通过WISE巡天和MPA-JHU源表估算星系的恒星质量

The mass distribution of galaxies can be used to give important constraints on galaxy formation and evolution. The WISE all-sky survey provides 4 infrared photometries in the whole sky. The match of the WISE all-sky survey and MPA-JHU catalogue produces the biggest sample with both infrared photometries, the optical photometries and spectra information. This sample in combination with 2MASS or UKISS will give wider spectral energy distribution from the optical to infrared. We plan to fit the spectral energy distribution(u,g,r,i,z,J,H,K,W1,W2) by stellar population synthesis to obtain the stellar masses; We plan to rederive the formulae to calculate the stellar mass by 3.4μm luminosity using the new stellar masses from multiband photometries fit. The stellar masses derived from all kinds of methods are compared; The correlation between galaxy properties and the ratio of 3.3μm PAHs emissions in the 3.4μm luminosity is another work; We plan to study the intrinsic parameters related to M/L3.4, for example, initial mass function, optical spectral types, morphology types, SFRs, SSFRs, color, EQW(Hα), the intrinsic extinction, metallicity, AGN features. Multi-parameters will be used to fit M/L3.4 to supply more accurate calculation according to the 3.4μm band. Using wider wavelength spectral energy distribution including near-infrared bands(W1,W2) could give more accurate stellar masses estimations than MPA-JHU catalogue which only includes optical bands.

星系的恒星质量分布能给出星系形成和演化的重要限制。WISE数据给出全天4个红外波段测光信息。我们把MPA-JHU源表和WISE全天巡天交叉，拟结合2MASS或UKISS用恒星星族模版采用星族合成方法拟合星系的多波段光谱能量分布(u,g,r,i,z,J,H,K,W1,W2)，预期比MPA-JHU更准确地估算星系恒星质量；基于新质量重新推导3.4微米光度估算星系恒星质量的公式，把各种方法推导的星系恒星质量对比总结；研究3.3PAHs发射对3.4微米光度的影响与星系性质的关系；拟找出与3.4微米质光比紧密相关的本征参量，如初始质量函数，光学光谱、形态类型，恒星形成率，比恒星形成率，星系颜色，星系Hα等值宽度，星系消光，金属丰度，AGN强度等，采用多参量拟合质光比，给出3.4微米单波段更精确的质量估算方法。我们采用包括近红外波段（主要指W1,W2）的更宽光谱能量分布，进一步推进星系恒星质量的研究。

MPA-JHU基于u,g,r,i,z测光用光谱能量分布拟合给出了星系的恒星质量。Wisconsin团队用主成分分析法估计了星系的恒星质量。这两种结果不太相符。我们致力于结合WISE数据研究星系和恒星的光谱能量分布。我们研究了不同的星系光谱能量分布拟合软件MAGPHYS，CIGALE，GRASIL，调试了不同参数如恒星形成历史，金属丰度，尘埃消光对拟合的影响。我们把MPA-JHU表格和WISE在6角秒内交叉得到了137264个22微米信噪比大于3的星系，称之为红外样本。MPA-JHU表格扣除这些红外样本后的数据称之为光学对比样本。我们应用经典的BPT分类把两个样本都做了分类，分为恒星形成星系、复合型星系、AGN星系。我们发现，红外样本在不同红移处主要由蓝序星系主导；光学对比样本则有红序和蓝序两部分。在红外样本里AGN发生率随红移增加而增加比在光学对比样本里更明显。红外样本里的AGN发生率随静止22微米光度的增加而显著增加。后来我们尝试用机器学习去研究星系的恒星质量。为了试验机器学习方法，我们初步尝试了用决策树模型(DT)，支撑向量积(SVM)，k最近距离法(KNN)，随机森林(RF)验证和预测了LAMOST DR5数据的恒星光谱类型。使用这4种算法对LAMOST DR5的源做恒星/星系/QSO分类，精度都达到了95%以上。在对恒星做光谱类型(G, K, M, F, A)预测时，随机森林(RF)和支撑向量积(SVM)的分类精度高于决策树模型(DT)和k最近距离法(KNN)。机器学习在天文里将有快速的应用。