基于神经网络分类的光谱红移概率密度函数：应用于 DESI 遗产成像测绘与 Pan-STARRS

我们 presented 一种用于光谱红移估计的神经网络分类（NNC）方法，产生经过良好校准的红移概率密度函数（PDF）。该方法将红移空间离散化为有序区间，并优化连续排名概率得分（CRPS），该得分尊重红移的序数特性，自然提供不确定性量化。不同于输出单一点估计的传统回归方法，本方法可捕获由颜色-红移退行性引起的多模态后验分布。我们将该方法应用于 DESI 遗产成像测绘数据发布第 10 版（LSDR10）和 Pan-STARRS 数据发布第 2 版（PS1DR2），使用来自 DESI DR1 和 SDSS DR19 的前所未有的光谱训练样本。该方法在 LSDR10 上实现 $\sigma_{\mathrm{NMAD}} = 0.0153$ 和 $\eta = 0.50\%$，在 PS1DR2 上实现 $\sigma_{\mathrm{NMAD}} = 0.0222$ 和 $\eta = 0.34\%$。NNC 方法优于随机森林、XGBoost 和标准神经网络回归。我们演示 DESI DR1 在 $z > 1$ 处显著提升了 photo-$z$ 性能，而深光光学光谱与中红外覆盖组合对于实现整个红移范围内的高精度至关重要。我们提供了一个统一的光谱红移目录，将 LSDR10 和 PS1DR2 组合，采用基于可用光谱的分层模型选择策略。我们方法产生的经过校准的 PDF 对宇宙学研究具有重要价值，可扩展至下一代测绘计划，如 CSST、Euclid 和 LSST。