PAU 巡天：使用 DEEPz 增强光度红移估计

我们展示了来自 Physics of the Accelerating Universe Survey (PAUS) 的 1,341,559 个星系在 50.38 ${\rm deg}^{2}$ 天区至 $i_{\rm AB}=23$ 的光度红移。红移估计使用 DEEPz（一种深度学习光度红移代码）进行。我们分析了改变测光样本和光谱样本时的光度红移精度。此外，我们检查了观测和仪器效应对光度红移精度的影响，并将光度红移测量结果与使用模板拟合方法 BCNz2 获得的结果进行了比较。最后，我们检查了光度红移在识别近距星系对中的应用。我们发现，在 DEEPz 训练中结合 W1+W3 样本显著提高了光度红移的精度。当我们使用宽带测量值恢复窄带流量时，这也同样发生。我们表明，DEEPz 在用于 DEEPz 训练的现有光谱目录中确定星系红移的精度更高。对于最暗的星系（$i_{\rm AB}=21-23$），我们发现 DEEPz 在精度（离散度小 20-50%）方面优于 BCNz2，并且在两个宽场中返回的异常值比例更小。我们对这些目录进行了近距星系对识别测试，结果表明 DEEPz 对于 $i_{\rm AB} < 22.5$ 且红移 $0.2 < z < 0.6$ 的样本识别近距星系对是有效的。此外，识别 DEEPz 和 BCNz2 之间共有的近距星系对是提高这些系统目录纯度的一种有前景的方法。