Évaluation des erreurs systématiques dans les mesures de décalage vers le rouge de DESI
Analyse de la précision des mesures de décalage vers le rouge et des erreurs systématiques dans les observations de galaxies.
― 6 min lire
Table des matières
- Importance des Mesures de Décalage vers le Rouge
- Erreurs systématiques
- DESI et Ses Opérations
- Collecte de Données
- Comprendre les Systématiques
- Taux de Réussite du Décalage vers le Rouge et Importance
- Enquête sur les Systématiques
- Données et Mocks
- Méthodologie
- Regroupement à Deux Points
- Spectres de Puissance
- Impact du Regroupement
- Résultats
- Conclusion
- Directions Futures
- Remerciements
- Visualisations
- Notes Supplémentaires
- Dernières Pensées
- Source originale
- Liens de référence
L'instrument de spectroscopie d'énergie noire (DESI) collecte des données de plus de 2,4 millions de galaxies à raies d'émission (ELG). Cette énorme quantité de données permet aux chercheurs d'étudier les structures de l'univers. Ce travail se concentre sur la précision des Mesures de décalage vers le rouge et les erreurs potentielles qui peuvent survenir à cause des techniques d'observation.
Importance des Mesures de Décalage vers le Rouge
Le décalage vers le rouge mesure à quelle distance se trouvent les galaxies et à quelle vitesse elles s'éloignent de nous. Un taux de réussite élevé dans les mesures de décalage vers le rouge est crucial pour comprendre la structure de l'univers. Cependant, différents facteurs, comme les conditions d'observation, peuvent affecter ce taux de réussite.
Erreurs systématiques
Deux principaux types d'erreurs systématiques impactent le succès des mesures de décalage vers le rouge :
- Catastrophiques : Ce sont de grandes erreurs qui se produisent dans un petit nombre de cas.
- Incertitude du Décalage vers le Rouge : Ce sont des erreurs plus petites qui existent dans la majorité des cas.
Identifier et corriger ces erreurs est essentiel pour une analyse cosmologique précise.
DESI et Ses Opérations
DESI fonctionne au télescope Mayall de 4 mètres en Arizona, aux États-Unis. L'instrument a déjà couvert une partie significative du ciel. Tout au long de son opération, il a collecté des données de millions de galaxies et de quasars.
Collecte de Données
En juin 2023, DESI a publié ses premières données couvrant plusieurs centaines de degrés carrés du ciel. Au cours des cinq prochaines années, il vise à rassembler plus de données pour améliorer notre compréhension du cosmos. Cette recherche implique principalement quatre types de traceurs de galaxies, y compris les ELG.
Comprendre les Systématiques
Cette étude examine trois principaux types d'erreurs systématiques dans les données de DESI :
- Sélection de Cibles : Comment les galaxies et les quasars sont choisis pour l'observation.
- Assignation de Fibres : L'arrangement des fibres utilisées pour observer la lumière de ces galaxies.
- Mesures de Décalage vers le Rouge : Les méthodes utilisées pour déterminer le décalage vers le rouge de chaque galaxie.
Taux de Réussite du Décalage vers le Rouge et Importance
Le taux de réussite des mesures de décalage vers le rouge varie en fonction des conditions d'observation. Cette variabilité peut conduire à des représentations inexactes de la densité des galaxies. Cet article présente une méthode pour corriger les échecs de décalage vers le rouge en attribuant des poids aux mesures, garantissant une meilleure précision dans l'analyse.
Enquête sur les Systématiques
Pour améliorer la précision du regroupement des galaxies et garantir des mesures cosmologiques fiables, cette étude évalue l'impact des échecs de décalage vers le rouge sur les observations. Une fraction considérable des ELG peut avoir des décalages sécurisés qui ne sont pas précis, ce qui conduit à des biais dans les mesures.
