Transferability of Photometric Redshifts Determined using Machine Learning
本研究评估了随机森林算法GALPRO在跨巡天数据上的光度红移可迁移性，发现其要求训练与测试数据高度相似，且无法直接应用于不同星等系统的新巡天，但在补全缺失光谱红移时仍具实用价值。
2024-07-30 astro-ph.GA
Galaxy Tagging: photometric redshift refinement and group richness enhancement
我们提出了一个新的计划，$\it{galtag}$，通过概率标记它们观察到的星系群构造从一个更明亮的，星等有限的光谱调查，用于完善光度红移测量的暗淡星系。首先，利用GALFORM星系形成模型构造的DESI光锥数据对该方法进行了验证。然后，我们将其应用到星系的光度观测中的千度成像巡天（KiDS）超过1度$^2$区域中心在15 $^\mathrm{h}$。该区域包含星系和质量集合体（GAMA）深光谱观测（i波段<22）和伴随的r波段<19.8的星群目录。我们证明，即使在样本大小的一些权衡，一个数量级的改善光度红移的准确性是可以实现的，当使用$\it{galtag}$。这种方法既提供了精细的光度红移测量和集团丰富度增强。结合这些产品将大大提高光度和光谱数据集的科学潜力。$\it{galtag}$软件将在https://github.com/pkaf/galtag.git上公开提供。
2018-02-25 astro-ph.GA
Estimating Luminosities and Stellar Masses of Galaxies Photometrically without Determining Redshifts
大型直接成像巡天通常使用模板拟合技术来估计星系的光度红移，然后应用于获得重要的星系属性，如光度和恒星质量。这些估计可能是嘈杂的，并遭受系统的偏见，因为可能的错误选择的模板和传播的光度红移的不确定性。我们介绍了一种算法，直接经验光度法（DEmP），它可以用来直接估计这些数量使用训练集，绕过光度红移的测定。DEmP还采用了两种技术，以尽量减少所产生的影响，从一个通量有限的样本的训练集星系红移的非均匀分布。首先，对于每个输入星系，使用具有最接近输入星系的光度和颜色的训练集星系的子集进行拟合。第二，训练集被人工重新采样以产生红移或其他属性的平坦分布，例如，发光度为了测试DEmP的性能，我们使用了一个4滤波器带模拟目录，以检查其恢复红移，光度，恒星质量，光度和恒星质量函数的能力。我们还比较了结果，从两个公开的模板拟合方法，发现DEmP算法优于两者。我们发现，如果训练集具有均匀的红移分布，不仅在光度红移方面，而且在估计光度和恒星质量方面都产生最好的结果。DEmP方法在估算诸如近红外光度和恒星质量等数量时特别强大，只使用少量光学波段的数据。
2014-07-19 astro-ph.GA
The effect of emission lines on the performance of photometric redshift estimation algorithms
我们研究了强发射线星系对光度红移经验估算方法性能的影响。为了人为地控制测光误差和发射线对总通量的贡献，我们开发了一种基于PCA的随机模拟星表生成技术，该技术允许在理论恒星连续统上生成具有现实发射线的无限信噪比模型光谱。而不是运行计算昂贵的恒星星族合成和星云发射代码，我们的算法产生现实的光谱与统计方法，并-作为一种替代方法，试图约束输入模型参数的先验-工程匹配输出观测参数。因此，它可以用来匹配光度，颜色，发射线和光度误差分布的任何光度样品与足够的通量校准光谱后续。我们测试了三种简单的经验光度估计方法，并比较了有和没有光度噪声和强发射线的结果。虽然光度噪声明显主导了光度红移估计的不确定性，但关键的发现是，发射线在解决色空间简并性方面发挥着重要作用，并且需要对整个色空间进行良好的光谱覆盖，以便使用经验photo-z方法获得良好的结果。另一方面，模板拟合方法必须使用发射线强度和比率有足够变化的模板集，或者甚至更好，首先凭经验估计红移，并在最佳拟合红移处用模板拟合颜色，以计算K校正和各种物理参数。
2021-01-27 astro-ph.GA
Joint probabilistic inference of galaxy redshifts and rest-frame spectra from photometric fluxes with latent diffusion
Institut de Física d’Altes Energies (IFAE), The Barcelona Institute of Science and Technology（高能物理研究所，巴塞罗那科学与技术学院）；Port d’Informació Científica (PIC)（科学信息港）
本文提出一种生成框架，通过光度流联合推断星系红移和本动光谱，利用预训练的光谱自动编码器和扩散模型，在光度数据中提取光谱信息。
2026-05-11 astro-ph.GA
The PAU Survey: Enhancing photometric redshift estimation using DEEPz
