Quantifying the detectability of Milky Way satellites with image simulations: Case study with KiDS
Notice bibliographique
Résumé
Ultra-faint dwarf galaxies, which can be detected as resolved satellite systems of the Milky Way, are critical to our understanding of galaxy formation, evolution, and the nature of dark matter, as they are the oldest, smallest, most metal-poor, and most dark matter-dominated stellar systems known thus far. Quantifying the sensitivity of surveys is essential to investigating their capability and limitations in searching for ultra-faint satellites. In this paper, we present the first study of the image-level observational selection function for Kilo-Degree Survey (KiDS) based on the Synthetic UniveRses For Surveys ( SURFS ) based on KiDS Legacy-like simulations. We generated mock satellites and simulated images that included resolved stellar populations of the mock satellites and the background galaxies, capturing realistic observational effects such as source blending, photometric uncertainties, and star-galaxy separation. We applied the matched-filter method to recover the injected satellites. We derived the observational selection function of the survey in terms of the luminosity, half-light radius, and heliocentric distance of the satellites. Compared to the catalogue-level simulation typically used in previous studies, the image-level simulation provides a more realistic assessment of survey sensitivity, accounting for observational limitations that are neglected in catalogue-level simulations. The image-level simulation shows a detection loss for compact sources with a distance d ≳ 100 kpc. We argue that this is because compact sources are more likely to be identified as single sources, rather than being resolved during the source extraction process.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».