[论文解读] Dark Energy Survey Year 3 Results: Clustering Redshifts -- Calibration of the Weak Lensing Source Redshift Distributions with redMaGiC and BOSS/eBOSS

M. Gatti, G. Giannini+96 more|arXiv (Cornell University)|Dec 15, 2020

Galaxies: Formation, Evolution, Phenomena参考文献 7被引用 5

一句话总结

本论文提出了一种基于暗能量巡天第三年（DES Y3）中弱引力透镜源红移分布的新校准方法，利用与红MaGiC及BOSS/eBOSS光谱样本的聚类互相关。该方法引入了两种新策略——均值红移估计与基于似然的 $ n(z) $ 采样——显著提升了 $ n(z) $ 的准确度与精度，将均值红移不确定性降低至约 0.014 RMS，并通过系统误差的边缘化提升了形状保真度。

ABSTRACT

We present the calibration of the Dark Energy Survey Year 3 (DES Y3) weak lensing source galaxy redshift distributions $n(z)$ from clustering measurements. In particular, we cross-correlate the weak lensing (WL) source galaxies sample with redMaGiC galaxies (luminous red galaxies with secure photometric redshifts) and a spectroscopic sample from BOSS/eBOSS to estimate the redshift distribution of the DES sources sample. Two distinct methods for using the clustering statistics are described. The first uses the clustering information independently to estimate the mean redshift of the source galaxies within a redshift window, as done in the DES Y1 analysis. The second method establishes a likelihood of the clustering data as a function of $n(z)$, which can be incorporated into schemes for generating samples of $n(z)$ subject to combined clustering and photometric constraints. Both methods incorporate marginalisation over various astrophysical systematics, including magnification and redshift-dependent galaxy-matter bias. We characterise the uncertainties of the methods in simulations; the first method recovers the mean $z$ of tomographic bins to RMS (precision) of $\sim 0.014$. Use of the second method is shown to vastly improve the accuracy of the shape of $n(z)$ derived from photometric data. The two methods are then applied to the DES Y3 data.

研究动机与目标

• 使用与红MaGiC（具有可靠光谱红移的明亮红序星系）及BOSS/eBOSS光谱样本的聚类互相关，校准DES第三年弱引力透镜源星系的红移分布 $ n(z) $。
• 减少因光谱红移不确定性导致的 $ n(z) $ 估计不准确所引发的宇宙学约束偏差。
• 开发并验证两种稳健的 $ n(z) $ 估计方法，整合如放大率和红移依赖性偏差等系统误差。
• 通过结合聚类数据与光谱先验，提升 $ n(z) $ 形状精度，超越仅依赖光谱红移的方法。
• 通过提供可集成至全尺度形状分析流程中的似然框架，实现精确的宇宙学推断。

提出的方法

• 利用弱引力透镜源星系与红MaGiC星系（具有可靠光谱红移的明亮红序星系）的互相关，推断源星系的红移分布。
• 采用两种不同的基于聚类的方法：(1) 对每个分档独立估计均值红移；(2) 利用聚类数据作为似然函数，基于似然的 $ n(z) $ 采样。
• 对额外参数（如放大率 ($ \bar{\beta}_{\rm u}, \bar{\beta}_{\rm u} $) 和红移依赖性偏差 ($ b_{\rm u}(z) $)）进行边缘化处理，系统误差通过指数多项式系统函数 $ \text{Sys}(z; \boldsymbol{s}) $ 建模。
• 在最大似然点 $ \boldsymbol{q}_0 $ 附近采用线性化近似，通过高斯积分实现每分档对 8 个额外参数的高效边缘化。
• 使用映射至 $[-0.85, 0.85]$ 区间的勒让德多项式，确保系统误差变化平滑且行为良好，结合正交先验，实现系统误差 RMS 的可预测控制。
• 推导出边缘化似然 $ \tilde{\boldsymbol{\theta}} $ 的解析表达式，使MCMC流程中无需完整积分额外参数即可高效采样。

实验结果

研究问题

• RQ1 与标准光谱红移方法相比，利用高保真红移样本的聚类互相关能否显著提升弱引力透镜源星系 $ n(z) $ 的准确性？
• RQ2 在估计中引入系统误差（如放大率、偏差）如何影响 $ n(z) $ 估计的精度与鲁棒性？
• RQ3 与仅基于均值红移的估计相比，基于似然的方法在多大程度上提升了 $ n(z) $ 形状保真度？
• RQ4 该方法能否在计算上足够高效，以适用于大规模巡天的全尺度形状宇宙学分析？
• RQ5 使用此基于聚类的方法，对分档红移的均值红移估计可达到何种精度？

主要发现

• 第一种方法使DES Y3弱引力透镜源星系的均值红移估计精度（RMS）达到每分档约 0.014。
• 基于似然的方法显著提升了 $ n(z) $ 形状的准确性，相比仅使用光谱红移，有效降低了分布轮廓中的系统偏差。
• 采用指数多项式 $ \text{Sys}(z; \boldsymbol{s}) $ 的系统误差边缘化框架，可实现对红移依赖性系统误差的稳健控制，且系统误差RMS变化具有可预测性。
• 线性化与解析边缘化技术通过避免对每分档8个额外参数的完整MCMC积分，显著降低计算成本，同时保持精度。
• 模拟验证表明，该方法能一致地恢复真实 $ n(z) $，在各红移分档中对放大率与偏差系统误差均表现出鲁棒性。
• 最终的 $ n(z) $ 估计结果适用于宇宙学分析，其似然框架可直接与DES Y3及后续工作的全尺度似然分析流程兼容。