Notice bibliographique
Résumé
Being galaxy clusters the most massive bound structures in the Universe, they represent a powerful tool to probe the large-scale structure predicted by the standard cosmological model, and to understand how environmental effects affect galaxy evolution. To conduct these studies and obtain reliable results, it is important to build complete and pure cluster catalogs. The use of these catalogs for cosmology requires accurate estimates of cluster mass. In this work, I describe the cluster detection algorithm that I developed during my PhD thesis : Red-GOLD, and the results that I obtained by applying i to current multi-wavelength surveys. My algorithm is based on the detection of galaxy overdensities and the characterisation of their red-sequence. The algorithm finds red galaxy overdensities with respect to the mean background. I select red galaxies using color predictions given by stellar population synthesis models and impose color limits as a function of redshift. Among those galaxies, I discern the early-type galaxies from their spectral type. I then identify cluster members using accurate photometric redshifts, and estimate the cluster candidate richness. I applied Red-GOLD to optical data coming from two different surveys, the Next Generation Virgo Cluster Survey (NGVS) and the Canada-France-Hawaii Telescope Lensing Survey (CFHTLS) and detected galaxy cluster candidates up to redshift z=1. I assessed the performances of my algorithm by applying it to simulated galaxy catalogs from the Millennium simulations. My cluster catalogue is complete at the 80% up to redshift z=1 and pure at 81%.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».