A method of measuring the [α/Fe] ratios from the spectra of the LAMOST survey

The [α/Fe] ratios in stars are good tracers to probe the formation history of stellar populations and the chemical evolution of the Galaxy. The spectroscopic survey of LAMOST provides a good opportunity to determine [α/Fe] of millions of stars in the Galaxy. We present a method of measuring the [α/Fe]ratios from LAMOST spectra using the template-matching technique of the LSP3 pipeline. We use three test samples of stars selected from the ELODIE and MILES libraries, as well as the LEGUE survey to validate our method. Based on the test results, we conclude that our method is valid for measuring [α/Fe]from low-resolution spectra acquired by the LAMOST survey. Within the range of the stellar parameters Teff= [5000, 7500] K, log g = [1.0, 5.0] dex and [Fe/H]= [onsistent with values derived from high-resolution spectra,-1.5, +0.5] dex, our [α/Fe] measurements are c and the accuracy of our [α/Fe] measurements from LAMOST spectra is better than 0.1 dex with spectral signal-to-noise higher than 20.     

银河系铝元素丰度研究

恒星的Al元素丰度可以为探索星团和星系的化学演化提供重要线索.通过系统分析银河系薄盘、厚盘、核球、银晕以及M4、M5等球状星团中恒星的[Al/Fe]随恒星金属丰度[Fe/H]的变化趋势,得出银河系薄盘、厚盘和核球恒星的[Al/Fe]随着[Fe/H]的增加而缓慢下降,而球状星团M4和M5恒星的[Al/Fe]随[Fe/H]增加没有下降趋势,这暗示Ia超新星对M4和M5恒星元素丰度的贡献比较小.详细研究了银河系恒星[Al/Fe]与[Mg/Fe]、[Na/Fe]的相关性,结果表明银河系场星的[Al/Fe]与[Mg/Fe]正相关,但在球状星团M4和M5恒星中未见此相关性;银河系盘星及M4和M5等球状星团恒星的[Al/Fe]与[Na/Fe]都存在正相关.     

基于郭守敬望远镜(LAMOST)试观测数据新发现的贫金属星候选体

贫金属星因其内在蕴涵着银河系早期化学元素形成和演化等信息,所以他们对银河系及宇宙早期形成历史的研究具有重要意义。目前对贫金属星的搜寻与研究已成为天文学的一大国际研究热点。随着郭守敬望远镜(LAMOST)试运行的开展及数据的积累,我国已具备自主开展此领域研究工作的有力观测设备及数据资源。通过采用有效的的测量方法,对郭守敬望远镜试观期获得的低分辨率(R≈2 000)恒星光谱数据进行恒星大气物理参数测量,新发现了8颗[Fe/H]-1.00 dex的贫金属星候选体,其中1颗[Fe/H]=-2.73dex属于很贫的贫金属星(VMP)。工作首次显示并证明了郭守敬望远镜能够有效地开展银河系内搜寻大量贫金属星的工作。     

发射线星系[OⅡ]λ3727/Hα谱线流量比的研究

利用从斯隆数字巡天(Sloan Digital Sky Survey,简称SDSS)第4次释放的光谱数据中选取的10~5个发射线星系样本,研究了[O_Ⅱ]λ3727/Hα流量比与星系尘埃消光、气体电离态和金属丰度的关系.发现尘埃消光改正对[O_Ⅱ]λ3727/Hα谱线流量比影响显著,消光改正前、后的[O_Ⅱ]λ3727/Hα谱线流量比的中值分别为0.48和0.89;尘埃消光改正后,F([O_Ⅱ]λ3727)-F(Hα)的弥散显著减小.贫金属星系的[O_Ⅱ]λ3727/Hα谱线流量比随星系气体的电离度增高而减小,而富金属星系不存在这种关系.另外,[O_Ⅱ]λ3727/Hα流量比与星系金属丰度相关.当12+lg(O/H)8.5时,星系[O_Ⅱ]λ3727/Hα流量比随金属丰度增加而下降;12+lg(O/H)8.5的星系,谱线流量比与金属丰度正相关.最后,利用气体电离度参数和星系的金属丰度,给出了计算不同类型星系[O_Ⅱ]λ3727/Hα流量比的公式.LAMOST望远镜将观测到大量红移z0.4的星系光谱,利用该公式可以给出星系的[O_Ⅱ]λ3727/Hα流量比,从而可以利用[O_Ⅱ]λ3727谱线流量计算z0.4星系的恒星形成率.     

