[论文解读] Gaia Data Release 3. Summary of the variability processing and analysis

L. Eyer, M. Audard+56 more|arXiv (Cornell University)|Jun 13, 2022

SAS software applications and methods被引用 8

一句话总结

本论文介绍了盖亚数据释放3（Gaia DR3）的变异性处理与分析流程，利用为期34个月、来自18亿个天体的多历元测光与光谱数据。通过在修订后的变星星表上训练的统计与机器学习方法，识别出1050万颗变星对象——包括950万颗变星和100万颗活动星系核（AGNs）/类星体——并发布了17张表格中的35种变异性类型与365个参数，实现了迄今为止最大规模的完整全天变异性调查。

ABSTRACT

Context. Gaia has been in operations since 2014. The third Gaia data release expands from the early data release (EDR3) in 2020 by providing 34 months of multi-epoch observations that allowed us to probe, characterise and classify systematically celestial variable phenomena. Aims. We present a summary of the variability processing and analysis of the photometric and spectroscopic time series of 1.8 billion sources done for Gaia DR3. Methods. We used statistical and Machine Learning methods to characterise and classify the variable sources. Training sets were built from a global revision of major published variable star catalogues. For a subset of classes, specific detailed studies were conducted to confirm their class membership and to derive parameters that are adapted to the peculiarity of the considered class. Results. In total, 10.5 million objects are identified as variable in Gaia DR3 and have associated time series in G, GBP, and GRP and, in some cases, radial velocity time series. The DR3 variable sources subdivide into 9.5 million variable stars and 1 million Active Galactic Nuclei/Quasars. In addition, supervised classification identified 2.5 million galaxies thanks to spurious variability induced by the extent of these objects. The variability analysis output in the DR3 archive amounts to 17 tables containing a total of 365 parameters. We publish 35 types and sub-types of variable objects. For 11 variable types, additional specific object parameters are published. An overview of the estimated completeness and contamination of most variability classes is provided. Conclusions. Thanks to Gaia we present the largest whole-sky variability analysis based on coherent photometric, astrometric, and spectroscopic data. Later Gaia data releases will more than double the span of time series and the number of observations, thus allowing for an even richer catalogue in the future.

研究动机与目标

• 利用盖亚的多历元测光与光谱数据，系统地表征并分类全天范围内的天体变异性现象。
• 通过整合先进的统计与机器学习技术与经整理的训练数据集，提高变源检测的完整性和可靠性。
• 为天体物理研究提供一份全面、公开可访问的变星对象目录，包含详细的分类与物理参数。
• 评估每类变异性现象的完整性和污染水平，以支持结果的稳健科学解读。
• 通过建立可扩展且一致的处理框架，为未来数据发布奠定基础，以应对日益密集的时间序列数据。

提出的方法

• 采用统计与机器学习算法分析G、GBP和GRP测光波段的时间序列数据，以及可用的径向速度数据。
• 通过全局修订主要已发表的变星星表，构建训练数据集，确保分类定义的准确与最新。
• 对11种变异性类型开展详细、类别的专门研究，以确认成员资格并推导定制的物理参数。
• 采用监督分类方法，基于其扩展结构引起的虚假变异性，识别出250万颗星系。
• 生成17张表格，共包含365个参数，包括光变曲线特征、周期估计、振幅测量与分类置信度评分。
• 应用质量评估指标，估算各类变异性现象的完整性和污染水平，确保最终目录的可靠性。

实验结果

研究问题

• RQ1 在盖亚DR3中，不同类型的变星对象的整体完整性和污染水平如何？
• RQ2 机器学习与统计方法在利用多历元测光与光谱数据对变星和活动星系核进行分类时，其准确性如何？
• RQ3 变星对象在天球上的分布如何？其分布与已知的恒星族及银河系结构有何关联？
• RQ4 由于形态效应，星系等扩展天体在多大程度上可被误识别为变星？此类效应如何被校正或加以利用？
• RQ5 引入径向速度时间序列在表征变星源方面有何提升作用，特别是在脉动星与双星系统中？

主要发现

• 在盖亚DR3中，共识别出1050万颗变星对象，包括950万颗变星和100万颗活动星系核或类星体。
• 变异性分析生成了17张表格，共包含365个参数，包括光变曲线特征、周期、振幅与分类置信度水平。
• 目录中包含35种不同的变星类型与亚型，其中11种类型还包含额外的专用物理参数。
• 监督分类方法成功基于其扩展结构引起的虚假变异性，识别出250万颗星系。
• 大多数变异性类别的完整性和污染水平已估算，用户可据此评估结果的可靠性与选择效应。
• 本结果基于盖亚34个月观测的统一测光、天体测量与光谱数据，是迄今为止最大规模的全天变异性调查。