本文将深度学习代码DEEPz用于PAUS百万级星系测光红移估计，通过合并W1+W3训练样本和宽波段恢复窄波段流量提升精度，并验证其在近距星系对识别中的有效性。
2024-09-09 astro-ph.GA
Photometric redshifts for the next generation of deep radio continuum surveys - I: Template fitting
我们提出了一个研究的光度红移性能的星系和活动星系核深射电连续巡天检测。使用两个多波长数据集，在NOAO深宽场巡天Bootes和COSMOS领域，我们评估光度红移（photo-z）性能的$\sim 4,500$无线电连续谱源的光谱红移相对于那些$\sim 63,000$非无线电检测源在相同的领域。我们研究了三个光度红移模板集作为红移，射电光度和红外/X射线特性的函数的性能。我们发现，没有一个单一的模板库是能够提供最佳的性能，在所有子集的无线电检测人口，在子集之间和字段之间的最佳模板集的变化。通过对所有三个模板集的照片-z估计值进行分层贝叶斯组合，我们能够产生一个共识照片-z估计值，该估计值等于或改善了任何单个模板集的性能。
2017-09-26 astro-ph.GA
Hybrid photometric redshifts for sources in the COSMOS and XMM-LSS fields
在本文中，我们提出了光度红移的270万个星系在XMM-LSS和COSMOS领域，无论是丰富的光学和近红外数据从VISTA和HyperSuprimeCam。模板拟合（使用LePhare中的星系和活动星系核模板）和机器学习（使用GPz）方法都是在KS波段中选择的源的孔径测光上运行的。然后使用分层贝叶斯模型组合得到的预测，以产生共识光度红移点估计和概率分布函数，分别优于每种方法。与光谱红移相比，我们的点估计值的均方根误差约为0.08-0.09，异常值分数约为3- 4%。我们还将我们的结果与COSMOS 2020光度红移进行了比较，后者包含较少的光源，但可以获得更多的波段和更大的波长覆盖范围，发现可以实现相当的photo-z质量（对于明亮和中等亮度的光源，可以进行直接比较）。我们得到的红移代表了迄今为止这些深多平方度多波长场的最准确的光度红移集（对于这么大的目录）。
2022-06-01 astro-ph.GA
Search for quasar pairs with Gaia astrometric data. II. Photometric redshift prediction with machine learning for the MGQPC catalogue
Institute for Frontier in Astronomy and Astrophysics, Beijing Normal University（北京师范大学前沿天文与天体物理研究院）；National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台）；School of Physics and Astronomy, Beijing Normal University（北京师范大学物理与天文学院）
本文利用机器学习方法，基于Gaia测光数据，预测类星体双星的光度红移，以提高MGQPC目录中类星体双星候选体的识别效率，通过光度红移一致性筛选出185个高概率候选体，其中20个经光谱观测确认为真实双星。
2026-05-10 astro-ph.GA
Far-Infrared Photometric Redshifts: A New Approach to a Highly Uncertain Enterprise
我提出了一种新的方法，根据静止帧远红外到毫米波长的尘埃再处理发射来推导星系的远红外光度红移。在过去的十年中，远红外测光红移（“FIR- $z$“）已经被用来推导出在其他波长（如光学/近红外）缺乏测光的高度模糊星系的红移限制。大多数文献FIR-z拟合是通过$χ^2$最小化单个星系的远红外模板光谱能量分布（SED）来进行的。使用单一的星系模板，或适度的一套模板，可以导致一个人为的低不确定性估计FIR- $z$的，因为真正的星系显示出广泛的内在尘埃SED。我使用观测到的星系SED的分布（在$0<z<5$的样本约束良好），以激发一种新的远红外通过毫米测光红移技术称为MMpz。MMpz算法认为，星系最有可能是从经验观察到的静止帧峰值波长，$λ_{\rm peak}$，和总红外光度，L $_{\rm IR}$之间的关系;推导出的光度红移帐户的测量不确定性和内在变化的SED在推断L $_{\rm IR}$，以及加热从CMB在$z>5$。MMpz算法具有$σ_{Δz/(1+z)}\approx0.3-0.4$的精度，类似于单模板拟合，同时与替代的远红外光度红移技术（具有$\mathcal{O}(χ^2_ν)\approx10-10^{3}$）相比，提供了对具有降低的卡方阶数$\mathcal{O}(χ^2_ν)=1$的$z$不确定性的更准确的估计。
2020-07-21 astro-ph.GA
PhotoWeb redshift: boosting photometric redshift accuracy with large spectroscopic surveys
