Anbajagane2026DECADEGiantsCatalog
Brief
#
- 在 DES 和 DECADE 两个质量存在差异的数据组合上运行 redMaPPer 得到了 cluster catalog，后续针对 redshift、richness、和 SZ/X-ray 的匹配以及 stacked WL 进行了基本检验，重点对比 DES/DECADE 上结果的不同（或者证明数据质量导致的差异可以忽略/redMaPPer 对空间不均匀性有足够好的 robustness）
- mass 估计部分地用到了 richness - SZ observable - mass 之间的联合 MOR，其中 SZ/optical observable 之间具有相关性
- 用到了 cylinder richness 作为 redMaPPer 替代，虽然 radius/percolation 仍然沿用 redMaPPer convention 并且仍然依赖 redMaPPer 副产品 redMaGiC，但是可以证明大致和 redMaPPer richness 保持相同的性能
- 有一些 redMaPPer pipeline 以及 version difference 相关的介绍
Intro
#
- 数据来自 DECADE（8500deg2）和 DES Y6 Gold（4500deg2）共计 13k deg2，数据包括在 DELVE DR3 中
- cluster 数目是 20 以上包括 42k（也就是 3 deg-2，和 100/40deg2 比较一致）
- fig1 展示了 DECADE/DES 的天区分布
- 一个目标是在 DECADE/DES 等质量/数据来源不同的天区检验算法应对空间不均匀性的能力
Data
#
- 使用 cmodel 进行拟合，包括 griz 四个波段的测光数据
- 采用了 survey property map，衡量 seeing/depth 等属性的空间变化
- spec-z 数据来自 DESI DR1、SDSS DR16 等（fig2）
- 光谱数据数目对于 DECADE/DES 分别是 2m 和 0.45m
- SZ 数据来自 SPT/ACT，X-ray 来自 eROSITA
- 匹配方式是红移差小于 0.15 并且投影距离低于 1.5Mpc/h
Methodology
#
- redMaPPer 用了 Python 6.4 版本
- 相比 DES Y3 更新了 percolation radius（和 cluster radius 采用不同的 power law index），这个更新在 6.4 之后的版本中存在
- DES redMaPPer 是基于 IDL 生成的，二者的主要区别是
- 相关系数固定为 0.9
- 拟合颜色协方差的误差（不确定是否和「给 color 误差加一个倍数」是同一件事）
- redMaPPer 应对 depth 变化的方式是使用 random catalog
- 另外还计算了一个 cylinder richness
- 目的是解决 redMaPPer 依赖过于复杂、模拟难度较高的问题
- 这里 cylinder count 针对 redMaGiC 星系进行，这个 by-product 仍然依赖于 redMaPPer calibration 阶段的运行
- redMaGiC 可以在模拟中被很好地构建（Cao 2026）
- this work 用到的 redMaGiC sample 会在另一篇 paper 中介绍
- 半径使用 100/0.2 定义，高度定义为 \pm 100Mpc/h，使用 redMaPPer 相同的 percolation 算法
- 可能在 halo mass proxy performance 上相比 redMaPPer richness 有所下降
Cluster catalog
#
- 红移的高精确度来自所有 member 的平均（$1/\sqrt{N}$），在 0.2-0.65 达到 8e-3，在更高红移大致在 1e-2 左右（fig3）
- outlier fraction 大约 0.1-0.2% 水平
- bias 水平低于 1e-3，整体符合 Gaussian 分布
- 在 0.35 红移附近有 2.5e-3 左右的抬升，主要原因是 DECam g/r band 之间存在间隙
- 虽然 DECADE spec-z 样本更多，但是两个区域的 photo-z 精度基本一致，也就是 spec-z 对于 cluster redshift determination 不起到决定性的作用
- richness、红移分布和 pcen 分布整体比较一致（fig3），除了 DECADE 在 0.6 左右数量偏低（因为 DECADE 数据较浅）
- red sequence model 也比较一致（fig4）
- 和 eROSITA match 并且分析了 lambda 和 X-ray luminosity 的关系（fig5），两个天区没有明显差异并且 power law 和 previous work 比较一致
- 和两类 tSZ catalog 进行 2x2 匹配，并且考虑了选择函数、lambda/SZ observable 的误差、optical/SZ 观测量之间的相关性
- 用指数分布和 Gamma 分布的混合（分别代表 well-centered 和 mis-centered population）对 mis-centering 进行建模
- sec2.3 提到使用的是 ACT/eROSITA 的原始探测位置（具有较差的角分辨率，由 eq4 描述），而不是 optical confirmation 之后的位置
- 具体处理大概是用 matched filter 卷积初始 map 之后将 peak 位置定义为 cluster 位置
- 通过整体统计性质的建模和拟合可以消除 SZ/X-ray 的角分辨率不足的效应（？）
- 三个 external survey 中 eROSITA 具有更高的分辨率（0.3 arcmin）
- 信号处理中，peak 位置的确定的不确定度取决于轮廓宽度和 SNR 的比值
Cluster mass
#
- 单个 cluster 的 halo mass 估计通过 DES + SPT 给出的 mass - richness 关系得到
- 对于有 SZ 观测的 cluster 利用 mass - richness - SZ observable 得到 mass 测量（优先采用 SPT 观测）
- 将 0.2-0.65 的 MOR 外推到 0.65-0.9
- 采用 Tinker 2008 的 HMF 先验，可以起到校准 Eddington bias 的作用
- 和 Bleem 2020 以及 DES Y3 结果比较一致（fig8）
- WL 计算使用了 dsigma code，DECADE/DES 分别使用 official shape catalog 和 meta-calibration catalog
- DES/DECADE 之间没有很大差异
- fig9 对比了 redMaPPer richness 和 cylinder richness 发现差别不是很大（进行相同数量的匹配而不是依赖绝对 richness 数值）
Appendix
#
- AppB 根据各种 observational condition 对不同天区进行切分，然后对比 cluster detection 结果
- AppC 对两种 richness 进行了拟合，大概具有 0.86 的 power law index（fig C1），cylinder richness 相对比较小
- 但是两种 richness 似乎具有不同的 cutoff？
- 一个原因是 cylinder count 使用的大概是 0.5Lstar 以上的全部 redMaGiC 星系，所以数目更低
- 另外对比了 IDL/Python 版本 redMaPPer 给出的 richness 差异（sec C2）
- AppD: richness 的系统性升高/降低不影响 WL（也就是对于整体 performance 没有显著影响）
- AppE 给出了两个 data source 的有效面积随着红移的降低趋势（fig E1）
Thoughts
#
- 重点更多放在 DES/DECADE 之间的较小差异上面，目的也许是证明可以实现 DES redMaPPer（已验证可靠性）到 DECADE redMaPPer 的迁移
- contour 配合虚线确实是比较好的 plotting method
Supplement: DACADE
#
- short for Dark Energy Camera All Data Everywhere，收集了 DECam 的过往全部数据（有点类似 unWISE）
- 主要的科学目标是 cosmic shear，并且 WL cosmology paper 已经发布
- DES 和 DECADE 均使用 CTIO/Blanco telescope/DECam 得到的数据，并且经过了同样的数据处理流程
- DECADE 数据主要来源是 DELVE, DECaLS, DECam eROSITA
- DECADE 平均数据质量低于 DES，但是有部分（10%）数据由于具有多个来源的叠加观测质量反而更高