🔭 astrophysics

Euclid: Exploring observational systematics in cluster cosmology -- a comprehensive analysis of cluster counts and clustering

यह अध्ययन 1,000 यूक्लिड-समान सिमुलेशन का उपयोग यह प्रदर्शित करने के लिए करता है कि गैलेक्सी क्लस्टर गणनाओं को क्लस्टरिंग के साथ संयोजित करना ब्रह्मांड संबंधी बाधाओं (फिगर ऑफ मेरिट में 300% से अधिक) को महत्वपूर्ण रूप से बढ़ाता है, जबकि यह भी मात्रात्मक रूप से निर्धारित करता है कि फोटोमेट्रिक रेडशिफ्ट अनिश्चितताओं और रेडशिफ्ट-स्पेस डिस्टॉर्शन जैसे व्यवस्थित प्रभाव पैरामीटर अनुमानों और कोवेरिएंस मॉडलिंग को कैसे प्रभावित करते हैं।

मूल लेखक: A. Fumagalli, M. Costanzi, T. Castro, A. Saro, S. Borgani, M. Romanello, F. Marulli, E. Tsaprazi, P. Monaco, B. Altieri, A. Amara, L. Amendola, S. Andreon, N. Auricchio, C. Baccigalupi, M. Baldi, A. BA. Fumagalli, M. Costanzi, T. Castro, A. Saro, S. Borgani, M. Romanello, F. Marulli, E. Tsaprazi, P. Monaco, B. Altieri, A. Amara, L. Amendola, S. Andreon, N. Auricchio, C. Baccigalupi, M. Baldi, A. Balestra, S. Bardelli, A. Biviano, E. Branchini, M. Brescia, S. Camera, G. Cañas-Herrera, V. Capobianco, C. Carbone, J. Carretero, S. Casas, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, L. Conversi, Y. Copin, F. Courbin, H. M. Courtois, A. Da Silva, H. Degaudenzi, S. de la Torre, G. De Lucia, A. M. Di Giorgio, H. Dole, M. Douspis, F. Dubath, C. A. J. Duncan, X. Dupac, S. Dusini, S. Escoffier, M. Farina, R. Farinelli, F. Faustini, S. Ferriol, F. Finelli, P. Fosalba, N. Fourmanoit, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, B. Gillis, C. Giocoli, J. Gracia-Carpio, A. Grazian, F. Grupp, L. Guzzo, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, B. Kubik, M. Kümmel, M. Kunz, H. Kurki-Suonio, A. M. C. Le Brun, S. Ligori, P. B. Lilje, V. Lindholm, I. Lloro, G. Mainetti, D. Maino, E. Maiorano, O. Mansutti, O. Marggraf, M. Martinelli, N. Martinet, R. J. Massey, E. Medinaceli, S. Mei, Y. Mellier, M. Meneghetti, E. Merlin, G. Meylan, J. J. Mohr, A. Mora, M. Moresco, L. Moscardini, E. Munari, R. Nakajima, C. Neissner, S. -M. Niemi, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, V. Pettorino, S. Pires, G. Polenta, M. Poncet, L. A. Popa, L. Pozzetti, F. Raison, R. Rebolo, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, C. Rosset, R. Saglia, Z. Sakr, A. G. Sánchez, D. Sapone, B. Sartoris, P. Schneider, T. Schrabback, A. Secroun, E. Sefusatti, G. Seidel, M. Seiffert, S. Serrano, P. Simon, C. Sirignano, G. Sirri, A. Spurio Mancini, L. Stanco, J. Steinwagner, P. Tallada-Crespí, D. Tavagnacco, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, I. Tutusaus, L. Valenziano, J. Valiviita, T. Vassallo, G. Verdoes Kleijn, A. Veropalumbo, Y. Wang, J. Weller, G. Zamorani, F. M. Zerbi, E. Zucca, C. Burigana, L. Gabarra, M. Maturi, C. Porciani, V. Scottez, M. Sereno, M. Viel

