PAU巡天：利用高斯过程进行窄带测光红移估计

我们研究了混合模板-机器学习测光红移(photo-$z$)算法Delight在加速宇宙物理巡天(PAUS)早期数据发布子集上的性能，该算法使用高斯过程。我们利用三种不同方法对COSMOS场中PAUS的$40$个窄带与$6$个宽带($uBVriz$)流量进行定标，其中包括一种利用星系视大小与总流量之间相关性的新方法。我们使用一组丰富的经验推导星系光谱模板作为训练高斯过程的引导，并表明我们的结果与其他标准测光红移算法具有竞争力。对于$i_\mathrm{auto}<22.5$的星系，在不做任何质量截断的情况下，Delight达到了$\sigma_{68}=0.0081(1+z)$的photo-$z$第$68$百分位误差，而BPz与ANNz2代码分别为$0.0089(1+z)$与$0.0202(1+z)$。研究还表明，相较于BPz与ANNz2，Delight能为单个红移估计产生更准确的概率密度函数。我们发现Delight与BCNz2(此前应用于PAUS)的常见photo-$z$离群值主要由窄带流量中的离群值引起，少数情况可能表明参考样本中存在光谱红移失败。在此过程中，我们引入了基于BCNz2与Delight结果推导的性能度量，使得在$i_\mathrm{auto}<22.5$星等下保持星系样本$50$%天体的同时，可实现$\sigma_{68}<0.0035(1+z)$的photo-$z$质量。