改进大型成像调查中的距离测量是一项重大挑战，可以更好地揭示大规模星系的分布，并将星系的特性与其环境联系起来。测光红移可以有效地与从重叠光谱巡天中提取的宇宙网（CW）相结合，以提高其准确性。我们应用类似的方法，使用新一代的光度红移的基础上卷积神经网络（CNN）。CNN在具有主星系样本（SDSS-MGS，$r \leq 17.8$）的SDSS图像上进行训练，并且GAMA光谱红移为$\sim 19.8$。CW的映射是用MGS和BOSS巡天的680，000光谱红移获得的。红移概率分布函数（PDF），这是很好的校准（无偏和窄，$\leq 120$ Mpc），截取一些CW结构沿视线。将这些PDF与密度场分布相结合提供了新的光度红移$z_{web}$，其精度提高了两倍（即，$σ \sim 0.004(1+z)$）的星系与$r \leq 17.8$。对于其中一半，距离精度优于10 cMpc。原始PDF越窄，准确性的提升就越大。对于宽于0.03的原始PDF，没有观察到增益。最终的$z_{web}$ PDF也显示出良好的校准。该方法对被动星系的表现略好于恒星形成星系，对大质量星系群的表现也略好，因为这些星系群更好地追踪了潜在的大尺度结构。将光谱采样减少8倍仍然可以提高25%的测光红移精度。将该方法扩展到比MGS极限更暗的星系，仍然提高了70%星系的红移估计，在CW分辨率最高的低$z$下，精度提高了20…
2020-03-24 astro-ph.GA
Machine learning based Photometric Redshifts for Galaxies in the North Ecliptic Pole Wide field: catalogs of spectroscopic and photometric redshifts
针对北黄极宽场星系，结合新测与文献光谱红移构建大样本，用随机森林模型估计77755个源的测光红移（精度良好），提供含高红移数据的目录，助力该区域及未来空间任务研究。
2025-02-02 astro-ph.CO astro-ph.GA
Gaussian Mixture Models for Blended Photometric Redshifts
未来的宇宙学星系巡天，如大型综合巡天望远镜（LSST），将以光度计观测到非常大量的星系。如果没有光谱学，分析这些数据所需的红移将需要使用可扩展到大样本大小的光度红移技术来推断。高数量密度的源也意味着大约一半是混合的。我们提出了一个贝叶斯光度红移混合源的方法，使用高斯混合模型来学习的联合通量红移分布从一组未混合的训练星系，贝叶斯模型比较，推断星系的数量，包括一个混合源。高斯混合模型的使用使得这两个应用程序的计算效率，因此适合即将到来的星系调查。
2019-10-04 astro-ph.CO astro-ph.GA
Exploring the SDSS Photometric Galaxies with Clustering Redshifts
我们应用基于聚类的红移推断所有扩展源从斯隆数字巡天光度计目录，下降到星等r = 22。我们绘制了颜色和红移之间的关系，没有假设源的光谱能量分布（SED）。我们确定和定位恒星形成，静止星系，活动星系核，以及颜色变化，由于光谱特征，如4000年的突破，通过特定的过滤器红移。我们的映射是在全球范围内与SED模板计算的颜色红移轨道的良好协议，但揭示了信息的差异，如需要在某些模板中的M型恒星的较低的分数。我们比较我们的集群红移估计光度红移，并发现这两个独立的估计是在每个考虑的限制幅度很好的协议。最后，我们提出了全球集群红移分布的所有斯隆扩展源，显示对象到z~0.8。虽然整体形状与从光度红移推断的一致，但聚类红移技术导致更平滑的分布，没有光度红移估计所建议的红移空间结构的指示（可能是光谱训练集留下的伪影）。我们还推断出高红移天体的比例更高。观测到的四种颜色和红移之间的映射可以用来估计单个星系的红移概率分布函数。这项工作是产生红移和光度空间中所有可用观测值之间的一般映射的第一步，包括亮度，大小，浓度和椭圆率。
2016-04-23 astro-ph.CO astro-ph.GA
Z-Sequence: Photometric redshift predictions for galaxy clusters with sequential random k-nearest neighbours
我们介绍了Z序列，一个新的经验模型，利用光度测量观测星系在指定的搜索半径估计光度红移的星系团。Z序列本身由基于k-最近邻算法的机器学习集成组成。我们实现了一个自动化的特征选择策略，迭代地确定适当的过滤器和颜色的组合，以尽量减少光度红移预测误差。我们打算让Z序列成为一种独立的技术，但它可以与本质上不预测红移的星团发现者相结合，比如我们自己的DEEP-CEE。在这个概念验证的研究中，我们训练，微调和测试Z序列的公开可用的集群目录来自斯隆数字巡天。当应用小的搜索半径时，我们通过$|Δz|/(1+z)$的中值（在$0.05 \le \textit{z} \le 0.6$的光度红移范围内）确定Z序列的光度红移预测误差为$\sim0.01$。当搜索半径扩大时，测试样本的光度红移预测误差增加了30%-50%，这可能是由于视线交错的星系。最终，我们的目标是将Z序列应用于即将到来的成像调查，如空间和时间的遗产调查，以提供尚未发现和遥远的集群的大样本的光度红移估计。
2021-04-22 astro-ph.CO astro-ph.GA