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: A. Fumagalli, M. Costanzi, T. Castro, A. Saro, S. Borgani, M. Romanello, F. Marulli, E. Tsaprazi, P. Monaco, B. Altieri, A. Amara, L. Amendola, S. Andreon, N. Auricchio, C. Baccigalupi, M. Baldi, A. Balestra, S. Bardelli, A. Biviano, E. Branchini, M. Brescia, S. Camera, G. Cañas-Herrera, V. Capobianco, C. Carbone, J. Carretero, S. Casas, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, L. Conversi, Y. Copin, F. Courbin, H. M. Courtois, A. Da Silva, H. Degaudenzi, S. de la Torre, G. De Lucia, A. M. Di Giorgio, H. Dole, M. Douspis, F. Dubath, C. A. J. Duncan, X. Dupac, S. Dusini, S. Escoffier, M. Farina, R. Farinelli, F. Faustini, S. Ferriol, F. Finelli, P. Fosalba, N. Fourmanoit, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, B. Gillis, C. Giocoli, J. Gracia-Carpio, A. Grazian, F. Grupp, L. Guzzo, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, B. Kubik, M. Kümmel, M. Kunz, H. Kurki-Suonio, A. M. C. Le Brun, S. Ligori, P. B. Lilje, V. Lindholm, I. Lloro, G. Mainetti, D. Maino, E. Maiorano, O. Mansutti, O. Marggraf, M. Martinelli, N. Martinet, R. J. Massey, E. Medinaceli, S. Mei, Y. Mellier, M. Meneghetti, E. Merlin, G. Meylan, J. J. Mohr, A. Mora, M. Moresco, L. Moscardini, E. Munari, R. Nakajima, C. Neissner, S. -M. Niemi, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, V. Pettorino, S. Pires, G. Polenta, M. Poncet, L. A. Popa, L. Pozzetti, F. Raison, R. Rebolo, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, C. Rosset, R. Saglia, Z. Sakr, A. G. Sánchez, D. Sapone, B. Sartoris, P. Schneider, T. Schrabback, A. Secroun, E. Sefusatti, G. Seidel, M. Seiffert, S. Serrano, P. Simon, C. Sirignano, G. Sirri, A. Spurio Mancini, L. Stanco, J. Steinwagner, P. Tallada-Crespí, D. Tavagnacco, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, I. Tutusaus, L. Valenziano, J. Valiviita, T. Vassallo, G. Verdoes Kleijn, A. Veropalumbo, Y. Wang, J. Weller, G. Zamorani, F. M. Zerbi, E. Zucca, C. Burigana, L. Gabarra, M. Maturi, C. Porciani, V. Scottez, M. Sereno, M. Viel

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि ब्रह्मांड अदृश्य पदार्थ से बना एक विशाल, तीन-आयामी शहर है, जहाँ आकाशगंगाएँ इमारतें हैं और आकाशगंगाओं के विशाल समूह गगनचुंबी इमारतें (skyscrapers) हैं। खगोलशास्त्री इस शहर के "ब्लूप्रिंट" (खाका) को समझना चाहते हैं: इसमें कितना पदार्थ है, यह कितनी तेज़ी से बढ़ रहा है, और इसे आकार देने वाली ताकतें क्या हैं।

यह शोध पत्र एक विशाल नए सर्वेक्षण के लिए एक 'क्वालिटी कंट्रोल रिपोर्ट' की तरह है जिसे Euclid कहा जाता है—यह एक अंतरिक्ष दूरबीन है जिसे इन ब्रह्मांडीय गगनचुंबी इमारतों का 3D मानचित्र बनाने के लिए डिज़ाइन किया गया है। लेखक पूछ रहे हैं: "यदि हम इस नए मानचित्र का उपयोग ब्रह्मांड के ब्लूप्रिंट को समझने के लिए करते हैं, तो कौन सी गलतियाँ (सिस्टमैटिक एरर्स) हमारी गणनाओं को बिगाड़ सकती हैं, और हम उन्हें कैसे ठीक करें?"

