Xin Qiao

/home

/tools

/obsidian

~/Obsidians/ Rozo2016RedMaGiCSelectingLuminous

Rozo2016RedMaGiCSelectingLuminous

  • 对应 redMaPPer 最后 finder 阶段的几个额外步骤（好像和 random point 之类的相关）
  • topic 是「从巡天数据中挑选 LRG
  • gemini 介绍 https://aistudio.google.com/prompts/1_wMQaUDGY6LOUQKpk1gBnVqmY6SkJNMs
    • 基本原理是借助 redMaPPer 的 c-z 关系计算星系的 photo-z 以及光度 L，然后将足够亮、拟合足够好的星系算作 LRG
  • 这一篇文章和 R16 是基本同步的，略早于 R16
  • 可以算作是 redMaPPer 的成果的拓展应用

Brief #

  • 「选择大于努力」的这个观点还是很有意思的
  • redmagic 实际上是一个 redMaPPer 的拓展，用到了 c-z 关系和计算 $z_\mathrm{red}$ 的方法，没有更多新的东西
  • 计算 likelihood 的部分似乎能帮助更好地理解 $z_\mathrm{red}$ 计算的原理
  • 这里根据已知红移进行修正的方法怎么想都有点作弊，这样加入已知红移信息以后再去对比效果肯定会好的吧

Intro #

  • LRG 的优势在于星系亮度较高、并且 4000A break 可以提供可靠的红移估计
    • 旧的选择方法是在 color-color plot 中划定一个经验性的 box 出来，依赖后续的光谱观测确定红移
  • red magic 的两个目标依次是
    • 选出具有可靠的 photo-z 的星系
    • 为这些星系开发一种新的测光红移方法
  • 依赖于 redMaPPer 得到的 red sequence 随红移变化的模板

2 Data #

  • DES SV 提前观测了大约 300 deg2 的区域用于验证
    • 在 star/galaxy separation 以及用于 redMaPPer 的光谱数据获取上存在不足
  • 还在 SDSS 上进行了测试

3 Algorithm #

  • 算法比较简单
    • 把每个星系都拟合到 template 上面，计算红移以及 chi2
    • 根据红移计算 luminosity
    • 保留足够亮、拟合足够好的星系
  • 只要选择足够严格的 chi2 threshold 就可以保证最后的样本的纯净性
  • 这里根据 template 估计红移的方法是 redMaPPer paper 中计算 $z_\mathrm{red}$ 方法的更新版本
    • 核心任务是根据 photometric 数据中得到的颜色 c 和星等 m 计算红移 z 的分布
    • 已有的 template 描述的是 $P(c|m,z)$
    • 似然函数为 $\mathcal{L}(z)=P(c|m,z)P(m|z)P(z)$
      • 后两者分别由 Schechter 分布和 constant comoving density 给出，最终得到 $\ln \mathcal{L}(z) = -\frac{1}{2}\chi^2(z) + \ln P(m|z) + \ln \left|\frac{dV}{dz}\right|$
      • 由 likelihood 可以简单地求出 photo-z 及其不确定度
  • chi2 的阈值设定为可随红移变化，这个变化的阈值通过「comoving density 恒定」的要求倒推得来
  • atferburner 指的是用光谱数据或者 redMaPPer 挑选出来的星系样本进行校准，给 photo-z 加上一个修正 $\Delta z$
    • 总有种在训练集里面加入部分测试集数据的感觉 r
    • 其他 photo-z 方法也用了这样的方法吗？
  • 最后 luminosity threshold 和 chi2 threshold 是紧密相关的，因为要保证一定的 comoving density

4 Performance #

  • 通过在 color-color plot 和 m-z plot 中对比全部 redmagic 星系和具有光谱的 redmagic 星系发现光谱采样是有偏差的，这种 spectroscopic sampling 对于 redmagic 的表现有显著的影响
    • 这些 biased 光谱数据通过影响 redMaPPer 的 calibration 最终影响最后的结果

5 Comparison #

  • 将 redmagic 和 SDSS 以及 DES 已有的 photo-z 进行对比
    • DES 使用的算法是 SKYNET 和 BPZ

6 Why selection matters #

  • redmagic 的重点不在改善 photo-z 性能，而是在筛选具有可靠 photo-z 样本上面
  • 这里和 SDSS 中的 CMASS 样本进行对比，二者测光红移的性能类似，但是 redmagic 性能好很多
  • redmagic 一个优点是对训练数据要求不高

Thought #

  • 根据 c-z 关系怎么排除蓝星系呢？蓝色星系没有办法很好地拟合到 template 上面？
  • redMaGiC 的全称好像没有 i 这个字母
  • 从 sec3.1 介绍 redMaPPer 如何得到 $c(m,z)$ 就可以看出来：通过这样概括性的介绍了解事物全貌是不可行的，要是没有看过 redMaPPer 直接看这里的话大概会看得云里雾里的
  • 这里对比结果 Fig7 里面为什么只展示了一种？
back to top