Performance of Photometric Template Fitting for Ultra-High Redshift Galaxies
Cosmic Dawn Center (DAWN)（宇宙黎明中心）；Niels Bohr Institute, University of Copenhagen（哥本哈根大学尼尔斯·玻尔研究所）；Department of Physics and Astronomy, University of Missouri（密苏里大学物理与天文学系）；DARK Cosmology Center, University of Copenhagen（哥本哈根大学暗宇宙学中心）；California Institute of Technology（加州理工学院）
研究评估了高红移模板在预测光度红移和完整光谱能量分布中的性能，发现最佳模板用于红移估计与预测SED不同，部分模板在红移估计中表现尚可，但整体对SED预测效果不佳。
2026-04-08 astro-ph.GA astro-ph.IM
Reconstructing the galaxy density field with photometric redshifts: I. Methodology and validation on stellar mass functions
测量大量遥远星系的环境仍然是一个悬而未决的问题，我们需要星系的位置和红移。光度红移对于大量的星系来说更容易获得，但代价是比光谱红移更大的不确定性。在这项工作中，我们研究了光度红移如何影响星系环境的测量，以及这可能如何限制在不同环境中的星系恒星质量函数（GSMF）的分析。使用模拟星系目录，我们用固定孔径方法测量环境，使用每个星系的真实和光度红移。我们改变了固定的光圈体积参数和光度红移的不确定性。然后，我们计算GSMF作为红移和环境的函数。我们发现，只有当使用高精度的光度红移与$σ_{Δz/(1+z)} \le 0.01$，最极端的环境可以重建在一个相当准确的方式，与一小部分$\ge 60÷80\%$的星系放置在正确的密度四分位数和污染的$\le 10\%$相反的四分位数闯入者。与光度红移的$\pm 1.5σ$误差相当的体积高度比其他体积配置提供了更好的重建。当使用这样的环境测量时，我们发现初始GSMF之间的任何差异（根据真实的星系环境划分）将在使用光度红移时被平均$\sim 0.3$ dex阻尼，但仍然可以分辨。这些结果可以用来解释真实的数据，因为我们获得它们的方式是相当独立的模拟目录如何再现真实的星系分布。这项工作是一个准备性的研究，为未来的广域测光红移调查，如欧几里德调查，我们计划将这些结果应用到分析的GSMF在UltraVISTA调查在未来的工作。
2015-09-29 astro-ph.CO astro-ph.GA
Measuring galaxy environments in large scale photometric surveys
在局部宇宙中星系的性质已经被证明取决于它们的环境。未来的大规模测光调查，如DES和欧几里得将是至关重要的洞察星系性质的演变和环境的作用。大样本是以牺牲红移精度为代价的，这影响了环境测量。我们研究这一点，通过测量环境中使用SDSS光谱和光度红移，并模拟光度红移的范围内的不确定性。我们考虑了第N近邻和固定孔径方法，并评估了孔径参数和红移不确定性的影响。我们发现，光度环境有一个较小的动态范围比光谱测量，因为不确定的红移散射星系从密集的环境到不太密集的环境。在DES的预期红移不确定度为0.1时，使用最佳参数的测量值之间的Spearman秩相关系数为0.4。我们研究了星系的红色分数作为质量和环境的函数，使用光度红移，发现双变量依赖仍然存在于SDSS光度测量。我们表明，光度样品的红移不确定性为0.1必须约6-16倍大于光谱样品检测环境相关性与等效分数误差。
2015-05-05 astro-ph.CO astro-ph.GA
Multi-Gaussian fitting Algorithm to determine multi-band photometry and photometric redshifts of LABOCA and Herschel sources in proto-cluster environments
本研究的重点是识别高红移星系LABOCA（LArge APEX BOlometer CAmera）和SPIRE（光谱和光度成像接收器）的地图对原星系团候选人最初选择的SPT（南极望远镜）调查。基于多高斯拟合算法，我们交叉匹配所有显着的LABOCA源在SPIRE波长的基础上，他们的坐标和信噪比，以获得他们的光度在250，350，500和870 $μm$。我们使用这些信息来计算一个光度红移的SPT源对集群领域。代码是在Python编程环境中开发的。
2019-12-04 astro-ph.GA astro-ph.IM
Accurate Modeling of the Projected Galaxy Clustering in Photometric Surveys: I. Tests with Mock Catalogs
我们发展了一种新的方法来探索星系晕的连接使用星系成像巡天通过建模的投影两点关联函数测量从星系合理的光度红移测量。通过假设测光红移误差的高斯形式，我们能够同时约束晕占据分布（HOD）模型和有效的测光红移不确定性。模拟星系表的测试表明，该方法可以成功地恢复（在$\sim 1σ$）的内在大尺度星系的偏差，以及HOD模型和有效的光度红移的不确定性。这种方法即使对光度红移误差为10%的星系样本也能很好地工作。
