We present the first results from an ongoing survey for damped Lyman-α systems (DLAs) in the spectra of z > 2 quasars observed in the course of the Baryon Oscillation Spectroscopic Survey (BOSS), which is part of the Sloan Digital Sky Survey (SDSS) III. Our full (non-statistical) sample, based on Data Release 9, comprises 12 081 systems with log N(H i) ≥ 20, out of which 6839 have log N(H i) ≥ 20.3. This is the largest DLA sample ever compiled, superseding that from SDSS-II by a factor of seven.

We present the Data Release 9 Quasar (DR9Q) catalog from the Baryon Oscillation Spectroscopic Survey (BOSS) of the Sloan Digital Sky Survey III. The catalog includes all BOSS objects that were targeted as quasar candidates during the survey, are spectrocopically confirmed as quasars via visual inspection, have luminosities Mi[z=2]<-20.5 (in a $\Lambda$CDM cosmology with H0 = 70 km/s/Mpc, $\Omega_{\rm M}$ = 0.3, and $\Omega_{\Lambda}$ = 0.7) and either display at least one emission line with full width at half maximum (FWHM) larger than 500 km/s or, if not, have interesting/complex absorption features. It includes as well, known quasars (mostly from SDSS-I and II) that were reobserved by BOSS. This catalog contains 87,822 quasars (78,086 are new discoveries) detected over 3,275 deg$^{2}$ with robust identification and redshift measured by a combination of principal component eigenspectra newly derived from a training set of 8,632 spectra from SDSS-DR7. The number of quasars with $z>2.15$ (61,931) is ~2.8 times larger than the number of z>2.15 quasars previously known. Redshifts and FWHMs are provided for the strongest emission lines (CIV, CIII], MgII). The catalog identifies 7,533 broad absorption line quasars and gives their characteristics. For each object the catalog presents five-band (u,g,r,i,z) CCD-based photometry with typical accuracy of 0.03 mag, and information on the morphology and selection method. The catalog also contains X-ray, ultraviolet, near-infrared, and radio emission properties of the quasars, when available, from other large-area surveys.

Material types of asteroids provide key clues to their evolutionary history and contained resources. The Gaia mission has released extensive low-resolution spectral observation data of small Solar System bodies. However, methods for classifying asteroids based on low-resolution space-based spectra are still inadequate, and do not fully leverage the complementary features of spectra and multiple intrinsic attributes of asteroids to achieve precise material classification. Our goal is to propose a method with a higher generalization accuracy for asteroid material classification by integrating multi-source information, identifying optimal feature combinations for model inputs, and deepening the understanding of relationships among asteroid parameters. The effective asteroid photometric, physical, and orbital parameters were screened using the information gain ratio and Spearman's rank correlation coefficient. Then, artificial intelligence techniques were employed to combine asteroid spectra with the selected various parameters for six-class material classification. By comparing five machine learning models, we identified network structures with higher validation accuracy and stable generalization performance. Meanwhile, feature ablation experiments were conducted to determine the input parameter combinations suitable for different scenarios. Finally, based on the statistical results and model outputs, the constraint relationships among asteroid parameters were visualized and analyzed. The proposed AsterRF model achieved a validation accuracy of 92.2<!PCT!>, an improvement of approximately 7.8 percentage points compared to existing methods that use only spectra. V-type asteroids exhibited the highest classification accuracy, followed by A-type and D-type. X-type asteroids had the lowest precision and recall, and were easily confused with C-type. The model generally showed higher classification confidence for S-type asteroids. The top five attributes that the model focused on are the phase slope parameter (G), orbital type, albedo, H magnitude, and effective diameter. Additionally, the correlations between asteroid materials and other parameters were generally below 0.4. Incorporating optimal asteroid parameter combinations can significantly enhance classification accuracy based on spectra. A dual-channel network that processes spectra and parameter inputs separately, and employs a self-attention mechanism for feature fusion is effective in combining multi-source asteroid information. Both the statistical correlations and model performance-based importance rankings of parameters contribute to understanding the constraint relationships among asteroid attributes.