基于LAMOST海量巡天数据的多波段统计分析研究

With the operation and development of LAMOST survey, large scale spectral data have been collected. Moreover the performance of international survey projects from different bands provides us a very good testbed for the multiwavelength study and brings new opportunities and challenges for multiwavelength astronomy. Based on the LAMOST data integrating data from other bands, we will statistically research multiwavelength data. Focusing on recognization and stastical analysis of radio sources observed by LAMOST, the multiwavelength properties of whole LAMOST data will be analyzied. By analyzing and exploring multiwavlemgth data, understanding of multiwavelength physical properties of celestial objects is improved in order to find some special objects or phenomena. Successful techniques provides direct reference and help for data processing of future larger sky survey projects (LSST, SKA, etc.) and further promotes the development and progress of multiwavelength astronomy.

随着LAMOST望远镜巡天项目的开展，已经积累了丰富的光谱数据。而且国际上来自各波段的巡天数据的蓬勃发展，为我们开展多波段数据研究提供了很好的实验床，同时也为多波段天文学的发展带来了新的机遇和挑战。我们将依托LAMOST数据，融合其他波段的数据，展开多波段统计研究。以LAMOST观测的射电源的证认和统计分析为主要目标，逐步扩展研究整个巡天数据的多波段性质。通过对多波段数据的分析和研究，提高对天体的多波段认识和理解，以期发现一些特殊天体或现象。获得的经验可以为将来更大的巡天计划（LSST、SKA等）的数据处理提供直接的借鉴和帮助，进而推动多波段天文学的发展和进步。

基于多波段巡天数据（如Pan-STARRS、WISE、SDSS、BASS、XMM、LAMOST），研究了天体的多波段物理属性，及其在多维参数空间中的分布，对比和采用了多种机器学习方法，完成了对大型巡天数据（如Pan-STARRS、BASS、XMM）的分类预测，并且给出了类星体候选体星表，可供大型光谱巡天观测，也可以作为LAMOST项目的类星体输入星表。对于类星体测光红移，提出了新的方法和新的方案，无论是新方法还是新方案，都表现出了比较高的红移估计性能；对比了不同样本对不同机器学习方法的性能，研究结果表明红移估计性能直接依赖于所采用的方法和样本；针对BASS巡天数据，对比了一步模型和两部模型的性能，发现先按红移分类而后再预测红移的两步模型的效果更好，于是构建了一个预测类星体测光红移的两步模型，并对BASS巡天的所有类星体候选体的测光红移给出预测。对于星系测光红移，对比和应用了模板匹配和机器学习方法，在已知样本红移范围内，机器学习性能更优；而在超出已知样本的红移范围之外，模板匹配方法占优势，并且有助于挑选高红移星系样本；基于这两种方法各自的优缺点，使用两种方法对DESI图像巡天的星系给出了测光红移估计。开发了基于深度贝叶斯模型的光谱数据处理方法，该方法可用于LAMOST光谱处理软件中。基于SDSS巡天的恒星的测光数据和参数测量数据，构建最优的代价敏感的随机森林分类器，应用于挑选天琴RR变星候选体。应用TESS光变数据和LAMOST中分辨的时间序列光谱，从LAMOST光谱数据中挑选出五个双线光谱双星进行了细致研究。从LAMOST巡天数据搜寻到一个极低质量白矮星前身星preELM和WD的双星。基于ZTF时域巡天数据，从LAMOST光谱巡天数据，利用非平衡学习SPE方法挑选出YSO样本。综述了机器学习在时序巡天中的应用；开发了面向人工智能的光变曲线分析的数据模型和存储引擎；开展了大型光变巡天的变星分类研究，这些对于后续的时变数据(例如LSST)的研究提供了很好的参考。另外，将FIRST射电图像与SDSS光学图像数据相结合，实现了FR0、FRI和FRII三种射电星系的自动检测和分类。