Enhancing Photometric Redshifts for the Era of Precision Cosmology
Notice bibliographique
Résumé
Photometric redshifts (photo-z's) are vital for the success of current and forthcoming cosmological galaxy surveys. This work focuses on three different approaches to enhance photo-z's. Firstly, we study the extent to which galaxy morphology improves photo-z's. Using artificial neural networks, we compare the performances of several morphological parameters and find that galaxy size and surface brightness bring about the most improvement to photo-z's in bright samples. When multiple morphological parameters are used, the improvement in scatter reaches as high as 12% for the Main Galaxy Sample (MGS) of the Sloan Digital Sky Survey (SDSS). We also find that the improvement becomes significant under suboptimal conditions: when surveys have limited numbers of bands, low quality photometry, or an imperfect star-galaxy separator. Next we study aspects of photo-z probability density functions (PDFs) and the resulting redshift distributions of galaxy samples in the context of the Canada-France-Hawaii Telescope Stripe-82 (CS82) Survey. We discover that, while galaxy morphology brings marginal improvement to both, we are able to produce accurate redshift distributions using a single photometric band and multiple galaxy morphological parameters, and apply this to the CS82 survey. As part of the photo-z Working Group of the Large Synoptic Survey Telescope Dark Energy Science Collaboration (LSST-DESC), we use several metrics to assess the performances of two state-of-the-art photo-z codes, ANNz2 and Delight, and concluded that the photo-z's produced by both are close to the standard for the current photo-z requirements of LSST. Finally, we explore the performances of multiple photo-z codes on narrowband surveys. Using simulated and real data from the 40-narrowband Physics of the Accelerating Universe (PAU) Survey, we find that the hybrid spectral template-machine learning code Delight outperforms monolithic machine learning as well as template codes. Using the large suite of spectral templates and well-calibrated additional broadband fluxes, we are able to produce competitive photo-z's close to the nominal PAU requirement at 40% quality cut. We believe these method would be useful for the next generation of photometric surveys, like Euclid and LSST.
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 | 0,008 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».