Comprendre les catalogues LSS grâce aux données DESI
Apprends comment DESI crée des catalogues de structures à grande échelle dans l'univers.
― 6 min lire
Table des matières
- C'est quoi les catalogues LSS ?
- Comment ça marche DESI
- Mesurer le décalage vers le rouge
- Importance de la Complétude
- Le pipeline DESI
- Gestion des Échantillons aléatoires
- Importance de la stratégie d'enquête
- Analyse des données
- Variables affectant les observations
- Défis de la collecte de données
- Améliorations futures
- Conclusion
- Source originale
- Liens de référence
L'instrument de spectroscopie d'énergie noire (DESI) aide les scientifiques à mieux comprendre l'Univers. Il observe les galaxies et d'autres objets célestes pour apprendre leurs distances et leurs distributions. Ce guide explique comment on fabrique des catalogues de structures à grande échelle (LSS) à partir des données collectées par le DESI.
C'est quoi les catalogues LSS ?
Les catalogues LSS sont des outils super importants qui contiennent des infos sur la distribution des galaxies et d'autres objets dans l'Univers. Ils aident les chercheurs à suivre combien de ces objets existent à différentes distances et où ils se situent dans le ciel. Les détails dans ces catalogues aident à étudier comment les galaxies se regroupent, ce qui est crucial pour comprendre l'évolution cosmique.
Comment ça marche DESI
Le DESI est monté sur un télescope qui collecte la lumière de diverses cibles célestes. Pour ça, il utilise 5 020 petits dispositifs robotiques appelés positionneurs de fibres, qui dirigent des fibres optiques vers des objets spécifiques dans le ciel. Quand la lumière passe à travers ces fibres, elle est analysée pour obtenir des spectres, qui révèlent le décalage vers le rouge des objets observés.
Mesurer le décalage vers le rouge
Le décalage vers le rouge est une mesure clé en astronomie qui indique à quelle vitesse un objet dans l'espace s'éloigne de nous. En analysant les spectres, les chercheurs peuvent déterminer le décalage vers le rouge et donc la distance aux galaxies et quasars. Avec ces infos, ils peuvent ensuite créer des cartes montrant la structure de l'Univers.
Complétude
Importance de laPour créer des catalogues LSS précis, il est vital de comprendre à quel point les catalogues sont complets. La complétude fait référence au nombre d'objets observés par rapport à combien auraient pu être observés. Savoir la complétude aide les scientifiques à déterminer combien d'objets se trouvent dans une certaine zone du ciel.
Le pipeline DESI
Le processus pour créer des catalogues LSS se fait en plusieurs étapes :
Collecte de données : La première étape consiste à rassembler toutes les données pertinentes sur les cibles qui auraient pu être observées par le DESI. Ça inclut les données sur ce qui a effectivement été observé et les observations potentielles à partir de points aléatoires dans le ciel.
Suivi de l'historique d'observation : Comprendre la performance du matériel DESI et comment il a observé différentes zones du ciel est crucial. Ça se fait en suivant combien de fois chaque zone a été observée et les conditions pendant ces observations.
Création de catalogues complets : Les données collectées sont ensuite triées et organisées pour créer des catalogues « complets ». Ça implique de s'assurer que chaque entrée concerne des cibles uniques et que toutes les infos pertinentes sont incluses.
Application de veto : Certaines données peuvent devoir être exclues sur la base de problèmes survenus durant les observations ou d'autres facteurs pouvant affecter la qualité et la fiabilité des données.
Modélisation des fonctions de sélection : Les fonctions de sélection aident les chercheurs à comprendre la probabilité qu'un objet soit observé selon différents facteurs, comme sa luminosité ou sa position. Ces fonctions aident à ajuster les catalogues pour s'assurer qu'ils reflètent les vraies densités.
Production de catalogues de regroupement : Enfin, les données sont encore affinées pour créer des catalogues de regroupement, qui contiennent uniquement les infos les plus pertinentes pour analyser la distribution des galaxies.
