3 / 377 [1] [2] [3] [4] [5] [6, 7] [8] / ( X ) ( AGN ) / ( ) [9 11] ( ) [12 14] ( ) [15 17] [18 20] COSMOS [21 23] CANDELS [24 26] WISP [27] UVUDF [28

33 3 Vol. 33, No. 3 2015 8 PROGRESS IN ASTRONOMY Aug., 2015 doi: 10.3969/j.issn.1000-8349.2015.03.07 / 1,2,3 1,3 (1. 650011 2. 100049 3. 650011) P152 A 1 ( ) CCD 2015-03-10 2015-05-11 (KJCX2-YW-T24) ruanzhifeng@ynao.ac.cn

3 / 377 [1] [2] [3] [4] [5] [6, 7] [8] / ( X ) ( AGN ) / ( ) [9 11] ( ) [12 14] ( ) [15 17] [18 20] COSMOS [21 23] CANDELS [24 26] WISP [27] UVUDF [28] Reshetnikov [29] 2005 Tyson Borne [30] 2012 Djorgovski [31] 2013 ( ) (Spectral Energy Distribution, SED) ( ) ( ) ( / )

378 33 AGN ( ) AGN [32] 2 3 4 5 2 2.1 MDS MDS (Hubble Space Telescope Medium Deep Survey) [33] 400 (HST) WFPC2 F814W (I) F606W (V) F450W (B) 0.5 MDS 1994 1 4 1998 1 MDS I = 25.5 mag ( I 23 mag) ( Classifying Objects by Medium-Band Observations in 17 filters B 25.5 mag [34, 35] The NOAO Deep Wide Field Survey I 25.5 mag [36] ) MDS MDS 2.2 COSMOS COSMOS (Cosmic Evolution Survey) [21 23] 10h 00m 28.6s +02 12 21.0 (J2000) 2 HST ACS CCD Subaru 8.3m ACS 1.8 ACS COSMOS ( 0.09 1.8 pixels) 1 10 6 Subaru-SuprimeCam CFHT-Megacam NOAO Kitt Peak 4m UKIRT WFCAM 30 Ilbert [37] i + AB < 25 mag

3 / 379 ( ) 3 10 5 i + Subaru-SuprimeCam 7629.1 Å COSMOS COSMOS 2.3 HUDF HUDF (Hubble Ultra Deep Field) [38, 39] CDF-S (Chandra Deep Field South) [40] GOODS-S (The Great Observatories Origins Deep Survey South) [41] 11 HST F435W F606W F775W F850LP ACS F105W F125W F160W WFC3 HUDF V 30 mag z 7 8 [42] 2.4 GOODS (The Great Observatories Origins Deep Survey) [41] (Hubble Deep Field North HDF-N) [43] Chandra X CDF-S [40] GOODS 0.09 NASA ESA GOODS z 850 = 28 mag Hawaii HDF-N GOODS-N [44] U B V R I z U (NOAO) Kitt Peak 4 m Subaru 8.3 m 0.4 U = 27.1 mag GOODS Hawaii HDF-N HDF-N CANDELS (Cosmic Assembly Near-IR Deep Extragalactic Legacy Survey) [24 26] HST ACS WFC3 GOODS-N GOODS-S COSMOS EGS (The Extended Groth Strip) [45] UDS (Ultra-deep Survey) [46, 47] 800 (CANDELS-COSMOS COSMOS 160 ) H = 27.7 mag 3 3.1 ( ) 3.1.1 CCD

