30、天文信息学中的恒星光谱分类与相似性搜索方法

天文信息学中的恒星光谱分类与相似性搜索方法

1. 天文信息学挑战

在过去两个世纪的众多天文发现中，研究天体光谱起到了关键作用，并且至今仍是恒星天文学中最有价值的工具。光谱能揭示天体的化学成分、温度和速度等重要线索，但对观测结果的解读颇具难度，因为不同过程可能导致相似的观测现象。例如，谱线形状对应发射或吸收粒子的速度分布，而速度可能源于气体粒子的热运动，也可能是气体绕恒星的圆周运动。所以，对许多观测对象的光谱分类，更多是天文学家讨论的话题，而非机械性任务。

近年来，技术进步使得每年能产生数十万条光谱观测数据，如此庞大的数据量无法手动处理。然而，现有的机械分类标准仅适用于最粗略的类别，如光谱类型或光度类型。

机器学习方法有望在分类任务中增强人力，以手动分类的光谱为基准。此前，机器学习方法已成功应用于天文光谱分类，但大多针对星系或类星体等非恒星天体。

研究聚焦于Be星类别，其通常具有以下特征：
- 光谱类型为B；
- 存在强发射线；
- 红外波段有过量光度。

这些基本标准可从天体光谱甚至五色测光中轻松确定。由于部分Be星被认为处于恒星发展阶段，它们对理解恒星和行星系统的形成极为重要。Be星类别还可进一步细分为子类，目前恒星子类的分类仅由天文学家的共识决定，尚无可转化为算法的精确分类标准。此外，一些Be星子类可能自然延伸到Be星类别之外，即有些天体虽不符合Be星一般标准，但在物理性质上与Be星子类相似。研究目标是找到一种基于光谱自动确定Be星子类的分类方法，并在非Be星中寻找相似天体。

2. 相似性搜索方法

采用相似性搜索方法，该方法已成功应用于计算机视觉、模式识别、数据挖掘