Highly Efficient Selection of High-Redshift Emission-Line Galaxies for future DESI-like surveys with Deep Multi-band Imaging

Resumen Técnico: Selección Altamente Eficiente de Galaxias de Líneas de Emisión de Alto Desplazamiento al Rojo para Futuros Sondeos Similares a DESI con Imágenes Multibanda Profundas

Planteamiento del Problema
Las galaxias de líneas de emisión (ELG, por sus siglas en inglés) son trazadores críticos para medir las Oscilaciones Acústicas de Bariones (BAO) y la estructura a gran escala en desplazamientos al rojo $z > 1$. Sin embargo, los métodos de selección actuales para el Dark Energy Spectroscopic Instrument (DESI) enfrentan limitaciones significativas en el rango de desplazamiento al rojo $1.1 < z < 1.6$. La selección actual de ELG de DESI, basada en la fotometría más superficial $g, r, z$ de los Legacy Imaging Surveys, sufre de una baja eficiencia y fluctuaciones significativas de densidad. Específicamente, la muestra actual de DESI produce solo $\sim 660$ ELGs robustos por grado cuadrado en el rango de desplazamiento al rojo actual, con una tasa de éxito de rango de desplazamiento al rojo baja (34%) y una tasa de éxito de medición de desplazamiento al rojo del 69%. Esta densidad coloca la muestra en un régimen limitado por el ruido de disparo (shot-noise), lo que dificulta las restricciones cosmológicas precisas sobre la ecuación de estado de la energía oscura. El artículo postula que la fotometría más profunda y multibanda (similar a la del Observatorio Rubin LSST o Hyper Suprime-Cam) puede superar estos sistemas mediante una mejor identificación de las características espectrales.

Metodología
Los autores desarrollaron y optimizaron un nuevo algoritmo de selección de objetivos diseñado para aumentar el rendimiento de la densidad superficial de ELG en un factor de $\sim 3$ en comparación con los objetivos actuales de DESI. La metodología involucró tres etapas principales:

1. Fuentes de Datos:

   • Fotometría: El equipo utilizó fotometría profunda $ugrizy$ del catálogo COSMOS2020 (versión Farmer) para entrenar los criterios de selección. Este conjunto de datos ofrece profundidades $\sim 2$ magnitudes más profundas que el Legacy Survey e incluye las bandas $i$ e $y$.
   • Espectroscopía: Para probar y refinar empíricamente la selección, los autores utilizaron una muestra de "verdad espectroscópica" (spec-truth). Esta muestra consiste en 87,512 objetos tipo ELG observados con DESI en el campo COSMOS, seleccionados mediante cortes de color amplios de imágenes profundas de DECam y HSC para capturar todos los posibles dispersores hacia la muestra de DESI.
   • Desplazamientos al Rojo: Los desplazamientos al rojo fotométricos ($z_{photo}$) se derivaron utilizando el código LePHARE con los datos multibanda de COSMOS2020. Los desplazamientos al rojo espectroscópicos ($z_{spec}$) se obtuvieron de las observaciones de DESI con tiempos de exposición efectivos entre 700 y 1400 segundos.

2. Desarrollo del Algoritmo:

   • Clasificación Inicial: Se entrenó un clasificador de Bosque Aleatorio (Random Forest, RF) utilizando la fotometría $ugrizy$ de COSMOS2020 para distinguir las galaxias ELG de alto desplazamiento al rojo ($z=1.1-1.6$) de otras galaxias. El RF alcanzó un Área Bajo la Curva (AUC) de 0.960.
   • Importancia de las Características: El análisis de importancia por permutación reveló que las combinaciones de colores $r-i$ e $i-y$ eran las características más influyentes, siendo $i-z$ la siguiente más significativa.
   • Optimización: Los autores definieron un conjunto de cortes de color y un límite de magnitud ($g_{fiber}$) basados en los conocimientos del RF. Estos cortes se optimizaron utilizando la muestra de verdad espectroscópica para maximizar la "tasa de éxito del rango de desplazamiento al rojo" (la fracción de objetivos con $z_{spec}$ seguro en $1.1 < z < 1.6$) mientras se apuntaba a un rendimiento de densidad superficial neta de $\sim 1370$ deg$^{-2}$. La optimización minimizó una función de pérdida que equilibra la tasa de éxito frente a la desviación de la densidad objetivo.

