PI CZL：基于图像的AGN光度红移

计算AGN的光度红移具有挑战性，主要是由于超大质量黑洞（SMBH）及其宿主星系的相对辐射相互作用。光谱能量分布（SED）拟合方法在窄深度巡天中有效，但在可用波段较少的全天巡天中面临局限，缺乏准确捕捉AGN对SED贡献的能力。这一局限影响了由SRG/eROSITA清晰识别出的数千万个AGN。我们的目标是在避免合并多数据集的同时，显著提升全天巡天中AGN的光度红移性能。相反，我们利用DESI成像遗产巡天第10次数据发布的现成数据产品，覆盖>20,000 deg²，具有grizW1-W4波段的深度图像和基于目录的测光。我们引入PI CZL，一种利用CNN集成的机器学习算法。采用跨通道方法，该算法将来自图像的独特SED特征与来自目录级数据的特征相结合。通过高斯混合模型的集成实现完整概率分布。在8098个AGN的验证样本上，PI CZL实现了4.5%的σ_NMAD方差和5.6%的异常值分数η，优于以往利用ML计算AGN精确光度红移的尝试。我们强调模型性能取决于许多变量，主要是数据深度。文中呈现了这些依赖关系的全面评估。我们的简化方法在考虑不同数据质量时，在整个巡天区域保持一致的性能。相同方法可采用于未来的深度测光巡天如LSST和Euclid，展示其大规模应用潜力。随本文，我们发布XMM-SERVS W-CDF-S、ELAIS-S1和LSS区域的更新光度红移（含误差）。