Weak-lensing-inferred scaling relations of galaxy clusters in the RCS2: mass-richness, mass-concentration, mass-bias, and more
Notice bibliographique
Résumé
We study a sample of ~104 galaxy clusters in the redshift range 0.2 <z< 0.8 with masses M200 > 5×1013 h70-1 M⊙, discovered in the second Red-sequence Cluster Survey (RCS2). The depth and excellent image quality of the RCS2 enabled us to detect the cluster-mass cross-correlation up to z ~ 0.7. To obtain cluster masses, concentrations, and halo biases, we fit a cluster halo model simultaneously to the lensing signal and to the projected density profile of red-sequence cluster members, because the latter provides tight constraints on the cluster miscentring distribution. We parametrised the mass-richness relation as M200 = A × (N200/ 20)α and find A =(15.0±0.8)×1013 h70-1 M⊙ and α = 0.73 ± 0.07 at low redshift (0.2 < z < 0.35). At intermediate redshift (0.35 < z < 0.55), we find a higher normalisation, which points towards a fractional increase in the richness towards lower redshift caused by the build-up of the red sequence. The miscentring distribution is well constrained. Only ~30% of our BCGs coincide with the peak of the dark matter distribution. The distribution of the remaining BCGs are modelled with a 2D-Gaussian, whose width increases from 0.2 to 0.4 h70-1 Mpc towards higher masses. The ratio of width and r200 is constant with mass and has an average value of 0.44 ± 0.01. The mass-concentration and mass-bias relations agree fairly well with literature results at low redshift, but have a higher normalisation at higher redshifts, possibly because of selection and projection effects. The concentration of the satellite distribution decreases with mass and is correlated to the concentration of the halo.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».