天 文 学 进 展 380 33 卷 的成像总是分散在一定的区域内 其分布的轮廓为点扩散函数 (Point Spread Function 简 称 PSF) 在一幅巡天图像中不同位置处 PSF 的变化尺度一般仅有小幅度的差异 星系为展 源 因此星系的轮廓比 PSF 显得更加延展 (如图 1) 由于星系在物理性质和面亮度分布上都 有较大的差异 星系图像轮廓的变化尺度比 PSF 的变化尺度有较大的弥散 利用恒星和星 系在图像轮廓上的差别可以有效地识别恒星和星系 早期 Colless 等人已从 LDSS (The Low Dispersion Survey Spectrograph) 深度巡天的数据证实 一般情况下这种依据是可靠的 [48] 一般地 目标源的图像轮廓可表示为 I(x, y) = I0 F (xc, yc, x xc, y yc ), (1) 其中 (x, y) 为图像坐标 (xc, yc ) 为目标源中心坐标 I0 为源的总流量 F (xc, yc, x xc, y yc ) 为归一化的面亮度分布 由式 (1) 可知目标源的图像轮廓或其特征量由轮廓形状 F 和总流量 I0 决定 恒星和星系轮廓形状上的差异 (即 F 的差异) 可表现为 I(x, y) 或其特征量随 I0 变 化关系方面的差异 多种方法正是以这样的差异来区分恒星与星系的 图1 典型的星系和恒星图像轮廓 [21] (a) (b) (c) (d) 分别为恒星 椭圆星系 盘星系和不规则星系的图像 目前已有多种星系轮廓的模型被提出 1/n 式 I(r) = I(re ) exp{ b[(r/re ) [49, 50] 星系的图像轮廓大体上可以用 S ersic 公 1]} 描述 (r 为中心与星系中心重合的椭圆等光度线的 长半轴 b 为常数 re 为有效半径) 通常椭圆星系的光度聚集度明显高于盘成分为主的旋 涡星系 椭圆星系经常被大约对应于 n = 4 的 S ersic 轮廓描述 即 r1/4 或 de Vaucouleurs 律 r1/4 律对于明亮和中等亮度的椭圆星系的面亮度分布提供了相当好的描述 矮椭圆星系 的面亮度则往往接近于 n 1 的轮廓 旋涡星系盘成分的轮廓则近似为 n 1 的 S ersic 轮廓 I(r) e r/l0 标长 l0 为盘的尺度因子 椭圆等光度线作为星系轮廓的等光度线的近似则依 赖于星系的结构和倾角 参数 b re 和 l0 也依赖于具体的星系 另外大约有 4% 的星系没有

3 / 381 e (r/σ)2 ( ) e (r/σ)4 AGN ( Blazar ) AGN 3.1.2 (Spectral Energy Distribution, SED) ( 2) / SED [51, 52] AGN SED ( SED AGN SED) SED SED G SED M SED O A SED SED 9000 Å ( ) [53 55] SED SED SED SED SED Lyman break 4 SED Lyman break Lyman limit (912 Å ) SED SED SED SED SED SED ( ) / SED SED ( ) SED AGN AGN ( ) AGN SED AGN AGN ( 2)

382 33 2 SED [56] AGN SED SED SED ( ) SED (Photo z) χ 2 χ 2 (a) (b) (c) Galaxy( ) SED Galaxy+ AGN SED SED Photo z SED (b) Galaxy Galaxy+AGN SED AGN AGN SED 3.2 3.2.1 [57] PSF (1) (I max ) (I 0 ) I 0 I max ( I 0 ) ( I max ) F F max F max I 0 I max (= I 0 F max ) ( ) ( F )

3 / 383 (I max ) 3.2.2 (Isophotal area) [58] (1) I 0 ( ) F F ( PSF) F F 3.2.3 (Half-Light Radius) [59, 60] ( (1) F ) F ( F ) F (Full Width at Half Maximum, FWHM) F ( [61]) 3.2.4 ( COSMOS CANDELS ) [62] SED ( 3.1.2 ) / ( B V ) ( U B)

384 33 3.2.5 SED [37] AGN 3.2.6 ( ) ( ) ( SExtractor [63, 64] ) ( ) 3 SED ( SExtractor CLASS ST AR) SED SED Odewahn [65] 10 ( ) SExtractor 8 SED AGN [32]