यहाँ उनके निष्कर्षों का रोजमर्रा के उदाहरणों के माध्यम से विवरण दिया गया है:

1. गगनचुंबी इमारतों को गिनने के दो तरीके

ब्रह्मांड को समझने के लिए, खगोलशास्त्री दो अलग-अलग तरीकों का उपयोग करते हैं:

विधि A (जनगणना - The Census): वे बस यह गिनते हैं कि विभिन्न ऊंचाइयों (रेडशिफ्ट) और आकारों (रिचनेस) पर कितनी गगनचुंबी इमारतें मौजूद हैं। यह एक शहर की कुल जनसंख्या का अनुमान लगाने के लिए यह गिनने जैसा है कि शहर में कितने लोग रहते हैं।
विधि B (पड़ोस का नक्शा - The Neighborhood Map): वे यह देखते हैं कि गगनचुंबी इमारतें एक-दूसरे के सापेक्ष कैसे व्यवस्थित हैं। क्या वे एक डाउनटाउन जिले में झुंड बनाकर रहती हैं, या उपनगरों (suburbs) में फैली हुई हैं? यह शहर की संरचना को समझने के लिए सड़क के लेआउट को देखने जैसा है।

बड़ी खोज: शोध पत्र में पाया गया है कि ये दोनों विधियाँ ऐसी हैं जैसे दो दोस्त जो एक-दूसरे से बात नहीं करते। वे स्वतंत्र हैं। यह जानना कि कुल संख्या कितनी है, आपको उनके विन्यास (arrangement) के बारे में कुछ भी नहीं बताता, और इसके विपरीत भी। जब आप दोनों को मिलाते हैं, तो आपको अकेले किसी एक विधि की तुलना में बहुत अधिक स्पष्ट चित्र मिलता है। वास्तव में, उन्हें मिलाने से ब्रह्मांडीय ब्लूप्रिंट की सटीकता में 300% से अधिक का सुधार होता है।

2. "धुंधले चश्मे" की समस्या (फोटोमेट्रिक रेडशिफ्ट्स)

सबसे बड़ी चुनौतियों में से एक यह जानना है कि कोई गगनचुंबी इमारत कितनी दूर है। दूरबीन "फोटोमेट्रिक रेडशिफ्ट्स" का उपयोग करती है, जो इमारतों की रोशनी के रंग को देखकर दूरी का अनुमान लगाने जैसा है। यह तेज़ है, लेकिन यह पूर्ण नहीं है; रंग वास्तव में जितने होने चाहिए उससे थोड़े अलग दिख सकते हैं, जिससे दूरी का अनुमान "धुंधला" हो जाता है।

प्रभाव: यदि आपके चश्मे थोड़े धुंधले हैं, तो आपका शहर का मानचित्र विकृत हो जाएगा। शोध पत्र दिखाता है कि यदि दूरी के अनुमान वास्तविक मात्रा से थोड़े भी गलत हैं, तो ब्रह्मांड की संरचना के बारे में आपका अंतिम उत्तर 20-30% कम सटीक हो जाता है। यह एक ऐसे पैमाने (रूलर) से कमरे के आकार को मापने जैसा है जो बेतरतीब ढंग से फैलता और सिकुड़ता रहता है।

3. "ट्रैफिक जाम" का प्रभाव (रेडशिफ्ट-स्पेस डिस्टॉर्शन)

आकाशगंगाएँ केवल स्थिर नहीं हैं; वे गतिमान हैं। कभी-कभी वे हमारी ओर आती हैं, और कभी हमसे दूर जाती हैं, जो पास के विशाल समूहों के गुरुत्वाकर्षण के कारण होता है। यह गति दूरी की गणना को बिगाड़ देती है, जिससे क्लस्टर (समूह) दृष्टि रेखा (line of sight) के साथ दबे हुए या खिंचे हुए दिखाई देते हैं। इसे रेडशिफ्ट-स्पेस डिस्टॉर्शन (RSD) कहा जाता है।

