基于非代表性训练集估计测光红移中的退化分析

我们对在星等空间中利用非代表性训练集估计测光红移进行了分析。我们使用 ANNz2 和 GPz 算法在模拟数据以及来自斯隆数字巡天（DR12）的真实数据中估计测光红移。我们表明，对于代表性情形，无论使用星等还是颜色作为输入，两种算法所得结果质量相同。为了减少使用非代表性训练集估计红移时的误差，我们在颜色空间中进行训练。我们通过使用一个在 r 波段以 $19.4< r< 20.8$ 进行样本切分的模拟星表来评估我们结果的质量。在完整训练集情形下，GPz 在单点 z-phot 估计上获得了略好的结果，然而在使用非完整训练集估计样本完整红移分布时，用 ANNz2 算法估计的测光红移使我们在更深的 r 波段切分下获得了稍好的结果。通过使用累积分布函数和蒙特卡洛过程，我们设法定义了一种测光估计量，它能很好地拟合模拟测试集中星系的光谱分布，但具有更大的散布。为完成本工作，我们分析了利用非代表性训练集所得测光红移，通过场中星系密度检测星系团所受到的影响。