3期 阮志锋 等 深度光学/近红外巡天中恒星 星系自动识别的研究进展 图3 利用神经网络方法实现恒星 星系识别的示意图 385 [63] 输入层中输入参数 Pi 是用于描述目标源物理特征的参数 (不同的神经网络中参数的个数和类型可以根据具体的研究自由选择) 中间包含一个或多个隐层 (图例只包含了一个隐层) 输出层则给出用于描述目标源恒星 星系类别的特征量 通过对特征量的进 一步分析实现恒星 星系的识别 3.2.7 轮廓拟合方法 目标源图像轮廓拟合方法主要是利用现有的一些恒星和星系的面亮度轮廓模型来拟 合巡天图像中目标源的面亮度分布 (轮廓) 得到一个目标源轮廓与理论模型的相似程度 (以下简称相似度) 再根据其与不同模型的相似度来进行具体的分类 从而实现恒星和星 [33] 系的识别 相似度实际上对应图像轮廓和模型轮廓的统计偏差 例如在 χ2 拟合中以 N P i ) 作为形似度 obsi 和 modi 分别为目标源图像第 i 个像素和理论模型 χ2 = ( obsi mod σi i=1 值 σi 为 obsi 的误差 利用不同形态类型星系的一些特征模型也可以对有关星系进行更细致 的分类 轮廓拟合方法由于只用到目标源一个波段的轮廓数据 所以其能较好地适用于单波 段巡天数据中的恒星 星系识别 3.2.8 SED 拟合方法 [37] SED 拟合方法是用不同类型目标源的 SED 模型 (或称模板) 直接拟合目标源 SED 拟合所得与各类 SED 模型的相似度被用来判断目标源的类型 目标源的 SED 由目标源多 个典型波长处的流量近似地合成构建 某一波长处的流量则可以通过对应波段巡天的测光数 据 结合所用滤波片综合响应函数的有效宽度近似换算得到 这种方法需要目标源有较广波 长范围内相当多波段的巡天数据 以使构建的 SED 有充分的波长取样 进而有较小的拟合 误差 因此 使用这种方法对巡天测量有很高的要求 对目标源多波段 SED 的拟合不仅可以 实现恒星 星系识别 还可以得到星系的测光红移 (Photometric Redshifts) 其恒星 星系 识别精度和测光红移的精度受所选模板的完备度影响较大 (见图 2)

386 33 4 4.1 4.1.1 ( Sebok [66] Kron r 2 [67] Q [68] ψ [69] ) ( (1) F ) [63] ( [58] [57] ) ( 4) 4 [57] m I S Odewahn [65] 1992 SExtractor CLASS ST AR [63] 0( ) 1( ) SExtractor 1 10 I max Seeing ( ) 8 A 0 A 7 8 (start) I max T i = start ( I max start )i/8, i = 0, 1, 2,...7. (2) A i T i (Seeing)

3 / 387 A i /A j (i < j) SExtractor CLASS ST AR Capak [44] 2004 Hawaii-HDF CLASS ST AR = 0.9 HUDF [38] GOODS [41] CFHTLS Cuillandre [70] 0.95 CANDELS Guo [26] 2013 CLASS ST AR > 0.98 CANDELS Ratnatunga [33] 1999 MDS ( ) (PSF ) FWHM HST/WFPC2 r 1/4 e r/l0 (l 0 3.1.1 ) ( ) ( ) PSF Ratnatunga MDS ( ) Leauthaud COSMOS I < 23 mag (MDS ) 10% Leauthaud [22] 2007 COSMOS HST ACS F814W ( 5) HST ACS SExtractor COSMOS I AB < 25 mag ( ) I AB 26 mag 90% Capak [23] COSMOS i + I AB 26 mag I AB 26 mag

388 33 5 COSMOS HST/ACS [22] MAG AUT O Kron ( ) MU MAX SExtractor (ID=1) (ID=2) ID=3 2% [22] ( 18 mag) COSMOS CCD 4 4.1.2 SED ( COSMOS CANDELS ) SED Ilbert [37] 2009 χ 2 COSMOS 30 SED SED i + 25 mag 30 SED O B SED 21 SED ( 6) SED SED ( 4.2 ) Fadely COSMOS SED ( 4.2 [61]) Oesch [71] 2007 V 606 i 775 > min[2, 1.5 + 0.9(i 775 z 850 )] V 606 i 775 > 1.2 mag i 775 z 850 < 1.3 mag HUDF z 4.5 5.7 V 606 i 775 z 850 HST ACS F606W F775W F850LP V 606 i 775 V 606 i 775 Lyman break λ 6000 Å SED