2019-06-03 astro-ph.CO astro-ph.GA
The PAU Survey: Early demonstration of photometric redshift performance in the COSMOS field
PAU巡天（PAUS）是一项创新的测光巡天，在威廉赫歇尔望远镜（WHT）上有40个窄带。窄谱带的间隔为100，覆盖4500到8500的范围，与标准的宽谱带结合，可以实现出色的红移精度。本文介绍了用于从PAUS确定早期光度红移的技术、星系模板和附加的光度校准。使用BCNz 2，一个新的光度红移代码开发的目的，我们使用PAUS数据的COSMOS领域的光度红移性能。与来自zCOSMOS DR 3的安全光谱的比较表明，当基于光度红移质量切割选择最佳50%的源时，PAUS实现了$σ_{68} /(1+z) = 0.0037$到$i_{\mathrm{AB}} < 22.5$。此外，对于明亮和高质量的选择，获得了更高的光z精度（$σ_{68}/(1+z) \sim 0.001$），这是由发射线的识别驱动的。我们得出结论，PAUS符合其设计目标，开辟了一个迄今为止未知的制度深，宽，密集的星系调查与精确的红移，将提供独特的见解星系的形成，演化和集群，以及它们的内在排列。
2019-10-23 astro-ph.CO astro-ph.GA
Overconfidence in Photometric Redshift Estimation
我们描述了一个新的测试光度红移性能给定的光谱红移样品。该测试通过测试概率密度函数$p(z)$是否具有正确的{ \it宽度}来补充红移{ \it差异}的传统比较。我们测试两个光度红移代码，BPZ和EAZY，对两个数据集的每一个，发现BPZ是一贯过度自信（$p(z)$太窄），而EAZY产生近似正确的置信水平。我们表明，这是因为EAZY模型的不确定性，在其光谱能量分布模板，事后平滑的BPZ $p(z)$提供了一个合理的替代模板的不确定性的详细建模。无论采取哪种补救措施，仍然会留下少量多余的星系，其光谱红移距离峰值很远。因此，需要对低概率尾部进行更好的建模，以进行高精度的工作，例如大型综合巡天望远镜和其他大型巡天的暗能量约束。
2016-01-28 astro-ph.CO astro-ph.GA
Reconstructing galaxy fundamental distributions and scaling relations from photometric redshift surveys. Applications to the SDSS early-type sample
与光度红移而不是光谱红移相关的噪声距离估计导致对光度的错误估计，并产生相关的对大小的错误估计。我们考虑一个来自SDSS DR 6的早期星系样本，它的光谱和光度信息都是可用的，并应用V_max方法的推广来校正这些偏差。我们表明，我们的技术恢复真正的红移，幅度和大小分布，以及真正的大小-光度关系。我们发现，仅使用10%的光谱信息随机分布在我们的目录是足够的重建是准确的约3%，当光度红移误差为dz = 0.038。然后，我们解决的问题，我们的方法扩展到深红移目录，只有光度信息。除了这里概述的具体应用外，当至少涉及一个距离依赖量时，我们的技术会影响更广泛的研究。这对下一代的调查特别重要，其中一些调查只有光度信息。
2009-10-07 astro-ph.CO astro-ph.GA
PhotoRedshift-MML: a multimodal machine learning method for estimating photometric redshifts of quasars
提出了一种多模态机器学习方法来估计类星体的光度红移（PhotoRedshift-MML），这是一个长期以来的研究课题。我们的方法包括两个主要模型，即多模态表征学习的特征变换模型和多模态迁移学习的光度红移估计模型。由于通过MML从测光数据中学习生成的光谱特征提供了大量信息，测光红移的预测精度得到了显着提高。斯隆数字巡天（SDSS）数据发布17中总共有415，930个类星体，红移在1到5之间，被筛选用于我们的实验。我们使用|Δz| = |（z_phot-z_spec）/（1+z_spec）|以评估红移预测，并证明了4.04%的准确性增加。在生成的光谱特征的帮助下，|Δz| < 0.1可达到总测试样本的84.45%，而对于单峰光度数据，<0.1可达到总测试样本的80.41%。此外，|Δz|从0.1332下降到0.1235。我们的方法有可能推广到其他天文数据分析，如星系分类和红移预测。算法代码可以在https://github.com/HongShuxin/PhotoRedshift-MML上找到。
2022-11-08 astro-ph.GA astro-ph.IM
Photometric Redshifts for the Hyper Suprime-Cam Subaru Strategic Program Data Release 2
