<i>Euclid</i> preparation
Notice bibliographique
Résumé
Context. The Euclid mission is expected to discover thousands of z > 6 galaxies in three deep fields, which together will cover a ∼50 deg2 area. However, the limited number of Euclid bands (four) and the low availability of ancillary data could make the identification of z > 6 galaxies challenging. Aims. In this work we assess the degree of contamination by intermediate-redshift galaxies (z = 1–5.8) expected for z > 6 galaxies within the Euclid Deep Survey. Methods. This study is based on ∼176 000 real galaxies at z = 1–8 in a ∼0.7 deg2 area selected from the UltraVISTA ultra-deep survey and ∼96 000 mock galaxies with 25.3 ≤ H < 27.0, which altogether cover the range of magnitudes to be probed in the Euclid Deep Survey. We simulate Euclid and ancillary photometry from fiducial 28-band photometry and fit spectral energy distributions to various combinations of these simulated data. Results. We demonstrate that identifying z > 6 galaxies with Euclid data alone will be very effective, with a z > 6 recovery of 91% (88%) for bright (faint) galaxies. For the UltraVISTA-like bright sample, the percentage of z = 1–5.8 contaminants amongst apparent z > 6 galaxies as observed with Euclid alone is 18%, which is reduced to 4% (13%) by including ultra-deep Rubin (Spitzer) photometry. Conversely, for the faint mock sample, the contamination fraction with Euclid alone is considerably higher at 39%, and minimised to 7% when including ultra-deep Rubin data. For UltraVISTA-like bright galaxies, we find that Euclid (IE − YE) > 2.8 and (YE − JE) < 1.4 colour criteria can separate contaminants from true z > 6 galaxies, although these are applicable to only 54% of the contaminants as many have unconstrained (IE − YE) colours. In the best scenario, these cuts reduce the contamination fraction to 1% whilst preserving 81% of the fiducial z > 6 sample. For the faint mock sample, colour cuts are infeasible; we find instead that a 5σ detection threshold requirement in at least one of the Euclid near-infrared bands reduces the contamination fraction to 25%.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,205 | 0,127 |
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 ».