2024年11月22日 星期五
硕士生导师
李荫碧 副研究员
学科:  超高速星和碳星等特殊天体研究、天文数据挖掘与处理、天文大数据、机器学习、多波段天文学
学历: 博士研究生
邮编: 100101
邮箱: ybli@bao.ac.cn
地址: 北京市朝阳区大屯路甲20号
简历
李荫碧,女,1982年出生,甘肃平凉人,中共党员,中国科学院国家天文台副研究员,中国科学院特聘研究岗骨干人员。2012年获得中国科学院研究生院博士学位。2012年7月至2018年12月,中科院国家天文台助理研究员。2019年1月至今,中科院国家天文台副研究员。作为第二导师合作培养博士研究生两名。主要从事超高速和碳星等银河系特殊天体等方面研究,在超高速星研究方面做出国际上有影响力的工作:2012年在ApJL上发表了国内第一篇研究超高速星的文章,国外研究人员证实我们发现了迄今唯一一颗能够从银河系逃逸的小质量超高速星,2021年发现了591颗高速星,将高速星的数量翻倍,成为国际上知名数据。研究成果发表于国际知名期刊,包括ApJS等,总计40余篇,其中一篇文章被评为“十大天文科技进展”,申请软件著作权5项。先后承担国家自然科学基金青年科学基金项目和面上基金项目2项、参与国家自然科学基金面上、联合重点和重大项目等共计5项,参与CSST望远镜预研究项目2个,是《CSST双星研究的科学问题》项目的子课题负责人。
代表论著
1. Yinbi Li, Ali Luo, Youjun Lu, et al., 591 High-velocity Stars in the Galactic Halo Selected from LAMOST DR7 and Gaia DR2, ApJS, 2021, 252,3
2. Yinbi Li, Ali Luo,Gang Zhao, et al.,A New Hyper-runaway Star Discovered from LAMOST and Gaia: Ejected Almost in the Galactic Rotation Direction, AJ, 2018, 156,87
3. Yinbi Li, Ali Luo, Changde Du, et al., Carbon Stars Identified from LAMOST DR4 Using Machine Learning, ApJS, 2018, 234,31
4. Yinbi Li, Ali Luo, Gang Zhao, et al. 19 low mass hypervelocity star candidates from the first data release of the LAMOST survey, RAA, 2015, 15, 8, 1364-1377
5. Yinbi Li, Ali Luo, Gang Zhao, et al. Metal-poor hyervelocity star candidates from the SLOAN DIGITAL SKY SURVEY, ApJL, 2012, 744, l24
6. Jing Chen, Ali Luo, Yinbi Li*, et al., S-type Stars Discovered in Medium-resolution Spectra of LAMOST DR9, AJ, 2022, 931, 133
7. Wenjing Ma, Jianjun Chen, Yinbi Li*, et al.,Distribution of the diffuse interstellar band λ6614 in the NGC 2264, Rosette Nebula, and S147 regions, 2022, MNRAS, 511, 3, 3708-3721 
8. Jianmin Si, Yinbi Li*, Ali Luo, et al. Identifying Carbon stars from the LAMOST pilot survey with
the efficient manifold ranking algorithm, RAA, 2015, 15, 10, 1671-1694 
9.Wen Hou, Ali Luo, Yinbi Li, and Li Qin, Spectroscopically Identified Cataclysmic Variables from the LAMOST Survey. I. The Sample, AJ, 2020, 159, 43
10. Peng Wei, Ali Luo, Yinbi Li, et al. Mining unusual and rare stellar spectra from large spectroscopic survey data sets using the outlier-detection method, MNRAS, 2013, 431, 2, 1800-1811
>