[论文解读] Spectroscopically Identified Cataclysmic Variables from LAMOST survey. I. The Sample

Wen Hou, A-Li Luo+2 more|arXiv (Cornell University)|Nov 19, 2019

Astrophysical Phenomena and Observations参考文献 34被引用 32

一句话总结

本研究基于LAMOST DR5巡天数据，利用机器学习（BaggingTopPush与随机森林）方法，通过强发射线和宽吸收线特征，识别出245颗激变变星（CVs）的光谱样本。其中包含134颗矮新星、41颗新星型变星、19颗磁激变变星，并报告了58颗新的CV发现。通过对比LAMOST、SDSS与Gaia数据的光谱特征，揭示了在休眠态与爆发态下的光致电和光谱特性差异。

ABSTRACT

A sample of Cataclysmic Variables (CVs) is presented including spectroscopically identified 380 spectra of 245 objects, of which 58 CV candidates are new discoveries. The BaggingTopPush and the Random Forest algorithms are applied to the Fifth Data Release (DR5) of LAMOST to retrieve CVs with strong emission lines and with broad absorption lines respectively. Based on spectroscopic classification, 134 dwarf novae, 41 nova-like variables and 19 magnetic CVs are identified from the sample. In addition, 89 high--inclination systems and 33 CVs showing companion stars are recognized and discussed for their distinct spectral characteristics. Comparisons between CVs from LAMOST and from published catalogs are made in spatial and magnitude distribution, and the difference of their locus in Gaia color--absolute magnitude diagram (CaMD) are also investigated. More interestingly, for two dwarf novae observed through LAMOST and SDSS in different epoch, their spectra both in quiescence phase and during outburst are exhibited.

研究动机与目标

• 通过自动化机器学习技术，系统识别并分类LAMOST DR5光谱巡天中的激变变星（CVs）。
• 基于发射线与吸收线特征，研究不同CV亚型（如矮新星、新星型变星、磁激变变星）的光谱特征。
• 通过与现有星表交叉匹配及多epoch光谱分析，检测并验证新的CV候选体。
• 比较LAMOST识别的CV在空间分布、星等及Gaia颜色-绝对星等（CaMD）图中与SDSS和CRTS巡天中CV的分布差异。
• 分析选定CV的多epoch光谱，研究其在休眠态与爆发态之间的转变过程。

提出的方法

• 将BaggingTopPush与随机森林机器学习算法应用于LAMOST DR5数据，基于强发射线与宽吸收线特征识别CV候选体。
• 通过光谱分类确定亚型：134颗矮新星（DN），41颗新星型变星（NL），19颗磁激变变星（MCV），另有186颗CV未获得确切亚型分类。
• 将LAMOST光谱与SDSS及其他星表进行交叉匹配，以验证识别结果并检测重复观测。
• 分析信噪比（SNR）与光谱质量，排除23张未在公开发布中的测试夜光谱。
• 利用Gaia颜色-绝对星等（CaMD）图，比较LAMOST CV与SDSS及CRTS中CV的分布位置。
• 对LAMOST与SDSS数据中共同目标的光谱进行对比，特别关注在休眠态与爆发态均被观测的目标。

实验结果

研究问题

• RQ1 在LAMOST DR5数据集中，机器学习方法在识别具有显著光谱特征的CV方面效果如何？
• RQ2 在LAMOST观测中，不同CV亚型（如DN、NL、MCV）的光谱特征是什么？
• RQ3 LAMOST识别的CV在空间分布、星等及Gaia CaMD图中的分布，与SDSS和CRTS巡天中的CV相比有何异同？
• RQ4 LAMOST与SDSS的多epoch光谱能否揭示已知CV在休眠态与爆发态之间的转变过程？
• RQ5 LAMOST识别的CV中有多少比例为新发现？其光谱特征与已知系统相比有何差异？

主要发现

• 本研究从LAMOST DR5的380张光谱中识别出245颗CV，包括58颗新发现，其中134颗为矮新星，41颗为新星型变星，19颗为磁激变变星。
• 对两颗矮新星（如VZ Sex与V519 Ser）的光谱对比显示，其在LAMOST与SDSS DR14观测中清晰表现出从休眠态到爆发态的转变。
• 88颗CV在LAMOST中被多次观测，其中6颗被观测六次，包括著名的Feige 24（FS Cet），其光谱特征从吸收线演变为发射线。
• 对高倾角系统及显示伴星特征的CV进行了分析，揭示了其发射线与吸收线轮廓的显著差异。
• LAMOST CV在Gaia CaMD图中的分布位置与SDSS和CRTS CV不同，表明其在距离、消光或固有性质上存在差异。
• 23张测试夜光谱被从最终星表中排除，另有58个天体至少拥有两组光谱，支持其变光行为的时间域分析。