暗能量巡天深场测光红移性能与训练样本不完整性评估
宇宙学与河外天体物理
2024-05-29 v3 星系天体物理
摘要
背景。在大型成像星系巡天中确定准确的测光红移是宇宙学研究的关键。最常见的方法之一是机器学习技术。这些方法需要光谱样本或参考样本来训练算法。必须注意这些样本的质量和属性，因为它们是估计可靠测光红移的关键因素。目标。本工作的目标是使用 DNF 机器学习算法计算 Y3 DES 深场目录的测光红移。此外，我们希望开发技术来评估训练样本的不完整性，并研究不完整性如何影响测光红移质量的指标。最后，我们感兴趣的是将所得性能与 Y3 DES 深场目录上的 EAzY 模板拟合方法进行比较。方法。我们用一个已知红移的光谱样本在较亮星等处模拟了训练样本的不完整性，以对问题进行可量化的观察。我们使用主成分分析以图形方式评估不完整性，并将其与 DNF 提供的性能参数相关联。最后，我们将不完整性相关结果应用于 DNF 对 Y3 DES 深场的测光红移计算，并估计了其性能。结果。DES 深场中星系的测光红移已使用 DNF 算法计算并添加到 Y3 DES 深场目录中。可在 https://des.ncsa.illinois.edu/releases/y3a2/Y3deepfields 获取。我们开发了一些技术来评估在缺乏“真实”红移时的性能并评估完整性。我们研究了……（部分摘要）
引用
@article{arxiv.2312.09721,
title = {Dark Energy Survey Deep Field photometric redshift performance and training incompleteness assessment},
author = {L. Toribio San Cipriano and J. De Vicente and I. Sevilla-Noarbe and W. G. Hartley and J. Myles and A. Amon and G. M. Bernstein and A. Choi and K. Eckert and R. A. Gruendl and I. Harrison and E. Sheldon and B. Yanny and M. Aguena and S. S. Allam and O. Alves and D. Bacon and D. Brooks and A. Campos and A. Carnero Rosell and J. Carretero and F. J. Castander and C. Conselice and L. N. da Costa and M. E. S. Pereira and T. M. Davis and S. Desai and H. T. Diehl and P. Doel and I. Ferrero and J. Frieman and J. García-Bellido and E. Gaztañaga and G. Giannini and S. R. Hinton and D. L. Hollowood and K. Honscheid and D. J. James and K. Kuehn and S. Lee and C. Lidman and J. L. Marshall and J. Mena-Fernández and F. Menanteau and R. Miquel and A. Palmese and A. Pieres and A. A. Plazas Malagón and A. Roodman and E. Sanchez and M. Smith and M. Soares-Santos and E. Suchyta and M. E. C. Swanson and G. Tarle and M. Vincenzi and N. Weaverdyck and P. Wiseman},
journal= {arXiv preprint arXiv:2312.09721},
year = {2024}
}
备注
14 pages, 17 figures