Échantillons aléatoires
Gestion desEn plus des objets réellement observés, des échantillons aléatoires sont créés. Ces « aléatoires » sont des points dans le ciel qui représentent des zones où aucune observation n'a été faite. Ils sont cruciaux pour aider à définir le fond lors de l'analyse de la distribution des galaxies.
Importance de la stratégie d'enquête
La stratégie pour la façon dont les observations sont réalisées joue un rôle significatif dans la définition des résultats obtenus par le DESI. Différentes conditions peuvent affecter le nombre d'observations et les types d'objets pouvant être observés. En comprenant ces stratégies, les chercheurs peuvent ajuster leurs catalogues en conséquence.
Analyse des données
Une fois les catalogues formés, ils peuvent être analysés pour diverses études. Ça peut inclure l'examen de la façon dont les galaxies sont réparties dans le ciel, comment elles se regroupent, et comment leurs positions changent avec le temps. Comprendre ces modèles est vital pour apprendre sur l'histoire et l'avenir de l'Univers.
Variables affectant les observations
Plusieurs variables peuvent impacter les observations faites par le DESI :
Conditions du ciel : La clarté du ciel peut affecter combien d'observations peuvent être faites. Des ciels brillants ou nuageux peuvent réduire le nombre de points de données utilisables.
Performance de l'instrument : L'efficacité et la précision de l'équipement DESI peuvent aussi influencer les données collectées. Des vérifications régulières aident à s'assurer que le matériel fonctionne correctement.
Sélection des cibles : La méthode utilisée pour sélectionner les cibles d'observation affecte les données résultantes. Les cibles doivent répondre à certains critères pour être incluses.
Réussite du décalage vers le rouge : La capacité à déterminer avec précision les décalages vers le rouge dépend de divers paramètres d'observation. Si certaines conditions ne sont pas remplies, les infos sur le décalage peuvent être moins fiables.
Défis de la collecte de données
Collecter des données sur une grande zone du ciel pose des défis :
Couverture : Certaines zones peuvent ne pas être suffisamment couvertes, ce qui entraîne des catalogues incomplets. Assurer un bon chevauchement des zones observées peut aider à résoudre ce problème.
Calibration : Une calibration régulière des instruments est nécessaire pour maintenir la précision des observations.
Gestion des données : Avec de si grandes quantités de données, des systèmes de gestion efficaces sont nécessaires pour traiter et stocker les infos de manière efficace.
Améliorations futures
Les techniques et stratégies utilisées pour la production de catalogues évoluent constamment. À mesure que de nouvelles méthodes sont développées et que l'équipement est amélioré, la qualité des catalogues LSS ne peut que s'améliorer. Les futures versions des catalogues comporteront probablement des méthodes améliorées pour la collecte et l'analyse des données.
Conclusion
La construction de catalogues LSS à l'aide du DESI est un processus complexe mais vital pour comprendre le cosmos. En mesurant avec précision les décalages vers le rouge et en maintenant un enregistrement complet des données d'observation, les chercheurs peuvent obtenir des aperçus sur la distribution et l'évolution des galaxies dans l'Univers. Les avancées continues en technologie et méthodologies promettent une compréhension encore plus grande de l'immensité de l'espace.
Titre: The Construction of Large-scale Structure Catalogs for the Dark Energy Spectroscopic Instrument
Résumé: We present the technical details on how large-scale structure (LSS) catalogs are constructed from redshifts measured from spectra observed by the Dark Energy Spectroscopic Instrument (DESI). The LSS catalogs provide the information needed to determine the relative number density of DESI tracers as a function of redshift and celestial coordinates and, e.g., determine clustering statistics. We produce catalogs that are weighted subsamples of the observed data, each matched to a weighted `random' catalog that forms an unclustered sampling of the probability density that DESI could have observed those data at each location. Precise knowledge of the DESI observing history and associated hardware performance allows for a determination of the DESI footprint and the number of times DESI has covered it at sub-arcsecond level precision. This enables the completeness of any DESI sample to be modeled at this same resolution. The pipeline developed to create LSS catalogs has been designed to easily allow robustness tests and enable future improvements. We describe how it allows ongoing work improving the match between galaxy and random catalogs, such as including further information when assigning redshifts to randoms, accounting for fluctuations in target density, accounting for variation in the redshift success rate, and accommodating blinding schemes.
