英国华威大学团队用堆叠式集成学习框架，高效预测盾牌座δ型星关键星震学参数

【导语：英国华威大学研究团队构建堆叠式集成学习框架，从TESS光变曲线预测盾牌座δ型星关键星震学参数，在多颗恒星样本上效果显著，为星震学研究提供新路径。】

星震学研究盾牌座δ型星的难点

星震学是解析恒星内部结构与演化状态的重要手段，盾牌座δ型星因丰富脉动模式和密集振荡频谱，成为星震学重要实验场。但其脉动受氦电离区不透明度机制驱动，内部对流核引发复杂过程，且较快自转使振荡模式耦合与频率分裂，增加了模式识别与参数提取难度。

在星震学分析中，功率谱中最高峰对应的频率、最大振荡功率频率以及大频率间隔Δν等参数很重要，其中Δν对恒星平均密度敏感，是刻画整体结构的核心指标。但盾牌座δ型星快速自转与多模式混叠破坏了频率间隔，传统方法测量Δν面临挑战。此外，TESS卫星虽提供了大规模高精度光变曲线数据，但数据处理计算密集、依赖经验，参数高精度提取不易实现。

堆叠式集成学习框架的构建

研究团队基于集成学习思路，构建了堆叠式集成学习框架，直接从TESS光变曲线预测盾牌座δ型星关键星震学参数。该研究使用的核心数据集包含643颗盾牌座δ型星的TESS光变曲线及三项关键星震学指数，初始样本经多轮筛选后保留643颗作为核心数据集，还额外选取251颗作为补充样本用于模型预测与验证。

模型目标是基于光变曲线特征估算恒星星震学参数，整体流程包括特征提取、数据预处理、集成建模以及超参数优化。特征构建采用统计特征和频域特征，数据预处理剔除缺失值样本并归一化，引入重采样方法缓解偏差。框架采用堆叠式集成回归框架，以随机森林、梯度提升回归和岭回归作为基模型，基模型输出作为输入训练元回归器进行融合，还采用随机搜索结合交叉验证优化超参数。

模型实验验证效果

实验验证包括模型训练、泛化能力评估以及新样本预测。训练阶段从643颗恒星中选583颗构建模型，按8:2划分训练集与测试集，重复100次，剩余60颗作为独立测试集，251颗未标注样本用于最终预测。

在训练与测试样本上，模型对ν(Aₘₐₓ)、νₘₐₓ和Δν的预测R²分别为0.95、0.93和0.87，大多数样本相对误差低于0.2。特征重要性分析表明自相关函数贡献最大。在独立测试集上，三个参数的R²分别为0.91、0.87和0.77，预测结果与观测值一致性较高，模型稳定性与鲁棒性好。最后应用于251颗未标注恒星，结果落在合理范围内。

编辑观点：该研究为盾牌座δ型星星震学研究提供新方法，虽非替代传统方法，但能高效预估参数，结合物理建模深入分析，对复杂目标研究有重要意义。