基于深度学习技术的恒星大气物理参数自动估计

深度学习是当前机器学习、模式识别和人工智能领域中的一项热点研究技术,非常适用于处理复杂的大规模数据.基于深度学习理论构建了一个5层的栈式自编码深度神经网络,对恒星大气物理参数进行自动估计,网络各层的节点数分别为3821-500-100-50-1.使用美国大型巡天项目Sloan发布的Sloan Digital Sky Survey(SDSS)实测光谱以及由Kurucz的New Opacity Distribution Function(NEWODF)模型得到的理论光谱进行了实验验证,对有效温度(Teff)、表面重力加速度(lg g)和金属丰度([Fe/H])3个物理参数进行了自动估计.结果表明,栈式自编码深度神经网络的估计精度较好,其中在SDSS数据上的平均绝对误差分别为:79.95(Teff/K),0.0058(lg(Teff/K)),0.1706(lg(g/(cm·s~(-2)))),0.1294 dex([Fe/H]);在理论数据上的平均绝对误差分别是:15.34(Teff/K),0.0011(lg(Teff/K)),0.0214(lg(g/(cm·s~(-2)))),0.0121 dex([Fe/H]).     

GD-1星流金属丰度与运动特性分析

星流在星系形成与演化过程中扮演了重要的角色,对银河系中星流的研究将有助于进一步探究银河系的合并历史.将LAMOST(Large Sky Area Multi-Object Fiber Spectroscopic Telescope)DR6光谱数据以及SDSS(Sloan Digital Sky Survey)DR12光谱数据分别与Gaia(Global Astrometric Interferometer for Astrophysics)DR2天体测量数据交叉匹配,获得恒星自行等数据.对GD-1星流在速度空间、几何空间和金属丰度上进行限制,从LAMOST DR6和SDSS DR12数据中共获得了157颗星流成员星.GD-1星流的平均金属丰度为[Fe/H]=-2.16±0.10 dex,延伸长度超过80°.收集前人给出的GD-1星流高概率成员星,组成较大的成员星样本进行对比分析,发现GD-1星流的金属丰度分布呈现内低外高的特点,沿着星流方向径向速度分布特点是两端大、中间小,?₁=-20°(?₁为GD-1星流坐标系横坐标)和?₁=-60°附近的间隙是因为成员星运动差异形成的.根据成员星分布及其速度分布特性,推测GD-1星流起源位置是在?₁=-40°附近.     

基于SDSS-DR8及2MASS数据的疏散星团NGC 6791的基本性质研究

利用斯隆数字巡天（SDSS）第8次释放数据（DR8）的恒星光谱数据及2MASS（Two Micro All Sky Survey）近红外点源测光数据研究著名的疏散星团NGC 6791,得到该星团的视向速度与金属丰度分别为V_r=-46.4±0.2 km·s^-1和[Fe/H]=0.32±0.11dex.利用星团中红团簇巨星作为理想"标准烛光",结合2MASS近红外点源测光数据计算了该星团的绝对距离模数为（m-M）₀=13.02±0.08 mag或4.02±0.15 kpc.与其他研究者给出的结果进行了比较,金属丰度、视向速度及绝对距离模数都符合得比较好.主要结论有3点:（1）NGC 6791是个极度富金属的星团;（2）在SDSS的光谱分辨能力以内,分离出的87颗团星之间不存在明显的金属丰度差异;（3）得到的距离模数对年龄、金属丰度及尘埃消光不敏感,是一种可靠的间接测量.     