3期 阮志锋 等 深度光学/近红外巡天中恒星 星系自动识别的研究进展 图6 Ilbert 等人选取的不同类型的星系光谱能量分布 (SED) 示意图 389 [37] 绿色的曲线为 6 个典型的盘星系 (S0, Sa, Sb, Sc, Sd, Sdm 形态) 的 SED 红色的曲线为 3 个典型的椭圆星系的 SED 蓝色 的曲线为 12 个星暴星系的 SED 红移 z & 4(见 3.1.2 节) Bouwens 等人在 2004 年和 2010 年利用 HUDF 巡天数据搜寻极高 红移星系候选体 (z 7 8) 时也使用了类似的标准 [42, 72] 作为颜色 颜色和星等 颜色双 参数方法的另一类特殊应用 颜色判据也常被用于筛选类星体候选体样本 4.2 [73, 74] 不同方法识别效果的对比研究 目前深度巡天中目标源检测和亮度测量的方法都有了较大的发展 McCracken 等人 [75] 2003 年提出了一个人工模拟星系再重新检测的方法 ( 抽取 ) 用以提高和检验深度巡天 中目标源的检测深度和完备度 这种方法在目标源检测之前先在巡天图像中加入大量的人 工模拟星系 这些星系的形态 光度和面亮度分布基于一些现有的星系结构和演化模型的模 拟而得到 它们的位置和倾角在图像中随机分布 然后调整目标源检测时的一些参数 使检 测能重新找回最大数量的人工模拟星系 Rix 等人 [76] 针对深度巡天目标源检测过程中过度 分解一些亮的展源和不能很好地分解一些轮廓有重叠的源等问题 提出了一个 冷 热 检 测的方法 在提取目标源时分别使用两组不同的检测参数 一组参数用于检测较大较亮的 目标源 ( 冷 检测) 以保证亮源不会被过度分解 并尽可能抑制实际为亮星散射光的虚假 源 另一组参数则用于检测和分解较暗的目标源 ( 热 检测) 以保证检测有足够的深度 这种两步检测的方法在保证检测有足够深度的同时最大限度地保证了一些亮源不被过度分 解 大大改善了目标源检测中有轮廓重叠的目标源的面亮度分布的分解 在目标源亮度测 [77] 量方面 Graham 和 Driver 证实了 Kron 孔径 [64] 部分的流量包含在孔径内 Bertin 和 Arnouts [67] 作为一个大小灵活的孔径能够将目标大 通过对模拟的孤立星系进行测光 也验证

390 33 Kron ( Kron ) SExtractor Kron Moffat COSMOS 30 SED COSMOS ( ) COSMOS Leauthaud [22] 2007 COSMOS ( 25 mag) 5 (Half-Light Radius) COSMOS 24 mag 1% 25 mag 2% ( ) PSF I AB > 26 mag Leauthaud [22] SExtractor CLASS ST AR ( 7) ( 4.1.1 CLASS ST AR ) CLASS ST AR [22] ( [61] ) Hawaii HDF-N HDF-N I 22 mag 7 CLASS ST AR > 0.5 3 (43%) ( PSF HDF-N ) CLASS ST AR > 0.9 CLASS ST AR A i ( (2)) (HDF-N 2 1 ) Ilbert [37] 2009

3期 阮志锋 等 深度光学/近红外巡天中恒星 星系自动识别的研究进展 图7 SExtractor CLASS ST AR 参数用于恒星 星系识别的效果分析 391 [22] 黑色的点代表恒星 灰色的点代表星系 M AG AU T O 为目标源的 Kron 星等 (总星等的近似) 恒星和星系的 CLASS ST AR 分布并没有十分明显的分界线 比如以 CLASS ST AR > 0.8 作为恒星的判断标准 则有一些较亮的恒星 (M AG AU T O < 17 mag) 被误判为星系 更多较暗的星系 (22 mag < M AG AU T O < 25 mag) 将被误判为恒星 年利用 COSMOS 近红外波段的数据 证实这一 方法是有效的 且能达到较高的识别精度 图 8 为 Ilbert 等人给出的恒星和星系在 r+ m3.6µm 与 r+ i+ 双参数空间中的分布 其中恒星和星 系的类别是基于 COSMOS 多波段数据采用 χ2 拟合恒星和星系的 SED 得到 (他们的 χ2 拟合 对恒星和星系都有十分高的识别精度 具体分 析见下文) 从图中可见 在近红外对光学颜色 构成的颜色 颜色双参数空间中 恒星和星系 的分布有十分明显的分离 而且 z < 1 和 z > 1 的星系分布也有较大区别 所以 也可以使用这 些近红外对光学的颜色数据 通过颜色 颜色 双参数分布识别目标源中恒星和星系 或者用 于识别 z 明显大于 1 的星系 图8 在 SED 拟合法中 目前主要使用的统计拟 合方法是 χ2 拟合和贝叶斯方法 将拟合所得的 e 2 χ2 /2 [37, 78 81] 有时也 作为最大似然度 因此也 COSMOS 巡天中 IAB <25 mag 的恒星 和星系的颜色 颜色分布 [37] 所选颜色为两种近红外对光学颜色 绿色的点代表恒星 红 色的点和灰色的点分别代表红移 z >1 和 z <1 的星系 称 χ 拟合为最大似然度法 (Maximum Likelihood 简称 ML) 在较近的一些研究中还使用