Données et Mocks
Les données utilisées dans cette étude proviennent de la première année des opérations de DESI. Le jeu de données comprend des millions de spectres de galaxies et de quasars. Pour comprendre comment les erreurs systématiques affectent les résultats, des mocks de galaxies ont été créés pour simuler les échantillons ELG.
Méthodologie
La recherche utilise diverses méthodes comme les estimateurs de regroupement à deux points pour analyser la distribution des galaxies. Le regroupement peut révéler des motifs dans la distribution des galaxies et aider à comprendre leurs interactions.
Regroupement à Deux Points
Les statistiques à deux points fournissent un moyen de quantifier les relations entre les paires de galaxies. Cette méthode compare les paires observées aux paires aléatoires pour évaluer le regroupement. L'objectif global est d'isoler l'impact des systématiques d'observation sur la distribution des galaxies.
Spectres de Puissance
Les spectres de puissance ont été utilisés pour analyser les propriétés de regroupement des galaxies dans l'espace de Fourier. Cette approche fournit des insights supplémentaires sur la structure des distributions de galaxies à grande échelle.
Impact du Regroupement
Les erreurs systématiques, y compris les impacts de l'incertitude du décalage vers le rouge et des erreurs catastrophiques, ont été évaluées pour leur influence sur les mesures de regroupement. Les résultats ont montré un impact minimal sur le regroupement global des galaxies grâce aux poids corrigés.
Résultats
L'analyse a montré que bien que des erreurs systématiques existent, leur influence sur les mesures cosmologiques est assez faible. Les résultats indiquent que les procédures et corrections de DESI maintiennent en grande partie la fiabilité des données.
Conclusion
L'étude des systématiques spectroscopiques dans les données de DESI révèle que bien que des erreurs soient présentes dans les mesures de décalage vers le rouge, des stratégies efficaces pour les corriger peuvent minimiser leur impact sur le regroupement des galaxies. Les résultats confirment la robustesse des méthodologies de DESI tout en identifiant des domaines à améliorer.
Directions Futures
À mesure que plus d'observations sont réalisées, des évaluations continues des données seront essentielles. Les études futures devraient améliorer les méthodes pour traiter les erreurs systématiques afin de garantir la fiabilité des mesures dérivées des données. Les observations en cours de DESI contribueront aux avancées dans notre compréhension de l'univers.
Remerciements
Cette recherche repose sur le soutien continu de diverses institutions et agences de financement impliquées dans le projet DESI. La collaboration entre scientifiques, astronomes et chercheurs renforce les capacités de DESI et assure le succès de ses objectifs.
Visualisations
Des supports visuels, y compris des spectres montrant les complexités des mesures de décalage vers le rouge, aideront à illustrer les problèmes rencontrés lors des observations. Ces visualisations fourniront une vue plus claire des défis et des progrès dans l'évaluation des ELG.
Notes Supplémentaires
Suivre les erreurs systématiques est crucial pour les futures mesures cosmologiques. Les méthodologies développées dans cette étude peuvent servir de modèle pour d'autres enquêtes d'observation, soulignant la nécessité d'une gestion des données complète et de stratégies d'atténuation des erreurs.
Dernières Pensées
Comprendre les structures à grande échelle de l'univers est un processus complexe qui nécessite des mesures précises et une analyse approfondie des systèmes d'observation. En affinant les méthodes et en abordant les erreurs systématiques, nous nous rapprochons de la découverte des mystères du cosmos. Grâce à des efforts collectifs, nous pouvons améliorer nos connaissances et ouvrir la voie à de futures découvertes en astronomie.
