[发明专利]基于自观测光谱库的大型巡天望远镜的恒星参数测量方法

说明书

本发明提供了一种基于自观测光谱库的大型巡天望远镜的恒星参数测量方法，包括以下步骤：利用理论光谱库和其他星表采用参数标记转移方法构建实测光谱库；利用所述实测光谱库采用卡方最小的线性内插方法实现观测光谱的参数测量。本发明中构建标准数据集的方法具有很好的扩展性，其构建的光谱库对天文领域具有重要的价值。标准数据集将会在光谱的物理参数确定、光谱分类、星族合成、光谱教学等领域发挥重要作用。

技术领域

本发明涉及天文光学望远镜技术领域，尤其涉及一种基于自观测光谱库的大型巡天望远镜的恒星参数测量方法。

背景技术

恒星的大气物理参数，主要包括有效温度(Teff)、表面重力(log g)和金属丰度([Fe/H])等参数，是天文学家进行银河系的结构、运动学规律、化学演化等方面的研究的基础。随着大型巡天项目的开展，比如美国的斯隆望远镜(SDSS)和中国的郭守敬望远镜(LAMOST)，自动化的恒星参数测量软件应运而生。

通过光谱来估计恒星大气物理参数的算法有很多种，主要分为以下三类：

(1)最近邻匹配，通过待测光谱与理论光谱进行最近邻匹配，将最佳匹配的理论光谱的恒星大气物理参数确定为待测光谱的大气物理参数。常见的最近邻匹配方法有最小卡方值匹配、交叉相关法、贝叶斯方法和K邻近法等。SDSS的恒星参数测量pipeline(SSPP)主要采用了最近邻匹配算法。

(2)非线性回归法，建立恒星参数到参数波段光谱的映射关系，构建光谱内插模型，通过寻找最佳参数组合使得内插模型生成光谱和待测光谱最接近。

(3)机器学习，用理论光谱或者已知参数的实测光谱训练人工神经网络(ANN)，然后使用训练好的网络来估计观测光谱的参数。

在实现本发明构思的过程中，发明人发现相关技术中至少存在如下问题：

(1)最近邻匹配的缺点：最近邻匹配算法本身是恒星参数测量最常用的算法，具有很好的鲁棒性。但是与观测光谱匹配的理论光谱库存在一定的问题。理论光谱库是基于理论大气模型的计算结果，而大气模型是建立在对实际物理过程的简化处理和近似假设上，比如假设局部热动力平衡、平面平行、压力致宽模型假设等，可能与实际物理过程有差异。另外，线表的不完备也是理论光谱库的一个局限，对于有很多分子带的冷星来说，理论光谱还很难理想地构建实际观测的光谱特征。由于理论模型的限制，导致目前天文学家们获取的恒星参数空间还是非常有限的，还是围绕在类太阳恒星的附近。

(2)非线性回归法的缺点：首先建立内插模型需要足够的参数空间采样，这本身就是一个极复杂的天文问题。由于理论光谱库的局限性，导致不可能全部参数空间都是用理论光谱库来构建，所以科学家们尝试了实测光谱和理论光谱相互补充之后建立的内插模型。但是由于实测光谱波长空间的限制，导致构建的内插模型光谱波长覆盖很短，其应用非常受限。另外，通过内插模型寻找观测光谱的最紧邻参数，容易迭代到局部解上。如果通过(1)给出观测光谱的初始假设，才能有效解决该算法迭代到局部解的问题。

(3)机器学习的缺点：机器学习算法仍然依赖于一套已标记参数的数据集，其本身的问题，仍然是标准数据集的问题。通过理论光谱训练的网络不一定能够很好的预测实测光谱的参数。用实测光谱去训练网络，受挑选样本的影响较大，如果完全按照自然数据分布去训练网络，就会导致占比很小的特殊星的参数预测偏差较大。该算法在天文领域的应用仍然比较有限。

综上所述，恒星参数测量算法的问题，其核心是标准数据集的问题。标准数据集是天文研究领域的一个重点也是难点问题。除此之外，海量光谱的计算时间也是需要解决的一个重要问题。SDSS的恒星光谱参数测量仍然在几十万数量级，所以SSPP没有设计基于数据流的运算模式。而LAMOST的恒星光谱在几百万的数量级，恒星参数测量的运算效率是一个需要解决的问题。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于自观测光谱库的大型巡天望远镜的恒星参数测量方法，以期部分地解决上述技术问题中的至少之一。