基于混合模型的疏散星团视向速度和金属丰度研究

疏散星团是研究星族和银河系形成与演化的理想示踪体。基于LAMOST DR7低分辨率光谱,在视向速度和金属丰度两维空间上,构建包含团星和场星的混合模型：以二维正高斯模型来描述团星的分布,以星团天区周围的恒星来构建场星的分布模型。同时,在模型中考虑了观测误差的影响。对3个具有丰富光谱数据的典型疏散星团进行了拟合。年轻星团Melotte 22和中年星团NGC 2281可以较好地约束其视向速度的内禀弥散,分别为：1.47_-1.18^+0.95km·s^-1和2.05_-1.18^+1.39km·s^-1,而年老星团NGC 2682只能给出速度弥散的上限约为0.96 km·s^-1。Melotte22、NGC 2281和NGC 2682的金属丰度内禀弥散分别为：0.170_-0.009^+0.012dex,(0.108±0.012) dex和(0.050±0.005) dex,都明显大于金属丰度的观测误差(约0.02...     

多任务Sparse Group Lasso特征提取与支持向量机回归在恒星大气物理参量估计中的应用

多任务学习(Multi-task Learning,MTL)就是把多个问题一起进行分析、计算,以发掘不同问题之间的相关性,提高分析结果的精度,该类方法已被广泛地应用于机器学习、模式识别、计算机视觉等领域.使用多任务学习方案研究了恒星大气物理参数中表面温度(Teff)、表面重力加速度(lg g)、化学丰度([Fe/H])的估计问题.首先使用多任务Sparse Group Lasso算法提取对3个大气物理参数均有预测能力的光谱特征;然后使用支持向量机估计恒星大气物理参数.该方案在Sloan实测恒星光谱和理论光谱上均做了测试.在实测光谱上的平均绝对误差分别为:0.0064(lg(Teff/K)),0.1622(lg(g/(cm·s~(-2)))),0.1221 dex([Fe/H]).在由Kurucz的New Opacity Distribution Function(NEWODF)模型得到的理论光谱上也做了同样的特征提取和恒星大气物理参数估计测试,相应的平均绝对误差分别为:0.0006(lg(Teff/K))),0.0098(lg(g/(cm·s~(-2)))),0.0082 dex([Fe/H]).通过与文献中的同类研究比较表明,多任务Sparse Group Lasso特征提取与支持向量机回归(support vector machine regression,SVR)两者结合的方案有较高的恒星大气物理参量估计精度.     

贫金属星的重元素丰度Ⅱ.细致的光谱分析

本文确定了贫金属矮星和亚巨星的重元素丰度.基于高分辨率高信噪比光谱得到27颗样本星的锶、钇、锆、钡、镧、铈和铕丰度.主要结果为:(1)第一峰区元素锶-钇-锆显示了奇偶效应,在晕族星中钇相对于锶和锆过贫。(2)对[Fe/H]>-2.5的恒星钇丰度为常数([Y/Fe]=-0.06).(3)对于[Fe/H]<-1.7的样本星,随金属丰度减小钡过贫增加·(4)镧和铈相对于铁过贫.(5)在金属丰度-1.0>[Fe/H]>- 2.0 区间,铕表现过富.(6)对[Y/Fe],[Zr/Fe]和[Ba/Fe]存在约0.1dex的本质弥散.     