Titre: ELG Spectroscopic Systematics Analysis of the DESI Data Release 1
Résumé: Dark Energy Spectroscopic Instrument (DESI) uses more than 2.4 million Emission Line Galaxies (ELGs) for 3D large-scale structure (LSS) analyses in its Data Release 1 (DR1). Such large statistics enable thorough research on systematic uncertainties. In this study, we focus on spectroscopic systematics of ELGs. The redshift success rate ($f_{\rm goodz}$) is the relative fraction of secure redshifts among all measurements. It depends on observing conditions, thus introduces non-cosmological variations to the LSS. We, therefore, develop the redshift failure weight ($w_{\rm zfail}$) and a per-fibre correction ($\eta_{\rm zfail}$) to mitigate these dependences. They have minor influences on the galaxy clustering. For ELGs with a secure redshift, there are two subtypes of systematics: 1) catastrophics (large) that only occur in a few samples; 2) redshift uncertainty (small) that exists for all samples. The catastrophics represent 0.26\% of the total DR1 ELGs, composed of the confusion between O\,\textsc{ii} and sky residuals, double objects, total catastrophics and others. We simulate the realistic 0.26\% catastrophics of DR1 ELGs, the hypothetical 1\% catastrophics, and the truncation of the contaminated $1.31
Auteurs: Jiaxi Yu, Ashley J. Ross, Antoine Rocher, Otávio Alves, Arnaud de Mattia, Daniel Forero-Sánchez, Jean-Paul Kneib, Alex Krolewski, TingWen Lan, Michael Rashkovetskyi, Jessica Nicole Aguilar, Steven Ahlen, Stephen Bailey, David Brooks, Edmond Chaussidon, Todd Claybaugh, Axel de la Macorra, Arjun Dey, Biprateep Dey, Peter Doel, Kevin Fanning, Jaime E. Forero-Romero, Enrique Gaztañaga, Satya Gontcho A Gontcho, Klaus Honscheid, Cullan Howlett, Stephanie Juneau, Theodore Kisner, Anthony Kremin, Andrew Lambert, Martin Landriau, Laurent Le Guillou, Michael E. Levi, Marc Manera, Paul Martini, Aaron Meisner, Ramon Miquel, John Moustakas, Eva-Maria Mueller, Andrea Muñoz-Gutiérrez, Adam D. Myers, Jundan Nie, Gustavo Niz, Nathalie Palanque-Delabrouille, Will J. Percival, Claire Poppett, Francisco Prada, Mehdi Rezaie, Graziano Rossi, Eusebio Sanchez, Edward F. Schlafly, David Schlegel, Michael Schubnell, Hee-Jong Seo, David Sprayberry, Gregory Tarlé, Benjamin A. Weaver, Pauline Zarrouk, Cheng Zhao, Rongpu Zhou, Hu Zou
Dernière mise à jour: 2024-11-14 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2405.16657
Source PDF: https://arxiv.org/pdf/2405.16657
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://github.com/Jiaxi-Yu/modelling_spectro_sys
- https://data.desi.lbl.gov/doc/releases/edr
- https://www.sdss4.org/science/final-bao-and-rsd-measurements/
- https://github.com/cosmodesi/thecov
- https://github.com/JayWadekar/CovaPT/
- https://github.com/cheng-zhao/pyEZmock
- https://github.com/oliverphilcox/RascalC
- https://github.com/misharash/RascalC-scripts/
- https://github.com/cosmodesi/pycorr
- https://github.com/cosmodesi/pypower
- https://github.com/sfschen/velocileptors
- https://github.com/cosmodesi/desilike
- https://github.com/Jiaxi-Yu/LSS/blob/main/py/LSS/ssr_tools_new.py#L149
- https://github.com/Jiaxi-Yu/LSS/blob/main/py/LSS/main/cattools.py#L3264
- https://desi.lbl.gov/trac/raw-attachment/wiki/PubBoard/PublicationReview/DESI-2023-0289_Comments/desi-sky-perexp-ivar-iron-maindark.pdf
- https://github.com/biprateep/prospect
- https://data.desi.lbl.gov/doc/releases/
- https://doi.org/10.5281/zenodo.11302698
- https://www.desi.lbl.gov/collaborating-institutions