Morpho-z: improving photometric redshifts with galaxy morphology
Notice bibliographique
Résumé
We conduct a comprehensive study of the effects of incorporating galaxy morphology information in photometric redshift estimation. Using machine learning methods, we assess the changes in the scatter and outlier fraction of photometric redshifts when galaxy size, ellipticity, Sérsic index, and surface brightness are included in training on galaxy samples from the SDSS and the CFHT Stripe-82 Survey (CS82). We show that by adding galaxy morphological parameters to full ugriz photometry, only mild improvements are obtained, while the gains are substantial in cases where fewer passbands are available. For instance, the combination of grz photometry and morphological parameters almost fully recovers the metrics of 5-band photometric redshifts. We demonstrate that with morphology it is possible to determine useful redshift distribution N(z) of galaxy samples without any colour information. We also find that the inclusion of quasar redshifts and associated object sizes in training improves the quality of photometric redshift catalogues, compensating for the lack of a good star-galaxy separator. We further show that morphological information can mitigate biases and scatter due to bad photometry. As an application, we derive both point estimates and posterior distributions of redshifts for the official CS82 catalogue, training on morphology and SDSS Stripe-82 ugriz bands when available. Our redshifts yield a 68th percentile error of 0.058(1 + z), and a outlier fraction of 5.2 per cent. We further include a deep extension trained on morphology and single i-band CS82 photometry.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».