中等贫金属星高分辨率光谱分析Ⅱ.化学元素丰度

在第1篇论文的基础上，确定了样本星的恒星大气参数，得到这些星中9种元素的丰度。讨论了各种元素丰度随[Fe/H]的变化。平均的[Na/Fe]～－0．01dex，接近于太阳丰度。α元素Si和Ca具有几乎相同的丰度模式，而[Ti/Fe]弥散较大，但三者均有随[Fe/H]的减小而增加的趋势。铁峰元素V、Cr、Ni在不同丰度处有较大的弥散，[Cr/Fe]在所有样本星中均表现超丰；而[Mn/Fe]却明显过贫，且随金属丰度的增加而增加。     

一种基于二维算法的新颖的多目标光纤光谱数据处理流程

郭守敬望远镜(Large Sky Area Multi-Object Fiber Spectroscopic Telescope,LAMOST)、斯隆数字巡天(Sloan Digital Sky Survey,SDSS)、英澳望远镜(AngloAustralia Telescope,AAT)等大多数多目标光纤光谱望远镜现用的数据处理流程都是基于一维算法的.以LAMOST为例提出多目标光纤光谱数据处理流程方法.在LAMOST现用数据处理流程中,在预处理过程之后,通过基于一维模型的抽谱算法从二维观测目标光谱数据中得到一维抽谱结果作为中间数据.后续的处理步骤都基于一维模型的算法.然而,这种数据处理流程不符合观测光谱的形成机理.因此,在每个步骤中都引入了不可忽略的误差.为了解决这一问题,提出了一种还未被用于LAMOST及其他望远镜数据处理系统的新颖的数据处理流程.重新设计安排了各个数据处理模块的顺序,各关键步骤算法都是基于二维模型的.核心算法将详细论述.此外,列出了部分实验结果来证明二维算法的有效性和优越性.     

基于深度学习的LAMOST星系星族参数测量

星系的光谱包含其内部恒星的年龄和金属丰度等信息, 从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要. LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱, 这些高维光谱与它们的物理参数之间存在着高度的非线性关系. 而深度学习适合于处理多维、海量的非线性数据, 因此基于深度学习技术构建了一个8个卷积层$+$4个池化层$+$1个全连接层的卷积神经网络, 对LAMOST Data Release 7 (DR7)星系的年龄和金属丰度进行自动估计. 实验结果表明, 使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致, 误差在0.18dex以内, 并且随着光谱信噪比的增大, 预测误差越来越小. 实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果, 结果表明卷积神经网络的结果优于其他两种回归模型.     

A comparison of stellar atmospheric parameters from the LAMOST and APOGEE datasets

We have compared stellar parameters, including temperature, gravity and metallicity, for common stars in the LAMOST DR2 and SDSS DR12/APOGEE datasets. It is found that the LAMOST dataset provides a more well-defined red clump feature than the APOGEE dataset in the Teff versus log g diagram. With this advantage, we have separated red clump stars from red giant stars, and attempt to establish calibrations between the two datasets for the two groups of stars. The results show that there is a good consistency in temperature with a calibration close to the one-to-one line, and we can establish a satisfactory metallicity calibration of[Fe/H]APOGEE= 1.18[Fe/H]LAMOST + 0.11 with a scatter of ～ 0.08 dex for both the red clump and red giant branch samples. For gravity, there is no correlation for red clump stars between the two datasets, and scatters around the calibrations of red giant stars are substantial. We found two main sources of scatter in log g for red giant stars. One is a group of stars with 0.00253 × Teff- 8.67 log g 2.6 located in the forbidden region, and the other is the contaminated red clump stars, which could be picked out from the unmatched region where stellar metallicity is not consistent with position in the Teff versus log g diagram. After excluding stars in these two regions,we have established two calibrations for red giant stars, log g APOGEE = 0.000615 ×Teff,LAMOST+ 0.697 × log g LAMOST- 2.208(σ = 0.150) for [Fe/H] -1 and log gAPOGEE= 0.000874×Teff,LAMOST+0.588×log g LAMOST-3.117(σ = 0.167)for [Fe/H] -1. The calibrations are valid for stars with Teff = 3800- 5400 K and log g = 0- 3.8 dex, and are useful in work aiming to combine the LAMOST and APOGEE datasets in a future study. In addition, we find that an SVM method based on asteroseismic log g is a good way to greatly improve the accuracy of gravity for these two regions, at least in the LAMOST dataset.     

