[论文解读] Angular clustering properties of the DESI QSO target selection using DR9 Legacy Imaging Surveys

E. Chaussidon, Christophe Yèche+13 more|arXiv (Cornell University)|Aug 8, 2021

Galaxies: Formation, Evolution, Phenomena参考文献 54被引用 38

一句话总结

本文开发并验证了一种基于机器学习的校正方法，用于校正在DESI QSO目标选择中由DESI DR9 Legacy Imaging Surveys引起的角功率谱系统误差。通过应用随机森林和多层感知机模型来校正光度系统误差和恒星污染（特别是来自人马座流的污染），该方法在三分之二的观测区域内使角相关函数与SDSS DR16类星体保持一致，验证了目标选择方法在宇宙学相关分析中的稳健性。

ABSTRACT

The quasar target selection for the upcoming survey of the Dark Energy Spectroscopic Instrument (DESI) will be fixed for the next five years. The aim of this work is to validate the quasar selection by studying the impact of imaging systematics as well as stellar and galactic contaminants, and to develop a procedure to mitigate them. Density fluctuations of quasar targets are found to be related to photometric properties such as seeing and depth of the Data Release 9 of the DESI Legacy Imaging Surveys. To model this complex relation, we explore machine learning algorithms (Random Forest and Multi-Layer Perceptron) as an alternative to the standard linear regression. Splitting the footprint of the Legacy Imaging Surveys into three regions according to photometric properties, we perform an independent analysis in each region, validating our method using eBOSS EZ-mocks. The mitigation procedure is tested by comparing the angular correlation of the corrected target selection on each photometric region to the angular correlation function obtained using quasars from the Sloan Digital Sky Survey (SDSS)Data Release 16. With our procedure, we recover a similar level of correlation between DESI quasar targets and SDSS quasars in two thirds of the total footprint and we show that the excess of correlation in the remaining area is due to a stellar contamination which should be removed with DESI spectroscopic data. We derive the Limber parameters in our three imaging regions and compare them to previous measurements from SDSS and the 2dF QSO Redshift Survey.

研究动机与目标

• 主要目标是通过评估和校正成像系统误差与恒星污染，验证DESI QSO目标选择方法。
• 本研究旨在确保DESI巡天的大尺度相关测量不受光度系统误差或目标选择效应的影响。
• 旨在开发一种稳健且可迁移的方法，利用成像系统误差与机器学习技术，校正光谱目标样本中的角相关系统误差。
• 本工作为在光谱后续观测前校正DESI QSO样本中的系统误差提供了概念验证，确保获得宇宙学无偏的结果。

提出的方法

• 作者根据光度特性将DESI Legacy Imaging Survey的覆盖区域划分为三个区域：北区、南区和DESI区（赤纬 > −30°）。
• 应用机器学习模型（随机森林与多层感知机）来建模目标密度涨落与成像系统误差（如视宁度、深度、PSF）之间的非线性关系。
• 从训练好的模型中推导出校正权重，并分别独立地应用于每个区域的目标样本，以减轻系统误差。
• 通过eBOSS EZ-mocks验证该方法，并与SDSS DR16类星体的角相关函数进行比较，以评估宇宙学一致性。
• 为每个区域推导出Limber参数（r₀, γ），并与SDSS和2dF QSO巡天的先前测量结果进行比较。
• 基于人马座流构建恒星污染图，用于识别并评估未分辨恒星污染对相关函数的影响。

实验结果

研究问题

• RQ1 z波段和W2波段中的光度系统误差（如视宁度和深度）在多大程度上影响了DESI QSO目标的角相关性？
• RQ2 与线性回归相比，基于机器学习的校正方法（随机森林与多层感知机）在减轻非线性系统误差方面的有效性如何？
• RQ3 经过校正后的DESI QSO目标选择是否能达到与SDSS DR16光谱确认类星体一致的角相关性特征？
• RQ4 恒星污染（特别是来自人马座流的污染）对角相关函数中过量相关性的贡献有多大？
• RQ5 仅依靠成像校正能在多大程度上解决系统误差？何时必须依赖光谱后续观测？

主要发现

• 应用校正程序后，DESI QSO目标在北区和南区的角相关函数在1σ不确定度范围内与SDSS DR16类星体一致。
• 校正后的DESI QSO目标选择在北区得到的Limber振幅为 r₀ = 7.49 ± 0.57 h⁻¹Mpc，在南区为 r₀ = 10.33 ± 0.84 h⁻¹Mpc，与SDSS测量结果一致。
• 在DESI区（赤纬 > −30°），校正后的 r₀ = 6.76 ± 0.58 h⁻¹Mpc，同样与SDSS和2dF QSO巡天结果一致。
• 尽管经过校正，人马座流区域的过量相关性依然存在，归因于来自暗淡、此前未被探测到的恒星的未分辨恒星污染。
• 该方法成功在三分之二的覆盖区域内减少了系统误差，证明成像校正可实现宇宙学相关的精度。
• 本研究确认，光谱后续观测对于完全消除恒星污染并实现最优相关测量至关重要。