的StellarAbundanceandGalacticEvolution(SAGE)巡天、Beijing-ArizonaSkySurvey(BASS)等巡天主要提供测光数据。光谱数据是指经过色散系统分光后，被色散开的单色光按波长大小依次排列的流量分布。如中国的hrgeSkyAreaMulti-ObjectFibreSpectroscopyTelescope(LAMOST)巡天提供光谱数据。测光数据包含的信息较少，但数据量丰富，光谱数据包含较多的信息，但是数量相对较少。有的巡天项目既包含测光数据，也提供光谱数据，如美国的SloanDigitalSkySurvey(SDSS)巡天。 2024年中国空间站望远镜(CSST)将获取数十亿恒星测光数据和数亿光谱数据，为扩充恒星参数空间提供丰富的数据源。CSST提供NUV、u、g、r、i、z波段的测光数据和分辨率R～200的光谱数据，针对这些波段数据特点进行研究，从而准确提取恒星参数对CSST项目的成功具有关键的意义。对于测光数据，大量研究是基于测光数据构造色指数特征估计Teff与[Fe/H]，然而色指数之间的强共线性导致模型不稳定，影响最终预测精度。对于光谱数据，当前研究主要针对中高分辨率光谱，缺乏对CSST分辨率相同的低分辨率光谱的恒星参数估计的算法研究。 针对这些问题，本文对测光数据与光谱数据分别进行了以下研究: (1)使用LightGBM模型分别建立测光数据、色指数、主成分与恒星大气物理参数的映射，实验结果表明主成分克服了模型不稳定问题，Teff、logg、[Fe/H]预测误差为90K、0.40dex、O.20dex，低于色指数预测结果6％、11％、13％。此外，实验发现第二主成分与Iogg可用于绘制赫罗图，可用于分析恒星演化历史。通过与XGBoost、随机森林、线性回归等机器学习模型做对比，发现LightGBM模型预测误差更低。且模型速度快于其余模型4到40倍。因此主成分+LightGBM可用于探究CSST海量测光数据的恒星大气物理参数。 (2)提出了一种新的基于低分辨率光谱提取元素丰度的算法。我们通过降低LAMOST光谱分辨率模拟CSST低分辨率光谱，然后使用残差人工神经网络模型(ANN+残差块)估计元素丰度。实验结果表明ANN+残差块具有稳定性与可解释性，测试集中[C/Fe]、[Mg/Fe]、[N/Fe]误差为0.06dex、0.05dex、O.11dex，接近高分辨率光谱精度。通过与StartNet、卷积神经网络等模型做对比，发现ANN+残差块预测误差低于其余深度学习模型，更适合低分辨率光谱回归预测，因此ANN+残差块可优先用于CSST光谱数据研究。
NETL