392 33 SVM (Support Vector Machine) [82 84] SVM SED SVM SED Ilbert [37] 2009 COSMOS χ 2 Leauthaud [22] i + < 24 mag 84% 99.8% Fadely [61] 2012 (Hierarchical Bayesian HB) SED Fadely SED SED SED SED SED SED Fadely Leauthaud COSMOS (ML) (HB) SVM SED (Completeness) (Purity) Fadely SVM COSMOS (SVM best ) (SVM real ) Fadely SVM 9 (a) COSMOS ( ) ( ) 80% 90% SVM best (χ 2 ) 50% SVM real 24 mag (r ) 0 SVM real 9 (b) ( ) ( ) SVM best SVM best SVM real SVM best Fadely Fadely SED SED Ilbert SED ( ) SED SED χ 2 Ilbert χ 2 Fadely SED

3 / 393 9 Fadely SED (Completeness) (Purity) [61] (a) (b) SED SVM best SED SED ( Ilbert ) SVM best χ 2 5 ( / ) (1) ( ) ( ) (2)

394 33 PSF PSF ( ) ( ) ( COSMOS I AB > 25 mag ) PSF PSF PSF ( Ratnatunga [33] MDS ) 26 mag 10 PSF PSF 10% (3) SExtractor CLASS ST AR CLASS ST AR SExtractor Leauthaud [22] CLASS ST AR ( 10%) CLASS ST AR 1 CLASS ST AR ( Guo CLASS ST AR > 0.98 [26] ) (4) SExtractor SED SED SVM χ 2 χ 2 SED ( ) (Decision Tree, DT) [85 87] ( PSF magnitude Likelihood PSF Likelihood expon ential Adaptive moments ) SED AGN [32] SExtractor Kron

3 / 395 (ISOCORR) [63, 64] [1] Ibata R A, Gilmore G, Irwin M J. MNRAS, 1995, 277: 781 [2] Kennicutt R C, Evans N J. ARA&A, 2012, 50: 531 [3] Edvardsson B, Andersen J, Gustafsson B, et al. A&A, 1993, 275: 101 [4] Klimentowski J, Lokas E L, Kazantzidis S, et al. MNRAS, 2009, 397: 2015 [5] Freeman K, Bland-Hawthorn J. ARA&A, 2002, 40: 487 [6]., 2005, 23: 346 [7]., 2009, 27: 116 [8],,., 2013, 31: 442 [9] Wu W, Keel W C. AJ, 1998, 116: 1513 [10] Metcalfe N, Shanks T, Campos A, et al. MNRAS, 2001, 323: 795 [11] Taylor J E, Massey R J, Leauthaud A, et al. ApJ, 2012, 749: 127 [12] Bundy K, Ellis R S, Conselice C J. ApJ, 2005, 625: 621 [13] Noeske K G, Weiner B J, Faber S M, et al. ApJ, 2007, 660: L43 [14] Madau P, Dickinson M. ARA&A, 2014, 52: 415 [15] Le Fèvre O, Abraham R, Lilly S J, et al. MNRAS, 2000, 311: 565 [16] Kartaltepe J S, Sanders D B, Scoville N Z, et al. ApJS, 2007, 172: 320 [17] Lackner C N, Silverman J D, Salvato M, et al. AJ, 2014, 148: 137 [18] Ferguson H C, Dickinson M, Giavalisco M, et al. ApJ, 2004, 600: L107 [19] Conselice C J, Arnold J. MNRAS, 2009, 397: 208 [20] Oesch P A, Bouwens R J, Carollo C M, et al. ApJ, 2010, 709: L21 [21] Scoville N, Abraham R G, Aussel H, et al. ApJS, 2007, 172: 38 [22] Leauthaud A, Massey R, Kneib J-P, et al. 2007, ApJS, 172: 219 [23] Capak P, Aussel H, Ajiki M, et al. ApJS, 2007, 172: 99 [24] Grogin N A, Kocevski D D, Faber S M, et al. ApJS, 2011, 197: 35 [25] Koekemoer A M, Faber S M, Ferguson H C, et al. ApJS, 2011, 197: 36 [26] Guo Y, Ferguson H C, Giavalisco M, et al. ApJS, 2013, 207: 24 [27] Atek H, Malkan M, McCarthy P, et al. ApJ, 2010, 723: 104 [28] Teplitz H I, Rafelski M, Kurczynski P, et al. AJ, 2013, 146: 159 [29] Reshetnikov V P. Physics Uspekhi, 2005, 48: 1109 [30] Tyson J A, Borne K D. Advances in Machine Learning and Data Mining for Astronomy, 2012, 161 [31] Djorgovski S G, Mahabal A, Drake A, et al. Planets, Stars and Stellar Systems. Volume 2: Astronomical Techniques, Software and Data, 2013: 223 [32] Brescia M, Cavuoti S, Longo G. arxiv:1504.03857, 2015 [33] Ratnatunga K U, Griffiths R E, Ostrander E J. AJ, 1999, 118: 86 [34] Wolf C, Dye S, Kleinheinrich M, et al. A&A, 2001, 377: 442 [35] Wolf C, Meisenheimer K, Rix H-W, et al. A&A, 2003, 401: 73 [36] Jannuzi B T, Dey A. Photometric Redshifts and the Detection of High Redshift Galaxies, 1999, 191: 111 [37] Ilbert O, Capak P, Salvato M, et al. ApJ, 2009, 690: 1236 [38] Beckwith S V W, Stiavelli M, Koekemoer A M, et al. AJ, 2006, 132: 1729 [39] Illingworth G D, Magee D, Oesch P A, et al. ApJS, 2013, 209: 6