LASPM:the LAMOST stellar parameter pipeline for M-type stars and application to the sixth and seventh data release(DR6 and DR7)

The molecular-rich atmospheres of M type stars complicate our understanding to their atmospheric properties.Recently,great progress has been made in atmospheric modeling of M-type stars,and we take advantage of the updated BT-Settl model grid to develop a pipeline LAS PM to measure atmospheric parameters(T_(eff),log g,[M/H]) of M-type stars from low-resolution spectra.The pipeline was applied to the sixth and seventh data release(DR6 DR7) of Large Sky Area Multi-Object Fiber Spectroscopic Telescope(LAMOST),which released atmospheric parameters for 610419 and 680 185 Mtype spectra,respectively.The key algorithm is to find the best-matching for templates in the synthetic spectral library for an observed spectrum,and then minimizing χ~2 through a linear combination of five best-matching templates.The intrinsic precisions of the parameters were estimated by using the multiple epoch observations for the same stars,which are 118 K,0.20 dex,0.29 dex for T_(eff),log g,and [M/H]respectively.The Teff and log g are consistent with the spectral and luminosity classifications by LAMOST 1D pipeline,and the loci of giants and dwarfs both on spectral index and color-magnitude diagrams show the validity.The metallicities of LASPM are also checked with the selected members of four open clusters(NGC 2632,Melotte 22,ASCC_16,and ASCC_19),which are consistent without any bias.Comparing the results between LASPM and the APOGEE Stellar Parameter and Chemical Abundance Pipeline(ASPCAP),there is a scatter of 73 K,0.22 dex,0.21 dex for T_(eff),log g,and [M/H],respectively.     

多任务Lasso回归法在恒星光谱物理参量估计中的应用

多任务学习方法在机器学习、计算机视觉、人工智能领域已得到广泛关注,利用任务间的相关性,将多个任务同时学习的效果优于每个任务单独学习的情况.采用多任务Lasso回归法(Multi-task Lasso Regression)用于恒星光谱物理参量的估计,不仅可以获取不同物理参量间的共同的特征信息,而且也可以很好地保留不同物理参量的特有的补充信息.使用恒星大气模拟模型合成光谱库ELODIE中的光谱数据和美国大型巡天项目Sloan发布的SDSS实测光谱数据进行实验,模型估算精度优于相关文献中的方法,特别是对重力加速度(lg g)和化学丰度([Fe/H])的估计.实验中通过改变光谱的分辨率,施加不同信噪比(SNR)的噪声,来说明模型的稳定性强.结果表明,模型精度受光谱分辨率和噪声的影响,但噪声对其影响更大,可见,多任务Lasso回归法不仅操作简便,稳定性强,而且也提高了模型的整体预测精度.     

射电类星体B3 1637+436A双峰轮廓宽发射线的光变研究

通过对比间隔17yr (静止系12.5yr)的Sloan Digital Sky Survey (SDSS)、Keck LRIS (Low-Resolution Imaging Spectrograph)和Baryon Oscillation Spectroscopic Survey (BOSS)的光学光谱, 对宽线双峰射电类星体B3 1637+436A的吸积盘性质做了初步研究.该类星体的SDSS (2001年5月21日)和Keck LRIS (2003年6月28\lk 日)的连续谱没有明显差异, 而BOSS (2018月6月17日)连续谱在V波段比SDSS暗了约1.2星等.这3条光谱的Hα宽发射线均表现出明显的双峰轮廓. 和连续谱一样, 宽线双峰的发射线轮廓也被认为是来自于吸积盘.通过上述3条光谱的Hα宽线双峰的盘模型拟合发现: BOSS光谱的Hα宽线双峰可以用单个盘模型很好地拟合,谱线发射区距离中心黑洞约900--3000引力半径. 而SDSS和Keck LRIS的Hα双峰轮廓需要用两个盘模型拟合, 对应的吸积盘发射区有两个区域,其中一个发射区(``外盘'')与BOSS类似, 另一个发射区(``内盘'')位于约400--900引力半径范围内, 到中心黑洞的距离显著小于外盘. 结合连续谱的光变特征,推测内盘消失是造成SDSS/Keck LRIS光谱和BOSS光谱在连续谱和发射线轮廓上同时发生光变的主要原因.     

