[论文解读] A new method to improve photometric redshift reconstruction. Applications to the Large Synoptic Survey Telescope

Alexia Gorecki, Alexandra Abate+5 more|Jan 14, 2013

Galaxies: Formation, Evolution, Phenomena参考文献 30被引用 3

一句话总结

本文提出了一种似然比统计检验方法，以减少LSST类巡天中的灾难性光度红移（photo-z）异常值，通过基于后验概率分布和颜色选择星系，提升准确性。该方法增强了模板拟合光度红移重建，使LSST指定的要求（2–5%散射，<10%异常值）在z ≈ 2.5以内得到满足，相较于基于星等的选择方法，保留了35%更多的高红移星系。

ABSTRACT

In the next decade, the LSST will become a major facility for the astronomical community. However accurately determining the redshifts of the observed galaxies without using spectroscopy is a major challenge. Reconstruction of the redshifts with high resolution and well-understood uncertainties is mandatory for many science goals, including the study of baryonic acoustic oscillations. We investigate different approaches to establish the accuracy that can be reached by the LSST six-band photometry. We construct a realistic mock galaxy catalog, based on the GOODS survey luminosity function, by simulating the expected apparent magnitude distribution for the LSST. To reconstruct the photometric redshifts (photo-z's), we consider a template-fitting method and a neural network method. The photo-z reconstruction from both of these techniques is tested on real CFHTLS data and also on simulated catalogs. We describe a new method to improve photo-z reconstruction that efficiently removes catastrophic outliers via a likelihood ratio statistical test. This test uses the posterior probability functions of the fit parameters and the colors. We show that the photometric redshift accuracy will meet the stringent LSST requirements up to redshift $\sim2.5$ after a selection that is based on the likelihood ratio test or on the apparent magnitude for galaxies with $S/N&gt;5$ in at least 5 bands. The former selection has the advantage of retaining roughly 35% more galaxies for a similar photo-z performance compared to the latter. Photo-z reconstruction using a neural network algorithm is also described. In addition, we utilize the CFHTLS spectro-photometric catalog to outline the possibility of combining the neural network and template-fitting methods. We conclude that the photo-z's will be accurately estimated with the LSST if a Bayesian prior probability and a calibration sample are used.

研究动机与目标

• 解决大型巡天（如LSST）中灾难性光度红移异常值的问题，这些异常值会降低宇宙学测量（如重子声波振荡（BAO））的精度。
• 利用校准后的后验概率函数，通过贝叶斯模板拟合方法提升光度红移的准确性。
• 开发并验证一种新的选择技术——似然比统计检验，利用后验分布和星系颜色识别并剔除异常红移值。
• 在模拟和真实数据中，将新方法的性能与基于星等的选择方法及神经网络方法进行比较。
• 为LSST科学目标（特别是暗能量和大尺度结构研究）实现稳健、高精度的光度红移估计。

提出的方法

• 使用GOODS星等函数构建一个真实的模拟星系星表，利用星等、颜色和信噪比（S/N）分布，模拟LSST六波段光度测量。
• 应用贝叶斯χ²模板拟合方法估算光度红移，获得红移、星系类型和消光的后验概率密度函数（pdf）。
• 开发一种似然比统计检验，利用拟合参数的后验pdf和观测到的星系颜色，识别并剔除灾难性异常值。
• 使用与VVDS光谱数据匹配的CFHTLS T0005数据发布中的光谱-光度训练样本对似然比检验进行校准。
• 在真实CFHTLS数据和模拟LSST星表上测试该方法，评估光度红移性能和异常值剔除效果。
• 将结果与多层感知机（MLP）神经网络方法进行比较，并探索结合模板拟合与神经网络输出的混合方法。

实验结果

研究问题

• RQ1 基于后验概率分布和颜色的似然比检验是否能有效减少LSST类巡天中的灾难性光度红移异常值？
• RQ2 与基于星等的简单选择方法（在≥5个波段中S/N > 5）相比，似然比选择方法在光度红移精度和星系保留率方面的表现如何？
• RQ3 增强的模板拟合方法在多大程度上可满足LSST在z ≈ 2.5以内的严格光度红移要求（2–5%散射，<10%异常值）？
• RQ4 结合模板拟合与神经网络光度红移估计是否能提升整体可靠性并扩大样本规模，以支持宇宙学分析？
• RQ5 在模拟LSST星表中，哪些关键系统效应（如银河系消光、恒星污染、SED插值）会影响光度红移的准确性？

主要发现

• 似然比统计检验成功减少了灾难性光度红移异常值，实现了满足LSST科学要求的光度红移精度，直至红移z ≈ 2.5。
• 基于似然比的选择在高红移（z > 1）区域比基于星等的选择多保留约35%的星系，且光度红移性能相当。
• 结合贝叶斯先验和似然比过滤的模板拟合方法，生成的光度红移估计具有2–5%的散射和低于10%的异常值，满足LSST要求。
• 神经网络方法也表现出具有竞争力的光度红移性能，将之与模板拟合结合可进一步丰富高质量、可靠的红移估计样本。
• 模拟星系星表准确再现了真实巡天（GOODS和CFHTLS）的光度特性，验证了其在LSST模拟和性能预测中的适用性。
• 系统效应如恒星污染、银河系消光和SED插值退化被识别为关键挑战，未来工作将致力于改进建模。