我们提出了一个描述的第二个数据发布的光度红移（照片- $z$）的斯巴鲁战略计划的超超级凸轮调查。我们的照片-数据发布2中整个地区的$z$产品是公开的，我们的点估计目录产品和完整的PDF都可以从数据发布网站\url{https://hsc-release.mtk.nao.ac.jp/}检索。
2020-03-16 astro-ph.CO astro-ph.GA
Photometric Redshifts and Model Spectral Energy Distributions of Galaxies From the SDSS-III BOSS DR10 Data
我们构建了一套专门设计的模型光谱，以匹配的颜色的BOSS CMASS星系和光度红移模板拟合技术使用。作为基础，我们使用一组光谱能量分布（SED）的单一和复合恒星人口模型。这些模型不能很好地描述CMASS星系在所有红移下的整个颜色范围，因此我们通过将SED乘以$λ^{-β}$来修改它们，对于$λ>λ_i$，对于不同的$λ_i$和$β$值。当拟合这些SED到CMASS样本的颜色时，爆发和尘埃成分叠加，我们可以重建CMASS星系居住的颜色空间中的位置。从最佳拟合模型中，我们选择一个小的子集在一个二维平面上，星系被映射到一个自组织映射。这些模型用于估计光度红移的贝叶斯模板拟合代码。使用新型模板的光度红移具有非常小的$0.22\,\%$异常值率、低偏差$\langleΔz/(1+z)\rangle=2.0\cdot10^{-3}$以及重新框架中的$σ_{68}=0.026$分散。使用我们的模型，星系的颜色再现到一个更好的程度与光度红移的SDSS的光度红移这项工作。
2015-05-07 astro-ph.CO astro-ph.GA
Photometric Redshifts with the LSST: Evaluating Survey Observing Strategies
在本文中，我们提出了一个最近邻色匹配光度红移估计，其特点是输入幅度和输出光度红移的精度和准确度之间的直接关系。这一方面使我们的估计器成为评估LSST调查参数变化影响测光测量误差的理想工具，这是我们工作的主要动机（即，它不打算为LSST数据提供“最佳”光度红移）。我们展示了如何在10年的LSST调查的光度红移将随着时间的推移而改善，并确认每个过滤器的访问的名义分布提供了最准确的照片- $z$的结果。LSST的调查策略自然产生的意见，在一个范围内的气团，这提供了一个机会，使用SED和$z$ -依赖大气对所观察到的测光作为一个颜色无关的红移指标。我们表明，测量这种气团效应并将其作为先验知识，有可能改善测光红移，并可以改善极端离群值，但它只会被充分测量最亮的星系，这限制了其对LSST测光红移的整体影响。我们还演示了这种气团效应如何在照片- $z$结果中引起偏差，并警告调查策略，优先考虑高气团观测，以改善这一先验。最终，我们打算这项工作作为LSST科学界关于照片- $z$的最低质量的期望和准备工作的指南，随着调查的进展。
2017-12-07 astro-ph.CO astro-ph.GA
Testing the accuracy of 3D-HST photometric redshift estimates as reference samples for deep weak lensing studies
为了校准质量代用指标，以便在星系团巡天中进行宇宙学研究，需要对星系团的弱透镜质量进行精确的估算。这样的测量需要对弱透镜源星系的红移分布有精确的了解。在这种情况下，我们调查的准确性测光红移（照片- $z$ s）计算的3D-HST团队的宇宙大会近红外深河外遗产调查领域，这提供了一个相关的光度参考数据集深弱透镜的研究。通过与基于哈勃超深场的光谱红移和照片- $z$的比较，我们识别了3D-HST/CANDELS星表中的灾难性红移异常。如果不考虑这些因素，弱透镜效应的结果将产生显著偏差。我们调查了这些异常值的原因，并证明了光谱能量分布（SED）模板的插值和精心选择的光度数据组合可以减少弱透镜研究的净影响。
2020-07-02 astro-ph.CO astro-ph.GA
Hubble Frontier Field Clusters and their Parallel Fields: Photometric and Photometric Redshift Catalogs
我们提出了一个多波段分析的六个哈勃前沿场集群和他们的平行领域，生产目录与源测光和测光红移的测量。我们向公众发布这些目录，以及每个领域中最亮星系的星系团内光和模型的地图。这个丰富的数据集涵盖了从0.2到8 $μm$的波长范围，利用哈勃太空望远镜，凯克天文台，甚大望远镜阵列和斯皮策太空望远镜的数据。我们通过向我们的领域注入并恢复具有与真实河外调查相似特征的合成物体来验证我们的产品。测光星表共包含32，000多个条目，在IR加权探测波段中，未混合源的阈值为$\mathrm{mag_{AB}}\sim 29.1$，混合源的阈值为$\mathrm{mag_{AB}}\sim 29$，完整性为50%。通过模板拟合获得的光度红移，并有一个平均的离群分数为10.3\%和散射$σ= 0.067$相比，光谱估计。我们设计的软件在当前工作中进行测试后，将应用于正在进行的和未来调查的新数据集。
2021-03-02 astro-ph.CO astro-ph.GA
