大型射电巡天中测光红移技术的比较
天体物理仪器与方法
2019-09-11 v1
摘要
未来的射电巡天将生成数千万个射电源的天体目录，红移估计对于实现许多科学目标至关重要。然而，光谱数据仅对其中一小部分源可用，且在大多数情况下光学和红外测光质量也有限。此外，射电源往往比大多数光学源处于更高红移，因此相当大比例的射电源宿主不同于大多数测光红移模板所针对的宿主。因此我们需要开发估计射电源红移的新技术。作为该过程的起点，我们评估了多种用于估计红移的机器学习技术以及一种传统的模板拟合技术。我们特别关注训练样本的不完备性、参数空间的稀疏性或辅助多波段数据的有限可用性如何影响性能。正如预期，我们发现测光红移的质量随测光质量下降而降低，但即使对于全天巡天可用的有限测光质量，大多数源（尤其是低红移处）仍可获得有用的红移信息。我们发现模板拟合技术在高质量且近乎完备的多波段测光下表现最佳，特别是若将同时发射X射线的射电源单独处理时。当我们将测光质量降低至与EMU全天射电巡天可用质量相当时，模板拟合的质量下降并变得与某些机器学习方法相当。机器学习技术目前在低红移处表现优于高红移处，因为现有训练数据在高红移处不完备。
引用
@article{arxiv.1902.05188,
title = {A Comparison of Photometric Redshift Techniques for Large Radio Surveys},
author = {Ray P. Norris and M. Salvato and G. Longo and M. Brescia and T. Budavari and S. Carliles and S. Cavuoti and D. Farrah and J. Geach and K. Luken and A. Musaeva and K. Polsterer and G. Riccio and N. Seymour and V. Smolčić and M. Vaccari and P. Zinn},
journal= {arXiv preprint arXiv:1902.05188},
year = {2019}
}
备注
Submitted to PASP