Morpho-z：利用星系形态改进测光红移

我们对在测光红移估计中引入星系形态信息的效果进行了全面研究。使用机器学习方法，我们评估了当在基于SDSS和CFHT Stripe-82巡天（CS82）的星系样本训练中加入星系大小、椭圆率、S\'{e}rsic指数和表面亮度时，测光红移的散射和灾难性离群值比例的变化。我们表明，通过将星系形态参数添加到完整的$ugriz$测光中，仅获得轻微改进，而在可用滤光带较少的情况下收益显著。例如，$grz$测光与形态参数的组合几乎完全恢复了$5$-波段测光红移的指标。我们证明，利用形态学，可以在没有任何颜色信息的情况下确定星系样本有用的红移分布$N(z)$。我们还发现，在训练中包含类星体红移和相关天体大小可改善测光红移星表的质量，弥补良好星-星系分离器的缺乏。我们进一步表明，形态信息可减轻由不良测光引起的偏差和散射。作为一个应用，我们为官方CS82星表推导了红移的点估计和后验分布，在可用时基于形态学和SDSS Stripe-82 $ugriz$波段进行训练。我们的红移给出68百分位误差$0.058(1+z)$，灾难性离群值比例为$5.2$ per cent。我们进一步包含了基于形态学和单$i$-band CS82测光的深度扩展训练。