Deep ugrizY Imaging and DEEP2/3 Spectroscopy: A Photometric Redshift Testbed for LSST and Public Release of Data from the DEEP3 Galaxy Redshift Survey
我们目前的目录校准光度学和光谱红移的扩展Groth带，用于研究光度学红移（photo-z的）。这些数据包括CFHTLS的ugriz测光和斯巴鲁Suprime相机的Y波段测光，以及DEEP 2，DEEP 3和3D-HST调查的光谱红移。这些目录包含校正，以有效地产生匹配的光圈测光在所有波段，根据对象的大小信息，在目录和莫法特配置文件点扩散函数适合。我们测试这个目录与一个简单机械学习为基础的光度红移算法的基础上随机森林回归，并发现，校正孔径测光导致显着改善photo-z的准确性相比，原来的SExtractor目录CFHTLS和斯巴鲁。深ugrizY测光和光谱红移非常适合LSST测光红移算法的经验检验。由此产生的目录是公开的。我们包括一个基本的总结的战略，深度3星系红移调查陪同最近公开发布的深度3数据。
2019-08-12 astro-ph.GA astro-ph.IM
Estimation of Photometric Redshifts. II. Identification of Out-of-Distribution Data with Neural Networks
在这项研究中，我们提出了一个三阶段的训练方法的神经网络光度红移估计的星系和检测的分布（OOD）对象。我们的方法包括监督学习和无监督学习，这使得在训练网络时可以使用未标记（UL）数据进行OOD检测。使用UL数据，这是与真实世界数据最相似的数据集，确保了训练模型在实践中的可靠使用。我们定量评估模型性能的光度红移估计和OOD检测使用分布（ID）星系和标记OOD（LOOD）的样本，如恒星和类星体。我们的模型成功地产生了光度红移匹配的光谱红移的ID样本和识别以及LOOD对象超过98%的准确性。虽然定量评估与UL样品是不切实际的，由于缺乏标签和光谱红移，我们也发现，我们的模型成功地估计合理的光度红移ID类UL样品和过滤器OOD类UL对象。模型实现的代码可以在https://github.com/GooLee0123/MBRNN_OOD上获得。
2021-12-14 astro-ph.CO astro-ph.GA astro-ph.IM
Bayesian photometric redshifts of blended sources
测光红移是必要的，使大规模的多色星系调查，以解释他们的数据和约束宇宙学参数。虽然未来调查的深度增加，如大型综合巡天望远镜（LSST）将产生更高的精度限制，但它也将增加混合源的比例。在本文中，我们提出了一个贝叶斯光度红移方法与任意数量的内禀成分的混合源。该方法概括了现有的基于模板的贝叶斯光度红移（BPZ）的方法，并产生联合后验分布的组件红移，允许不确定性传播的原则性的方式。使用贝叶斯模型比较，我们推断的概率，源是混合的，它包含的组件的数量。我们扩展我们的形式主义的情况下，源混合在一些波段和解决在其他。将其应用于LSST和欧几里得类调查的组合，我们发现，除了解决测光结果在一个显着的改善，在减少离群值的完全混合的情况下。我们提供了blendz，这是我们方法的Python实现。
2018-11-30 astro-ph.CO astro-ph.GA
Tests of Catastrophic Outlier Prediction in Empirical Photometric Redshift Estimation with Redshift Probability Distributions
我们目前的结果，使用单个星系的红移概率信息来自光度红移（photo-z）算法，SPIDERz，以确定潜在的灾难性离群光度红移测定。通过使用两个测试数据集组成的COSMOS多波段测光跨越一个广泛的红移范围（0<z<4）与可靠的光谱或其他红移测定相匹配，我们探索了一种新的方法的有效性，以标记潜在的灾难性离群值的分析，依赖于准确的光度红移。SPIDERz是一种用于photo-z分析的自定义支持向量机分类算法，除了离散的最可能的photo-z值外，还可以自然地输出每个星系的红移概率信息分布。通过应用一种分析技术与标记标准，以确定存在的概率分布特征的灾难性离群photo-z估计，如多个红移概率峰分离的大量红移距离，我们可以标记潜在的灾难性离群photo-z测定。我们发现，我们提出的方法可以正确地标记大部分（>50%）的灾难性异常星系，而只有标记一小部分（<5%）的总非异常星系，这取决于参数的选择。然而，被标记的非异常星系的比例随着红移和星等的变化而显着变化。我们研究了这种策略的性能，在光z测定使用一系列的标记参数值。这些结果可能是有用的利用光度红移在未来的大规模调查中，灾难性的异常值是特别有害的科学目标。
2019-11-06 astro-ph.CO astro-ph.GA astro-ph.IM
QSO photometric redshifts from SDSS, WISE and GALEX colours