396 33 [40] Giacconi R, Rosati P, Tozzi P, et al. ApJ, 2001, 551: 624 [41] Giavalisco M, Ferguson H C, Koekemoer A M, et al. ApJ, 2004, 600: L93 [42] Bouwens R J, Thompson R I, Illingworth G D, et al. ApJ, 2004, 616: L79 [43] Williams R E, Blacker B, Dickinson M, et al. AJ, 1996, 112: 1335 [44] Capak P, Cowie L L, Hu E M, et al. AJ, 2004, 127: 180 [45] Davis M, Guhathakurta P, Konidaris N P, et al. ApJ, 2007, 660: L1 [46] Cirasuolo M, McLure R J, Dunlop J S, et al. MNRAS, 2007, 380: 585 [47] Lawrence A, Warren S J, Almaini O, et al. MNRAS, 2007, 379: 1599 [48] Colless M, Ellis R S, Taylor K, et al. MNRAS, 1990, 244: 408 [49] de Vaucouleurs G. Handbuch der Physik, 1959, 53: 275 [50] Freeman K C. ApJ, 1970, 160: 811 [51] Bixler J V, Bowyer S, Laget M. A&A, 1991, 250: 370 [52] Chabrier G, Baraffe I, Allard F, et al. ApJ, 2000, 542: 464 [53] Takeuchi T T, Buat V, Burgarella D. A&A, 2005, 440: L17 [54] Caputi K I, Lagache G, Yan L, et al. ApJ, 2007, 660: 97 [55] Reddy N A, Steidel C C, Pettini M, et al. ApJS, 2008, 175: 48 [56] Chung S M, Kochanek C S, Assef R, et al. ApJ, 2014, 790: 54 [57] Jones L R, Fong R, Shanks T, et al. MNRAS, 1991, 249: 481 [58] Reid N, Gilmore G. MNRAS, 1982, 201: 73 [59] Peterson B A, Ellis R S, Kibblewhite E J, et al. ApJ, 1979, 233: L109 [60] Bardeau S, Kneib J-P, Czoske O, et al. A&A, 2005, 434: 433 [61] Fadely R, Hogg D W, Willman B. ApJ, 2012, 760: 15 [62] Daddi E, Cimatti A, Renzini A, et al. ApJ, 2004, 617: 746 [63] Bertin E, Arnouts S. A&AS, 1996, 117: 393 [64] Bertin E, Arnouts S. Astrophysics Source Code Library, 2010, 1010: 064 [65] Odewahn S C, Stockwell E B, Pennington R L, et al. AJ, 1992, 103: 318 [66] Sebok W L. AJ, 1979, 84: 1526 [67] Kron R G. ApJS, 1980, 43: 305 [68] Le Fèvre O, Bijaoui A, Mathez G, Picat, J P, et al. A&A, 1986, 154: 92 [69] Maddox S J, Efstathiou G, Sutherland W J. MNRAS, 1990, 246: 433 [70] Cuillandre J-C J, Withington K, Hudelot P, et al. Proc. SPIE, 2012, 8448: 84480M [71] Oesch P A, Stiavelli M, Carollo C M, et al. ApJ, 2007, 671: 1212 [72] Bouwens R J, Illingworth G D, Oesch P A, et al. ApJ, 2010, 709: L133 [73] Wu X-B, Wang F, Fan X, et al. Nature, 2015, 518: 512 [74] White S V, Jarvis M J, Häußler B, et al. MNRAS, 2015, 448: 2665 [75] McCracken H J, Radovich M, Bertin E, et al. A&A, 2003, 410: 17 [76] Rix H-W, Barden M, Beckwith S V W, et al. ApJS, 2004, 152: 163 [77] Graham A W, Driver S P. Publications of the Astronomical Society of Australia, 2005, 22: 118 [78] Coil A L, Newman J A, Kaiser N, et al. ApJ, 2004, 617: 765 [79] Xia L, Cohen S, Malhotra S, et al. AJ, 2009, 138: 95 [80] Walcher J, Groves B, Budavári T, et al. Ap&SS, 2011, 331: 1 [81] Hildebrandt H, Arnouts S, Capak P, et al. A&A, 2010, 523: AA31 [82] Saglia R P, Tonry J L, Bender R, et al. ApJ, 2012, 746: 128 [83] Solarz A, Pollo A, Takeuchi T T, et al. A&A, 2012, 541: AA50 [84] Tsalmantza P, Karampelas A, Kontizas M, et al. A&A, 2012, 537: AA42 [85] Weir N, Fayyad U M, Djorgovski S. AJ, 1995, 109: 2401 [86] Suchkov A A, Hanisch R J, Margon, B. AJ, 2005, 130: 2439 [87] Vasconcellos E C, de Carvalho R R, Gal R R, et al. AJ, 2011, 141: 189