Estimating stellar atmospheric parameters based on Lasso features

With the rapid development of large scale sky surveys like the Sloan Digital Sky Survey （SDSS）, GAIA and LAMOST （Guoshoujing telescope）, stellar spectra can be obtained on an ever-increasing scale. Therefore, it is necessary to estimate stel- lar atmospheric parameters such as Teff, log g and [Fe/H] automatically to achieve the scientific goals and make full use of the potential value of these observations. Feature selection plays a key role in the automatic measurement of atmospheric parameters. We propose to use the least absolute shrinkage selection operator （Lasso） algorithm to select features from stellar spectra. Feature selection can reduce redundancy in spectra, alleviate the influence of noise, improve calculation speed and enhance the robustness of the estimation system. Based on the extracted features, stellar atmospheric param- eters are estimated by the support vector regression model. Three typical schemes are evaluated on spectral data from both the ELODIE library and SDSS. Experimental results show the potential performance to a certain degree. In addition, results show that our method is stable when applied to different spectra.     

基于胶囊网络的恒星光谱分类研究

大型巡天项目的快速发展,产生大量的恒星光谱数据,也使得实现恒星光谱数据的自动分类成为一项具有挑战性的工作.提出一种新的基于胶囊网络的恒星光谱分类方法,首先利用1维卷积网络和短时傅里叶变换将来源于LAMOST(Large Sky Area Multi-Object Fiber Spectroscopy Telescope)Data Release 5(DR5)的F5、G5、K5型1维恒星光谱转化成2维傅里叶谱图像,再通过胶囊网络对2维谱图像进行自动分类.由于胶囊网络具有保留图像中实体之间的分层位姿关系和无需池化层的优点,实验结果表明:胶囊网络具有较好的分类性能,对于F5、G5、K5型恒星光谱的分类,准确率优于其他分类方法.     

LAMOST-Kepler视场中富锂巨星表面转动研究

Kepler卫星提供的长时序、高精度的光度观测和郭守敬望远镜(LAMOST)提供的大规模光谱观测为研究恒星表面转动周期与富锂巨星锂丰度关系提供了良好的数据.将LAMOST搜寻到的富锂巨星与Kepler观测交叉,获得了619颗共同源,研究了其中295颗有良好观测数据的富锂巨星的表面转动.在205颗有星震学参数的恒星中提取出14颗恒星的转动周期,其中氦核燃烧星(HeB) 11颗,红巨星支(RGB) 2颗, 1颗演化阶段未确定.本样本中的极富锂巨星(A(Li) 3.3 dex)皆为HeB;对于90颗没有星震学参数的样本因而没有依靠星震学手段确定演化阶段的恒星中,有22颗提取出了自转周期.前者的自转探测率为6.8%,显著高于之前工作中大样本巨星2.08%的探测率.同时,此研究首次从自转周期的角度确认了恒星转动与巨星锂增丰存在相关性,在增丰程度较弱时,自转周期分布比较弥散;强锂增丰的星倾向于快速转动.富锂巨星与极富锂巨星在转动速度随锂丰度的演化上展现了两个序列,在转动-锂丰度图上的A(Li)≈3.3 dex处产生第2个下降序列,或许暗示了两者在形成机制上的不同.极富锂巨星的样本中,随巨星锂增丰程度增强,恒星转速加快.这种相关性为由转动引起的额外混合作为富锂巨星形成的机制提供了支持.