Miyatake2019WeaklensingMassCalibration
Brief
#
- 其实是 Malagon2026WeaklensingMassCalibration 的先导研究
- 利用 ACTPol SZ cluster catalog 和 HSC Y1 shape catalog 进行 weak lensing mass calibration
- 对 WL profile 分别进行了单个拟合和 stacked 拟合
- 其中 stacking 用了一种细致的建模方法，相比简单的 stacking 方式会得到一个更低的质量估计
- WL 的值得参考的结论是：小尺度上的误差由 shape noise 主导，大尺度上由 LSS error 主导
Intro
#
- SZ 寻找 cluster 的优势在于：红移不敏感、选择函数比较容易建模
- 比较著名的 CMB 实验包括 ACT、SPT、Planck
- 过去 mass calibration 一般采用 X-ray 观测进行
- X-ray 测量质量建立在流体静力学平衡的基础上，实际情况中存在非热的压强支撑
- 可能作为 Planck 数据内部的 SZ cluster 和各向异性推断的宇宙学参数之间的 tension 的一种 solution
- WL 是替代的、无偏的质量测量手段
Data
#
- 采用 ACTPol cluster catalog，对应频率为 148GHz，覆盖大约 1000 deg2
- 探测的方法也是 matched filter
- 红移覆盖 0.15-1.4，质量在 2e14 到 9e14 之间
- HSC XMM 天区和 ACTPol 观测的 D6 天区（噪声比较低）有重叠，对应 catalog 中的八个 cluster
- 详细信息列在 tab1 中，包括了从 HSC CAMIRA 中得到的 richness
- fig3 展示了 cluster 光学图像以及 SZ signal contour
- 红色和黄色分别对应 SZ center 和 BCG 位置
- 有的相对于 CAMIRA 的匹配可能比较牵强
- WL 测量使用 HSC Y1 shape catalog
- 星系密度是 22 arcmin-2
- 校准的方法是 re-Gaussianization 以及对 multiplicative bias 和 additive bias 的校正
- photo-z 来自 MLZ
- XMM 天区的面积大约 29.5 deg2
- fig2 给出了 8 clusters 和背景 source catalog 的描述，空洞主要来源于 BSM
Method
#
- 每一个 source 对 WL signal 的贡献权重包括两个方面：shape 测量的权重以及 critical density 的 -2 次（$w_\mathrm{ls}=w_\mathrm{s} \Sigma_\mathrm{cr}^{-2}$）
- co-variance 来自三个方面：statistical, intrinsic 以及 LSS
- fig4 给出了误差的整体组成
- statistical error 其实是 shape noise，在小尺度上占据主导
- intrinsic error 指的是 cluster 性质不同导致的 mass 测量的涨落/误差（在 Malagon2026WeaklensingMassCalibration 中称作 random error）
- LSS 误差指的是视线方向上 LSS/cosmic web 造成的 projection effect，在超过 2.8Mpc/h 之后成为 error 主导项
- source selection 存在 color-color cut（gi vs. rz）和 Pcut（PDF 落入 lens 红移 0.2 以上的部分超过 98%）两种方法
- fig5 对比了 cut 方案的影响，因为计算 critical density 以及权重的过程中已经用到了 source PDF 所以即使不做 cut 也不会有很大影响
- 也就是前景星系会因为 critical density 过大（？）具有很低的 weight
- 最终选取 CC cut 作为 fiducial method
- photo-z 采用 COSMOS 高质量 photo-z 进行校准
- 首先调整 COSMOS 样本中的星系的权重，使其样本中各类星系的比例大致和 HSC 类似（用 SOM 进行分类）
- 用 COSMOS photo-z 计算出的结果和 HSC photo-z 结果差别不大（2%）
Results
#
- 使用 NFW profile 对 0.3-3 Mpc/h 范围内的 profile 进行 MCMC 拟合，得到 mass 和 concentration 两个参数
- 内边界受到星系高密度带来的 deblending 以及 mis-centering 效应的影响，外边界受到 2halo term 的影响
- fig6 给出了拟合的结果，信噪比都比较低（2-6），尤其对于三个较高红移 cluster
- 增大 SNR 的一种办法是 stacking，8 个 cluster 叠加之后的 SNR 达到了 11.1
- 首先用了简单的 single mass-bin fit 作为 baseline：假设叠加信号可以用单个 DM halo profile 描述
- DM model 包括 NFW, Dark Emulator 以及 baryonic simulation 三种
- 更好的叠加方式是 stacked model method，对 stacking 过程进行细致的建模
- 包括 WL weight、DM halo function、ACTPol 选择函数、包括 bias factor 的 SZ mass 和真实 mass 的关系
- 新方法得到的质量降低了 3-7%（fig7）
- dark emulator 和 baryonic simulation 给出的结果比 NFW 低 10%
- 核心的测量目标是 bias factor
- 用不同 DM model 得到的结果大致在 0.7-0.8 之间
- fig8 提供了和 previous work 的对比
Appendix
#
- AppA 介绍了 LSS 以及 intrinsic error/covariance 的计算方法
- WL B-mode 以及 random signal 均和 0 相符
- 不同 photo-z 的选取不造成显著的影响
- mis-centering 对于 0.3Mpc/h 以外的信号影响不太大（fig11）
Thoughts
#