机器学习技术，特别是应用于光学波段颜色的k-最近邻算法，在预测类星体（QSO）的光度红移方面取得了一些成功：虽然光谱和光度红移之间的平均差异接近于零，但这些差异的分布仍然很宽，并且明显是非高斯的。根据我们之前对光度红移的经验估计，我们发现通过添加其他波段（即近红外和紫外）的颜色可以显着改善预测。通过使用33643强类星体样本的一半来训练算法，自我测试这一点，结果是剩余一半样本的分布明显更窄。使用整个类星体样本来训练算法，对于射电源（类星体）的样本，相同的一组幅度返回类似的扩展。虽然匹配符合性相对较低（3663个源中有739个在相关波段具有测光），但这仍然明显大于经验方法（2%），因此可以提供一种方法来获得大量连续射电源的红移，这些连续射电源预计将被下一代大型射电望远镜探测到。
2020-01-17 astro-ph.GA astro-ph.IM
The MUSE Hubble Ultra Deep Field Survey: III. Testing photometric redshifts to 30th magnitude
我们测试了哈勃超深场星系的光度红移性能下降到30等。我们比较了测光红移估计从三个光谱拟合代码从文献（EAZY，BPZ和BEAGLE）的高质量的红移1227星系的MUSE积分场摄谱仪。所有这些代码都可以返回具有偏差|Dzn|的光度红移=| z-z光子|/（1+z）<0.05，直到F775 W =30，并且光谱不完整性不太可能强烈地修改该陈述。然而，我们已经在测光红移的测定中发现了明显的系统偏差：在0.4<z<1.5的范围内，测光红移的系统偏差低至Dzn=-0.04的中位数，而在z>3时，它们的系统偏差高至Dzn = 0.05，这种偏差可以部分地通过调整星系际吸收的量来解释。与以前的研究一致，我们发现不同代码的性能差异不大，但与此相反，我们发现，增加广泛的地基和IRAC测光实际上会恶化微弱星系的photo-z性能。我们发现一个离群分数，定义通过|Dzn| >0.15，为8%的BPZ和10%的EAZY和BEAGLE，并明确表明，这是一个强大的功能的大小。虽然这个离群分数是高相对于文献中提出的数字为明亮的星系，他们是非常可比的文献结果时，考虑到数据的深度。最后，我们证明，虽然红移可能是高置信度，光谱的光度对象的关联可能是非常不确定的，并导致污染的百分之几的光谱训练样本，不显示为灾难性的异常值，一个问题，必须解决，以便有足够准确的光度红移为未来的宇宙学调查。
2017-10-13 astro-ph.CO astro-ph.GA
Improved Photometric Redshifts with Surface Luminosity Priors
我们应用贝叶斯统计与星系表面光度（SL）的先验概率，以改善光度红移。我们应用该方法的样本1266星系的光谱红移在GOODS北和南领域在0.1 < z < 2.0。我们从基于探测演化和再电离光谱棱镜光谱的光谱红移（SPZ）开始，其覆盖6000- 9000 A的波长范围，结合（U）BViz（JHK）宽带光度学在GOODS领域。对于红移范围为0.5 < z < 1.25的星系，SPZ红移的精度估计为σ（Δ（z））=0.035，系统偏移为-0.026，其中Δ（z）=Δz /（1+z）。SL先验概率的加入有助于打破低红移4000 A break星系和高红移Lyman break星系之间的SPZ红移的简并性，这些星系大多是灾难性的异常值。对于z < 1.6的1138个星系，红移偏差Δ（z）> 0.2的星系比例从15.0%减少到10.4%，而分数红移误差的均方根散射变化不大。
2009-06-04 astro-ph.CO astro-ph.GA
Measuring photometric redshifts using galaxy images and Deep Neural Networks
本文提出了一种利用各波段的全星系像来估算星系光度红移的新方法。这种方法借鉴了机器学习的最新技术和进步，特别是深度神经网络。我们将整个多波段星系图像传递到机器学习架构中，以获得与现有最佳标准机器学习技术竞争的红移估计。标准技术使用后处理的特征来估计红移，例如从星系图像中提取的幅度和颜色，并被用户认为是显着的。这种新方法将用户从光度红移估计管道中删除。然而，我们确实注意到，深度神经网络需要比标准机器学习架构多出许多数量级的计算资源。
2016-06-15 astro-ph.CO astro-ph.GA astro-ph.IM
Estimating the Photometric Redshifts of Galaxies and QSOs Using Regression Techniques in Machine Learning
测量星系、恒星和类星体等宇宙学源的距离在现代宇宙学中起着越来越重要的作用。获得光谱，然后计算红移作为距离指标，可以立即对这些物体进行分类。只要光谱观测对许多星系不可用，并且测量红移的过程对于大样本来说是耗时且不可行的，机器学习（ML）方法可以应用于从不同特征（包括光度颜色）确定星系的红移。本文利用斯隆数字巡天（SDSS）星表中的通量星等，开发了两种ML回归算法（决策树和随机森林），以颜色指数作为输入特征来估计红移。我们发现，随机森林算法产生的红移预测的最佳结果，它将进一步改善时，数据集被限制到一个子集与z $\le$ 2给出归一化的标准差$\overline{ΔZ}_{\text {norm}}=0.005$和标准差$σ_{Δz}=0.12$。这项工作显示了极大的潜力，使用ML方法来确定遥远的源的光度红移。
2022-01-12 astro-ph.CO astro-ph.GA astro-ph.IM
