Distance and stellar parameter estimations of solar-like stars from the LAMOST spectroscopic survey
Notice bibliographique
Résumé
Context. The Gaia mission has opened up a new era for the precise astrometry of stars, thus revolutionizing our understanding of the Milky Way. However, beyond a few kiloparseconds from the Sun, parallax measurements become less reliable, and even within 2 kpc, there still exist stars with large uncertainties. Aims. Our aim was to determine the distance and stellar parameters of 521 424 solar-like stars from LAMOST DR9; these stars lacked precise distance measurements (uncertainties higher than 20% or even without any distance estimations) when checked with Gaia. Methods. We proposed a convolutional neural network (CNN) model to predict the absolute magnitudes, colors, and stellar parameters (Teff, log ɡ, and [Fe/H]) directly from low-resolution spectra. For spectra with signal-to-noise ratios at ɡ band (S/Ng) greater than 10, the model achieves a precision of 85 K for Teff, 0.07 dex for log ɡ, 0.06 dex for [Fe/H], 0.25 mag for MG, and 0.03 mag for (BP – RP)0. The estimated distances have a median fractional error of 4% with a standard deviation of 8%. Results. We applied the trained CNN model to 521 424 solar-like stars to derive the distance and stellar parameters. Compared with other distance estimation studies and spectroscopic surveys, the results show good consistency. Additionally, we investigated the metallicity gradients of the Milky Way from a subsample, and find a radial gradient ranging from −0.05 < Δ[Fe/H]/ΔR < 0.0 dex kpc−1 and a vertical gradient ranging from −0.26 < Δ[Fe/H]/ΔZ < −0.07 dex kpc−1. Conclusions. We conclude that our method is effective in estimating distances and stellar parameters for solar-like stars with limited astrometric data. Our measurements are reliable for Galactic structure studies and hopefully will be useful for exoplanet researches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».