Notice bibliographique
Résumé
Gravitational lensing is potentially able to observe mass-selected haloes, and to measure the projected cluster mass function. An optimal mass selection requires a quantitative understanding of the noise behaviour in mass maps. This paper is an analysis of the noise properties in mass maps reconstructed from a maximum-likelihood method. The first part of this work is the derivation of the noise power spectrum and the mass error bars as a straightforward extension of the Kaiser & Squires algorithm for the case of a correlated noise. Very good agreement is found between these calculations and the noise properties measured in the mass reconstructions limited to non-critical clusters of galaxies. It demonstrates that Kaiser & Squires and maximum-likelihood methods have similar noise properties and that the weak lensing approximation is valid for describing these properties. In a second stage I show that the statistics of peaks in the noise follows accurately the peak statistics of a two-dimensional Gaussian random field (using the BBKS techniques) if the smoothing aperture contains enough galaxies. This analysis provides a full procedure for deriving the significance of any convergence peak as a function of its amplitude and profile. I demonstrate that a detailed quantitative analysis of the structures in mass maps can be carried out, and that, to a very good approximation, a mass map is the sum of the lensing signal and known two-dimensional Gaussian random noise. A straightforward application is the measurement of the projected mass function in wide-field lensing surveys, down to small mass overdensities that are individually undetectable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».