Auteurs: A. J. Ross, J. Aguilar, S. Ahlen, S. Alam, A. Anand, S. Bailey, D. Bianchi, S. Brieden, D. Brooks, E. Burtin, A. Carnero Rosell, E. Chaussidon, T. Claybaugh, S. Cole, K. Dawson, A. de la Macorra, A. de Mattia, Arjun Dey, Biprateep Dey, P. Doel, K. Fanning, S. Ferraro, J. Ereza, A. Font-Ribera, J. E. Forero-Romero, E. Gaztañaga, H. Gil-Marín, S. Gontcho A Gontcho, A. X. Gonzalez-Morales, J. Guy, C. Hahn, S. Heydenreich, K. Honscheid, C. Howlett, M. Ishak, T. Karim, D. Kirkby, T. Kisner, H. Kong, A. Kremin, A. Krolewski, A. Lambert, M. Landriau, J. Lasker, L. Le Guillou, M. E. Levi, M. Manera, P. Martini, P. McDonald, A. Meisner, R. Miquel, J. Moon, J. Moustakas, A. Muñoz-Gutiérrez, A. D. Myers, S. Nadathur, L. Napolitano, J. A. Newman, J. Nie, G. Niz, N. Palanque-Delabrouille, W. J. Percival, C. Poppett, F. Prada, A. Raichoor, C. Ravoux, M. Rezaie, A. Rosado-Marin, G. Rossi, L. Samushia, E. Sanchez, E. F. Schlafly, D. Schlegel, H. Seo, A. Smith, D. Sprayberry, G. Tarlé, D. Valcin, M. Vargas-Magaña, B. A. Weaver, M. Wilson, J. Yu, P. Zarrouk, C. Zhao, R. Zhou, H. Zou
Dernière mise à jour: 2024-07-18 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2405.16593
Source PDF: https://arxiv.org/pdf/2405.16593
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://desidatamodel.readthedocs.io/en/latest/DESI_ROOT/vac/RELEASE/lss/index.html
- https://github.com/desihub/fiberassign
- https://desidatamodel.readthedocs.io/en/latest/DESI_TARGET/fiberassign/tiles/TILES_VERSION/TILEXX/uncompressed-fiberassign-TILEID.html
- https://desidatamodel.readthedocs.io/en/latest/DESI_ROOT/vac/RELEASE/lss/VERSION/potential_assignments/data/index.html
- https://desidatamodel.readthedocs.io/en/latest/DESI_ROOT/vac/RELEASE/lss/VERSION/potential_assignments/random/index.html
- https://desidatamodel.readthedocs.io/en/latest/DESI_SPECTRO_REDUX/SPECPROD/zcatalog/zall-tilecumulative-SPECPROD.html
- https://desidatamodel.readthedocs.io/en/latest/DESI_ROOT/vac/RELEASE/lss/VERSION/inputs_wspec/index.html
- https://desidatamodel.readthedocs.io/en/latest/DESI_ROOT/vac/RELEASE/lss/VERSION/LSScats/full/index.html
- https://www.legacysurvey.org/dr9/bitmasks/
- https://www.legacysurvey.org/dr9/files/
- https://github.com/mehdirezaie/sysnetdev
- https://github.com/echaussidon/regressis
- https://desidatamodel.readthedocs.io/en/latest/DESI
- https://doi.org/10.5281/zenodo.11193828
- https://www.desi.lbl.gov/collaborating-institutions
- https://www.legacysurvey.org/
- https://data.desi.lbl.gov/doc/glossary/
- https://github.com/desihub/desitarget
- https://www.legacysurvey.org/dr9/