DESI Data Release 2 ELGs: Property-dependent subsamples, imaging systematics, and clustering

Resumen Técnico: ELGs de la Liberación de Datos 2 de DESI: Submuestras dependientes de las propiedades, sistemáticas de imagen y agrupamiento

Planteamiento del Problema
Los sondeos de desplazamientos al rojo de galaxias como el Instrumento de Energía Oscura (DESI, por sus siglas en inglés) tienen como objetivo medir señales cosmológicas como las oscilaciones acústicas de bariones (BAO) y las distorsiones en el espacio de desplazamientos al rojo (RSD). Sin embargo, las inhomogeneidades en los datos de imagen —impulsadas por variaciones en la profundidad del sondeo, el seeing y las propiedades del primer plano de la Vía Láctea— inducen fluctuaciones artificiales en el campo de densidad de galaxias proyectado. Si no se corrigen, estas sistemáticas de imagen crean señales de agrupamiento espurias que pueden sesgar la estimación de los parámetros cosmológicos.

Aunque la colaboración DESI emplea pesos sistemáticos para mitigar estos efectos, el enfoque estándar para las Galaxias de Línea de Emisión (ELGs) se basa en una Red Neuronal de Propagación hacia Adelante (Feed Forward) totalmente conectada (SYSNet). Aunque es flexible, los enfoques de aprendizaje automático corren el riesgo de sobrecorrección y de eliminar la señal cosmológica real. Además, las ELGs son los trazadores más tenues en DESI, con flujos cercanos a los límites de detección de los sondeos de imagen, lo que las hace singularmente sensibles a las variaciones en la profundidad de la imagen. Análisis previos de los datos del Año 1 de DESI indicaron señales espurias residuales en escalas más allá de las BAO, lo que sugiere que el esquema de ponderación actual puede ser insuficiente para muestras complejas.

Metodología
Este trabajo propone una derivación alternativa de los pesos sistemáticos para las ELGs de la Liberación de Datos 2 (DR2) de DESI, centrándose en el rango de desplazamiento al rojo $0.8 < z < 1.1$. La metodología consta de tres componentes principales:

1. Submuestreo Dependiente de las Propiedades: En lugar de tratar todas las ELGs como una única muestra homogénea, los autores definen submuestras basadas en cinco propiedades específicas de las galaxias:

   • Masa estelar ($\log M_*$)
   • Luminosidad de [OII] ($\log L_{[OII]}$)
   • Magnitud de fibra en la banda g ($g_{fib}$)
   • Distancia perpendicular desde el límite de optimización de desplazamiento al rojo en el plano $g-r$ vs. $r-z$ ($D_{grz}^z$)
   • Distancia perpendicular desde el límite del locus estelar en el plano $g-r$ vs. $r-z$ ($D_{grz}^s$)

2. Regresión Lineal para Pesos Sistemáticos: Para cada submuestra, los autores derivan nuevamente los pesos sistemáticos utilizando un método de regresión multilineal (idéntico al utilizado para otros trazadores de DESI como las LRG y los cuásares) en lugar de la red neuronal fiduciaria. Este enfoque modela la densidad de galaxias proyectada como una función lineal de diez propiedades de imagen (incluyendo la densidad estelar, la densidad de columna de HI y la profundidad/seeing en los filtros $g, r, z$) e invierte el modelo para calcular los pesos. Esto proporciona flexibilidad física sin los riesgos de sobreajuste asociados con el aprendizaje automático.

3. Tratamiento Refinado de la Región Fotométrica: Los autores identifican que la distinción estándar Norte/Sur es insuficiente para las ELGs en el cielo del Sur. Proponen dividir la región Sur en "Sur-DES" (huella del Dark Energy Survey) y "Sur-DECaLS" (Legacy Survey). Esto se motiva por la observación de que la imagen más profunda de DES produce diferentes densidades numéricas de ELG y distribuciones de desplazamiento al rojo en comparación con las regiones más superficiales de DECaLS, particularmente para las submuestras alejadas del locus estelar.

Resultos Clave

• Variabilidad de las Submuestras: El análisis revela que las propiedades de las ELG influyen significamente en su respuesta a las sistemáticas de imagen. Las submuestras definidas por alta masa estelar, baja luminosidad de [OII] y gran distancia del locus estelar ($D_{grz}^s$) exhiben las desviaciones más significativas al utilizar los nuevos pesos de regresión lineal en comparación con los pesos fiduciarios de SYSNet.
• Mitigación de la Señal Espuria: Para aproximadamente el 10% de las submuestras (específicamente aquellas con alta masa estelar, baja luminosidad de [OII] y alto $D_{grz}^s$), los pesos lineales dependientes de las propiedades mitigan aún más las señales de agrupamiento espurias en escalas alrededor de $r_p \sim 10 \, h^{-1}\text{Mpc}$, acercando las pendientes de la función de correlación de dos puntos (2PCF) proyectada a las expectativas teóricas.
• Comportamiento de la Huella de DES: El estudio demuestra que las ELGs alejadas del locus estelar están mayoritariamente ausentes de la huella profunda de DES; su presencia en las regiones más superficiales del Legacy Survey es probablemente debida al error de medición (scatter). Consecuentamente, tratar el Sur como una sola región conduce a catálogos aleatorios inexactos y valores atípicos en la regresión. Separar el Sur-DES del Sur-DECaLS preserva las distintas distribuciones de densidad y desplazamiento al rojo de estas regiones, evitando la supresión artificial de la sobredensidad de DES por parte del esquema de ponderación.
• Comportamiento de la Muestra Completa: Cuando se aplica a la muestra completa de ELG, los pesos lineales dependientes de las propiedades (incluso con el tratamiento de regiones refinado) resultan en un exceso de señal a gran escala en comparación con el enfoque fiduciario de SYSNet. Los autores concluyen que, si bien la red neuronal sigue siendo óptima para la muestra completa, el enfoque lineal y dependiente de las propiedades es superior para submuestras específicas.

Significación y Reivindicaciones
El artículo sostiene que un enfoque de "talla única" para los pesos sistemáticos es insuficiente para la diversa población de las ELGs de DESI. Las contribuciones primarias son:

1. Validación de Pesos Específicos por Submuestra: Demostrar que personalizar los pesos sistemáticos basados en las propiedades de las galaxias puede mejorar las mediciones de agrupamiento para subconjuntos específicos de los datos, particularmente aquellos más vulnerables a las sistemáticas de imagen.
2. Necesidad de un Tratamiento por Región: Establecer que la huella de DES requiere un tratamiento separado del resto del sondeo del Sur en el proceso de producción del catálogo de la estructura a gran escala (LSS) para modelar con precisión los catálogos aleatorios y los pesos sistemáticos.
3. Información Física sobre la Selección de Objetivos: Destacar que las ELGs con colores extremos (lejos del locus estelar) son probablemente artefactos del error de medición en imágenes superficiales, lo que sugiere que los cortes en $D_{grz}^s$ podrían producir muestras más consistentes.

Los autores mantienen que, aunque su método ofrece mejoras para las submuestras, los pesos fiduciarios basados en redes neuronales siguen siendo la opción óptima para las muestras completas de ELG en el contexto de los análisis cosmológicos primarios de DESI. Sugieren que las futuras liberaciones de DESI y otros sondeos (como el Observatorio Vera C. Rubin) deberían considerar tratamientos dependientes de las propiedades y distinciones refinadas de las regiones fotométricas para mejorar la precisión de las mediciones de agrupamiento.