千度巡天的测光红移：基于人工神经网络的机器学习分析

我们展示了使用两种基于神经网络的技术（ANNz2和MLPQNA）对千度巡天数据发布3（KiDS DR3）进行的机器学习测光红移分析。尽管光谱训练集的覆盖有限，这些机器学习代码提供的photo-z质量至少在与BPZ代码相当或更好的情况下，可达zphot<0.9和r<23.5。在r<20的亮端，那里有与KiDS重叠的非常完整的光谱数据，机器学习photo-z的性能明显超过BPZ（目前KiDS的主要photo-z方法）。利用Galaxy And Mass Assembly（GAMA）光谱巡天作为校准，我们进一步研究了当在photo-z推导中加入除星等外的测光参数，以及加入VIKING和WISE红外波段时，亮源photo-z如何改善。虽然基准四波段ugri设置在中位z=0.23处给出photo-z偏差$\delta z=-2e-4$和散射$\sigma_z<0.022$，但结合星等、颜色和星系尺寸可将散射降低约7%，偏差降低一个数量级。一旦将ugri和红外星等合并为跨越高达12 $\mu$的12波段测光，散射比基准情况降低超过10%。最后，使用12波段连同光学颜色和线性尺寸给出$\delta z<4e-5$和$\sigma_z<0.019$。本文也作为伴随KiDS DR3的两个公开photo-z星表的参考，两者均使用ANNz2代码获得。第一个为通用目的，包含DR3中所有3900万具有四波段ugri测量的KiDS源。第二个数据集针对如星系-星系透镜之类的低红移研究优化，限制为r<20，并且由于在GAMA校准的photo-z推导中纳入了光学星等、颜色和尺寸，提供了比全深度情况质量好得多的photo-z。