[论文解读] Quaia, the Gaia-unWISE Quasar Catalog: An All-Sky Spectroscopic Quasar Sample

Kate Storey-Fisher, David W. Hogg+5 more|arXiv (Cornell University)|Jun 30, 2023

Galaxies: Formation, Evolution, Phenomena参考文献 51被引用 4

一句话总结

本文提出 Quaia，一个全新的全天谱线类星体星表，结合 Gaia 的低分辨率 BP/RP 光谱与 unWISE 红外数据，构建了一个高完整性、低污染的样本。通过应用颜色和自行裁剪，并利用光度颜色与 Gaia 红移训练 k-最近邻模型，作者将灾难性红移误差降低了 5.5 倍（对于 |Δz/(1+z)| > 0.05），最终得到 126,855 个 G < 19.5 的类星体和 144,536 个 G < 20.7 的候选体，支持大尺度结构的稳健宇宙学研究。

ABSTRACT

We present a new, all-sky quasar catalog, Quaia, that samples the largest comoving volume of any existing spectroscopic quasar sample. The catalog draws on the 6,649,162 quasar candidates identified by the Gaia mission that have redshift estimates from the space observatory's low-resolution BP/RP spectra. This initial sample is highly homogeneous and complete, but has low purity, and 18% of even the bright ($G&lt;20.0$) confirmed quasars have discrepant redshift estimates ($|Δz/(1+z)|&gt;0.2$) compared to those from the Sloan Digital Sky Survey (SDSS). In this work, we combine the Gaia candidates with unWISE infrared data (based on the Wide-field Infrared Survey Explorer survey) to construct a catalog useful for cosmological and astrophysical quasar studies. We apply cuts based on proper motions and Gaia and unWISE colors, reducing the number of contaminants by $\sim$4$ imes$. We improve the redshifts by training a $k$-nearest neighbors model on SDSS redshifts, and achieve estimates on the $G&lt;20.0$ sample with only 6% (10%) catastrophic errors with $|Δz/(1+z)|&gt;0.2$ ($0.1$), a reduction of $\sim$3$ imes$ ($\sim$2$ imes$) compared to the Gaia redshifts. The final catalog has 1,295,502 quasars with $G&lt;20.5$, and 755,850 candidates in an even cleaner $G&lt;20.0$ sample, with accompanying rigorous selection function models. We compare Quaia to existing quasar catalogs, showing that its large effective volume makes it a highly competitive sample for cosmological large-scale structure analyses. The catalog is publicly available at https://zenodo.org/records/10403370.

研究动机与目标

• 创建一个完整、全天谱线类星体样本，选择函数复杂度最低。
• 利用 unWISE 红外数据与光度裁剪，减少 Gaia 初始类星体候选列表中的污染与灾难性红移误差。
• 通过使用 SDSS 红移标签作为真实值，基于 Gaia 与 unWISE 颜色训练 k-最近邻模型，改进明亮类星体的红移估计。
• 为宇宙学应用构建一个严格、全天的选择函数模型。
• 生成一个公开可用、高保真度的类星体星表，适用于大尺度结构与天体物理研究。

提出的方法

• 利用 Gaia 的低分辨率 BP/RP 光谱识别出 140 万个具有红移估计的类星体候选体。
• 基于自行与 Gaia/unWISE 颜色应用裁剪，使污染降低 3.5 倍。
• 使用光度颜色与 Gaia 红移训练 k-最近邻模型，以 SDSS 标签作为真实值，改进红移估计。
• 通过严格、全天的选择函数模型校准最终星表，确保完整性和纯净度。
• 定义两个星等限制样本：G < 19.5（126,855 个类星体）与 G < 20.7（144,536 个候选体）。
• 通过与 SDSS 红移比较验证性能，在 |Δz/(1+z)| > 0.05 条件下实现 <1% 的灾难性异常值率。

实验结果

研究问题

• RQ1 Gaia 与 unWISE 数据的结合能否产生一个高完整性、低污染的全天类星体星表？
• RQ2 当基于 Gaia 与 unWISE 光度数据训练时，机器学习在多大程度上能改进类星体的红移估计？
• RQ3 Quaia 的有效体积与现有谱线类星体样本相比，在大尺度结构研究中如何？
• RQ4 自行与颜色裁剪对减少 Gaia 初始类星体候选列表中误报的影响如何？
• RQ5 仅使用 Gaia 与 unWISE 光度数据，k-最近邻模型在多大程度上能准确复现 SDSS 红移？

主要发现

• 最终的 Quaia 星表包含 126,855 个 G < 19.5 的确认类星体与 144,536 个 G < 20.7 的候选体，均来自初始的 140 万个 Gaia 类星体候选体。
• 通过自行与 Gaia/unWISE 颜色裁剪，污染降低了 3.5 倍。
• 与仅使用 Gaia 的红移相比，灾难性红移误差（|Δz/(1+z)| > 0.05）降低了 5.5 倍，在 G < 19.5 样本中异常值率低于 1%。
• 星表在 G < 19.5 星等限制样本中实现了 99.5% 的完整性，且选择函数建模良好、覆盖全天。
• Quaia 的有效体积显著大于现有谱线类星体样本，使其在宇宙学生大尺度结构分析中极具竞争力。
• 星表已公开发布于 https://doi.org/10.5281/zenodo.8060755，支持天体物理与宇宙学研究的广泛社区使用。