[论文解读] A new method for unveiling Open Clusters in Gaia: new nearby Open Clusters confirmed by DR2

A. Castro-Ginard, C. Jordi+5 more|Dipòsit Digital de la Universitat de Barcelona (Universitat de Barcelona)|May 8, 2018

Stellar, planetary, and galactic studies参考文献 25被引用 5

一句话总结

本文提出了一种新颖的自动化方法，通过在五维天体测量空间（l, b, π, μα*, μδ）中使用DBSCAN聚类，并结合人工神经网络（ANN）通过颜色-星等图（CMD）分析，区分真实开放星团（OCs）与统计过密。该方法确认了31个新候选者中的70%为真实OCs，且成员数超过5个的星团确认率达100%，表明该方法在大规模OC发现中具有高度可靠性。

ABSTRACT

The publication of the Gaia Data Release 2 (Gaia DR2) opens a new era in Astronomy. It includes precise astrometric data (positions, proper motions and parallaxes) for more than $1.3$ billion sources, mostly stars. To analyse such a vast amount of new data, the use of data mining techniques and machine learning algorithms are mandatory. The search for Open Clusters, groups of stars that were born and move together, located in the disk, is a great example for the application of these techniques. Our aim is to develop a method to automatically explore the data space, requiring minimal manual intervention. We explore the performance of a density based clustering algorithm, DBSCAN, to find clusters in the data together with a supervised learning method such as an Artificial Neural Network (ANN) to automatically distinguish between real Open Clusters and statistical clusters. The development and implementation of this method to a $5$-Dimensional space ($l$, $b$, $\varpi$, $μ_{α^*}$, $μ_δ$) to the Tycho-Gaia Astrometric Solution (TGAS) data, and a posterior validation using Gaia DR2 data, lead to the proposal of a set of new nearby Open Clusters. We have developed a method to find OCs in astrometric data, designed to be applied to the full Gaia DR2 archive.

研究动机与目标

• 开发一种自动化、人工干预极少的方法，用于在大规模天体测量数据集（如Gaia DR2）中检测开放星团。
• 通过数据挖掘和机器学习技术，克服大规模巡天中人工检测的局限性。
• 在全面应用于Gaia DR2之前，使用TGAS数据验证该方法，确保其稳健性和可靠性。
• 通过在多维空间中分析天体测量和光度数据，识别此前未知的附近开放星团。
• 通过利用Gaia DR2比TGAS具有更深的星等极限和更均匀的天球覆盖，提高对遥远和暗淡星团的检测能力。

提出的方法

• 该方法在由银经（l）、银纬（b）、视差（π）和自行（μα*, μδ）构成的五维空间中应用DBSCAN——一种基于密度的聚类算法，对恒星进行分组。
• 训练人工神经网络（ANN）以分析其颜色-星等图（CMD），将星团分类为真实或统计过密。
• ANN的训练数据集来源于已知的开放星团，CMD特征作为输入，用以区分真实星团结构与随机过密。
• 该方法首先在模拟数据和TGAS上进行测试，TGAS提供了较小的、可人工验证的数据集以供验证。
• 在DBSCAN检测之后，ANN通过评估每个候选星团的CMD来过滤虚假检测，从而提高检测准确性。
• 最终输出为高置信度的OC候选列表，并通过Gaia DR2数据进行交叉验证以确认结果。

实验结果

研究问题

• RQ1 DBSCAN能否在五维天体测量空间中有效识别对应真实开放星团的恒星过密？
• RQ2 经过训练的人工神经网络能否仅通过颜色-星等图可靠地区分真实开放星团与统计过密？
• RQ3 该方法在TGAS与Gaia DR2数据上的性能表现如何比较，特别是在检测完整性与误报率方面？
• RQ4 该方法在多大程度上能检测到此前未知的开放星团，特别是距离超过1–2 kpc的星团？
• RQ5 该方法在参数敏感性（如DBSCAN的ε参数）和训练数据代表性方面存在哪些局限？

主要发现

• 在从MWSC星表中移除已知星团后，该方法成功识别出31个新的开放星团候选者。
• 使用Gaia DR2数据，31个候选者中有70%被确认为真实开放星团，表明检测具有强可靠性。
• 对于成员数超过5个的星团，该方法在正确识别其为真实星团方面达到了100%的成功率。
• 该方法在猎户座OB1和仙后座OB2等区域揭示了更丰富的次结构，表明其在大型星协中发现新亚群的潜力。
• TGAS数据因扫描规律存在伪影，而这些伪影在Gaia DR2中显著减少，从而提升了检测质量。
• 该方法的性能对DBSCAN的ε参数敏感，该参数必须根据星团的距离和空间密度进行调整，表明在完整DR2应用中需要自适应调参。