3 / 397 Progress of Research of Automated Star-Galaxy Separation in Optical/Near-Infrared Deep Sky Surveys RUAN Zhi-feng 1,2,3, WU Wen-tao 1,3 (1.Yunnan Observatories, Chinese Academy of Sciences, Kunming 650011, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China; 3. Key Laboratory for the Structure and Evolution of Celestial Objects, Chinese Academy of Sciences, Kunming 650011, China) Abstract: Deep sky surveys provide fundamental data for studies of formation and evolution of stars, galaxies (including the Galaxy), galaxy clusters, large-scale structures of the universe, and supermassive black holes. Currently, optical/near-infrared deep sky surveys are particularly important because of their relatively high depths and resolutions. Stars and galaxies constitute most of the point sources and extended sources in optical/near-infrared deep sky surveys, respectively. Automated classification of numerous detected objects into stars and galaxies is essential for further analyzing data from optical/near-infrared deep sky surveys. Methods for tackling the problem, termed as the problem of automated star-galaxy separation, are based on image-profile or spectral energy distribution (SED) differences between stars and galaxies. Based on differences on the two aspects a set of methods have been proposed and used for automated star-galaxy separation in deep optical/near-infrared sky surveys. These include separations in double-parameter spaces (e.g., magnitude-peak intensity and magnitude-half light radius spaces), classifications with artificial neural networks, image profile fitting and SED-template fitting. In this paper, we first briefly describe some deep sky surveys relevant to research of automated star-galaxy separation. We then list and discuss main existing methods of stargalaxy separation for optical/near-infrared deep sky surveys. We subsequently discuss the current status of applications of these methods to actual deep sky surveys, particularly by paying attention to accuracies and applicabilities of the methods in tackling the star-galaxy separation problem. Finally, we summarize the progress of research of automated stargalaxy separation in deep sky surveys, and give some prospects about future developments for solving the problem. Key words: deep sky survey; star-galaxy separation; SED