3. Métricas:

   • Tasa de Éxito de Medición de Desplazamiento al Rojo ($f_{reliable}$): Fracción de objetivos con $z_{spec}$ seguro (basado en la relación S/N del flujo de [O II] y $\Delta\chi^2$).
   • Tasa de Éxito del Rango de Desplazamiento al Rojo: Fracción de objetivos con $z_{spec}$ seguro específicamente dentro de $1.1 < z < 1.6$.
   • Rendimiento de Densidad Superficial Neta: El producto de la densidad de objetivos y la tasa de éxito del rango de desplazamiento al rojo.

Resultados Clave
Los criterios de selección optimizados, que consisten en límites en $g_{fiber}$, $r-i$, $i-y$ e $i-z$, demostraron mejoras significativas sobre la selección estándar de ELG de DESI:

• Tasa de Éxito de Medición de Desplazamiento al Rojo: Aumentó del 69% (DESI) al 89% (Este trabajo).
• Tasa de Éxito del Rango de Desplazamiento al Rojo: Aumentó del 34% (DESI) al 84% (Este trabajo).
• Rendimiento de Densidad Superficial Neta: Aumentó de 660 deg$^{-2}$ (DESI) a 1372 deg$^{-2}$ (Este trabajo).
• Densidad de Objetivos: La nueva muestra logra una densidad de objetivos de 1632 deg$^{-2}$, la cual es comparable a la densidad de objetivos de DESI (1940 deg$^{-2}$), pero produce una fracción mucho mayor de objetos útiles.
• Contaminación: Los nuevos cortes rechazan eficazmente la contaminación de bajo desplazamiento al rojo ($z < 1.1$) y los objetos en $z > 1.6$ donde el doblete de [O II] cae fuera de la ventana espectral de DESI.

Significancia y Reivindicaciones
El artículo afirma que combinar la muestra actual de ELG de DESI con esta muestra optimizada aumentaría la densidad numérica neta de ELG en un factor de $\sim 3$. Basándose en las previsiones de la matriz de Fisher (código FishLSS), este aumento:

1. Movería la muestra de ELG fuera del régimen limitado por el ruido de disparo para el bin de desplazamiento al rojo $1.1 < z < 1.6$.
2. Reduciría las incertidumbres en los parámetros de la escala de distancia BAO ($\alpha_{\perp}$ y $\alpha_{\parallel}$) por un factor de $\sim 2$ en estos desplazamientos al rojo.

Los autores enfatizan que este enfoque es factible para futuros sondeos espectroscópicos (por ejemplo, DESI-II) que utilicen imágenes más profundas y multibanda, como las del Observatorio Rubin o HSC. Señalan que la selección es robusta incluso cuando se aplica a la fotometría de profundidad "LSST Año 2" ligeramente más superficial. Además, el artículo sugiere que esta muestra de alta eficiencia podría observarse durante el tiempo gris o brillante (cuando la luna está presente), ya que la línea de [O II] en $z > 1.1$ se desplaza a longitudes de onda ($> 7800$ Å) donde las líneas de emisión del cielo nocturno dominan sobre el continuo de la luz lunar, aumentando potencialmente la eficiencia de las operaciones de sondeo futuras. Finalmente, los autores proponen que este método de selección podría generar muestras puramente fotométricas con distribuciones de desplazamiento al rojo bien definidas para análisis de la radiación de fondo de microondas (CMB) y de lentes gravitacionales a desplazamientos al rojo más altos de lo que es actualmente posible para las LRG.