Euclid preparation \nXLII. A unified catalogue-level reanalysis of weak lensing by galaxy clusters in five imaging surveys
Notice bibliographique
Résumé
Precise and accurate mass calibration is required to exploit galaxy clusters as astrophysical and cosmological probes in the Euclid era. Systematic errors in lensing signals by galaxy clusters can be empirically estimated by comparing different surveys with independent and uncorrelated systematics. To assess the robustness of the lensing results to systematic errors, we carried out end-to-end tests across different data sets. We performed a unified analysis at the catalogue level by leveraging the Euclid combined cluster and weak-lensing pipeline (COMB-CL). Notably, COMB-CL will measure weak lensing cluster masses for the Euclid Survey. Heterogeneous data sets from five recent, independent lensing surveys (CHFTLenS, DES SV1, HSC-SSP S16a, KiDS DR4, and RCSLenS), which exploited different shear and photometric redshift estimation algorithms, were analysed with a consistent pipeline under the same model assumptions. We performed a comparison of the amplitude of the reduced excess surface density and of the mass estimates using lenses from the Planck PSZ2 and SDSS redMaPPer cluster samples. Mass estimates agree with the results in the literature collected in the LC2 catalogues. Mass accuracy was further investigated considering the AMICO-detected clusters in the HSC-SSP XXL-North field. The consistency of the data sets was tested using our unified analysis framework. We found agreement between independent surveys at the level of systematic noise in Stage-III surveys or precursors. This indicates successful control over systematics. If this control continues into Stage IV, Euclid will be able to measure the weak lensing masses of around 13 000 (considering shot noise only) or 3000 (noise from shape and large-scale-structure) massive clusters with a signal-to-noise ratio greater than three.
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 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».