[论文解读] The many flavours of photometric redshifts

M. Salvato, O. Ilbert+1 more|arXiv (Cornell University)|May 31, 2018

Galaxies: Formation, Evolution, Phenomena参考文献 110被引用 5

一句话总结

本文综述了光度红移（photo-z）技术的演变、方法论及最先进性能，涵盖从模板拟合到机器学习和混合模型的各类方法，强调其在现代宇宙学与星系演化研究中的关键作用。研究表明，通过先进的巡天设计与算法创新，光度红移的精度已显著提升，尽管其精度仍低于光谱红移，但已足以支持精确的宇宙学参数估计。

ABSTRACT

For more that seventy years, the measurements of fluxes of galaxies at different wavelengths and derived colours have been used to estimate their corresponding cosmological distances. From the fields of galaxy and AGN evolution to precision cosmology, the number of scientific projects relying on such distance measurements, called photometric redshifts, have exploded. The benefits of photometric redshifts is that all sources detected in photometric images can have some distance estimates relatively cheaply. The major drawback is that these cheap estimates have a low precision when compared with the resource-expensive spectroscopy. The methodology to estimate redshifts has been through several major revolutions throughout the last decades, triggered by increasingly more stringent requirements on the photometric redshift accuracy. Here, we review the various techniques to obtain photometric redshifts, from template-fitting to machine learning and hybrid systems. We also describe the state-of-the-art results on current extra-galactic samples and explain how survey strategy choices impact redshift accuracy. We close the review with a description of the photometric redshifts efforts planned for upcoming wide field surveys, which will collect data on billions of galaxies, aiming to solve the most exciting cosmological and astrophysical questions of today.

研究动机与目标

• 为现代河外巡天中使用的光度红移技术提供全面综述。
• 分析巡天设计（尤其是波段覆盖范围、滤波器配置和深度）对光度红移精度的影响。
• 评估光度与光谱巡天之间的协同作用，以提升红移估计的可靠性。
• 评估机器学习与混合方法在提升光度红移精度方面的作用，以应对即将开展的百亿星系巡天需求。
• 量化光度红移误差对宇宙学的影响，特别是在弱引力透镜效应分层分析与暗能量参数估计中的影响。

提出的方法

• 系统性回顾光度红移方法论，包括模板拟合、机器学习及混合方法。
• 利用深度且具代表性的光谱样本评估与验证光度红移估计的性能。
• 使用HSC、DES、LSST、Euclid与J-PAS等巡天的多波段图像数据，评估不同滤波器配置下的红移精度。
• 应用统计方法量化光度红移的偏差与发散，尤其在弱引力透镜效应分层分析的背景下。
• 通过模拟的红移分布与相关函数，建模因红移分布不准确导致的宇宙学参数偏差。
• 整合位置信息与光度数据，以提升光度红移估计精度，特别是在高红移区域。

实验结果

研究问题

• RQ1 在不同星系群体中，光度红移技术（模板拟合、机器学习与混合模型）在精度与鲁棒性方面如何比较？
• RQ2 巡天策略（包括滤波器数量、带宽与波段覆盖范围，特别是近红外波段）在多大程度上影响光度红移的精度？
• RQ3 光度红移误差对宇宙学参数估计有何影响，特别是在弱引力透镜效应分层分析与暗能量研究中？
• RQ4 机器学习与混合算法如何在高红移区域超越传统SED拟合方法，进一步提升光度红移精度？
• RQ5 互补的光谱巡天在验证与优化大规模宇宙学巡天的光度红移估计中发挥何种作用？

主要发现

• J-PAS巡天的光度红移精度已达到约0.3%，足以支持高精度宇宙学测量，如重子声学振荡的探测。
• 在z > 1.3的红移区域，仅使用光学波段数据无法打破退化，因此近红外光度测量（如Euclid与LSST中的）对实现准确的光度红移至关重要。
• 机器学习与混合方法目前在复杂区域（如高红移或活动星系核主导区域）的表现已超越传统模板拟合方法。
• 在分层分析的光变区间中，±0.025的红移偏差可显著影响宇宙学参数，如w0（暗能量状态方程）与As（原初涨落幅度），模拟相关函数已证实此影响。
• LSST将在六种波段（包括u波段）中进行为期10年、共1000次观测，将极大提升光度红移精度与源分类能力，尤其适用于变星与特殊天体。
• 光度巡天与即将开展的光谱巡天（如PFS、NISP）之间的协同作用，对校准光度红移并最小化宇宙学推断中的系统误差至关重要。