基于真实星系总体的KiDS-1000红移分布前向建模

Stage~IV星系调查的宇宙学约束准确度将取决于如何推断星系红移分布。我们为Kilo-Degree Survey（KiDS） cosmic shear样本解决了这一具有挑战性的问题，通过开发一个包含两个主要组成部分的前向建模框架：（1）针对COSMOS2020中 $\textit{Ch.\,1}<26$的Spitzer IRAC星系的 \texttt{pop-cosmos}生成模型；（2）从SURFS-based KiDS-Legacy-Like Simulations（SKiLLS）中机器学习的数据模型。对我们的合成光度数据应用KiDS时空红移分箱，我们直接从population 与数据模型中推断每个箱体中的红移分布，绕过对光谱重新加权的需求。保持数据模型固定，我们比较使用两种不同的星系总体模型：\texttt{pop-cosmos}；和SKiLLS中使用的半经验星系形成模型 \texttt{shark}。在第一个（$0.1<z<0.3$）和最后一个（$0.9<z<1.2$）时空箱中，我们发现 mean 红移的系统差异为$\Delta z\sim0.05$-$0.1$，相当于光谱重新加权方法报告的不确定性。该工作为Stage~IV调查的准确红移分布校准铺平了道路，通过前向建模直接实现，从而为光谱基于校准提供一个独立的交叉检查，避免其选择偏差和不完整性。我们将在即将进行的完整KiDS宇宙学重新分析中使用 \texttt{pop-cosmos}红移分布。