प्रभाव: यदि आप इस "ट्रैफिक जाम" प्रभाव को अनदेखा करते हैं, तो आपका मानचित्र पक्षपाती (biased) हो जाएगा। आपको लग सकता है कि ब्रह्मांड वास्तव में जैसा है, उससे अलग आकार का है। शोध पत्र दिखाता है कि हालांकि यह प्रभाव पूरी तस्वीर को बर्बाद नहीं करता है, लेकिन इसे अनदेखा करने से परिणाम काफी बदल जाते हैं (एक "बायस")। सही आकार पाने के लिए आपको ट्रैफिक के लिए सुधार करना ही होगा।

4. "ज़ूम लेवल" का मुद्दा (कितना करीब देखें)

गगनचुंबी इमारतों के विन्यास को देखते समय, आपको कितनी करीब से देखना चाहिए?

बहुत दूर से: यदि आप केवल बहुत बड़ी दूरियों (एक सामान्य शहर के ब्लॉक के आकार से परे) पर देखते हैं, तो आप दिलचस्प विवरणों को खो देते हैं। शोध पत्र पाता है कि 60 "इकाइयों" (मेगापारसेक) से छोटी स्केल पर देखना वास्तव में मूल्यवान जानकारी जोड़ता है।
बहुत करीब से: यदि आप "एकॉस्टिक ऑसिलेशन" (एक विशिष्ट ब्रह्मांडीय लय, लगभग 130 इकाइयाँ) से बड़ी स्केल पर देखते हैं, तो यह बहुत अधिक नई जानकारी नहीं जोड़ता है। यह एक मानचित्र को इतना ज़ूम आउट करने जैसा है कि आप केवल एक खाली समुद्र देखते हैं; आपने शहर के विवरण खो दिए हैं।

5. डेटा में "शोर" (कोवेरियेंस)

सांख्यिकी (statistics) में, "कोवेरियेंस" यह समझने जैसा है कि आपके मानचित्र के एक हिस्से में त्रुटि दूसरे हिस्से में त्रुटि को कैसे प्रभावित कर सकती है।

शोध पत्र ने पाया कि "धुंधले चश्मे" (फोटो-ज़ त्रुटियां) और "ट्रैफिक जाम" (RSDs) डेटा में शोर (noise) को बदलते हैं।
यदि आप इस बदलते शोर को ध्यान में नहीं रखते हैं, तो आप सोच सकते हैं कि आपके माप अधिक सटीक हैं जितना कि वे वास्तव में हैं। यह यह सोचने जैसा है कि आपका तराजू सटीक है जबकि वह वास्तव में कंपन कर रहा है। लेखकों ने इस "कंपन" को ध्यान में रखने के लिए एक नया, बेहतर फॉर्मूला बनाया है, जिससे यह सुनिश्चित होता है कि अंतिम परिणाम अत्यधिक आत्मविश्वासी (overconfident) न हों।

निचोड़ (The Bottom Line)

लेखकों ने इन विचारों का परीक्षण करने के लिए 1,000 नकली ब्रह्मांडों का उपयोग करके एक सिमुलेशन बनाया। उन्होंने निष्कर्ष निकाला कि:

विधियों को मिलाएं: ब्रह्मांड को समझने के लिए "जनगणना" (गिनती) और "पड़ोस के मानचित्र" (क्लस्टरिंग) दोनों का एक साथ उपयोग करना सबसे अच्छा तरीका है।
त्रुटियों को ठीक करें: आपको "धुंधले चश्मे" और "ट्रैफिक जाम" के लिए सुधार करना ही होगा, अन्यथा आपका मानचित्र गलत होगा।
छोटी चीजों को अनदेखा न करें: छोटी स्केल (निकट की दूरियों) पर देखना आपको ब्रह्मांड की संरचना के रहस्य को सुलझाने की अधिक शक्ति देता है।

संक्षेप में, यह शोध पत्र इस निर्देश पुस्तिका (instruction manual) के रूप में कार्य करता है कि कैसे Euclid दूरबीन के डेटा का उपयोग करके ब्रह्मांड का सबसे सटीक मानचित्र बनाया जाए, जबकि उन सामान्य जाल से बचा जा सके जो गलत निष्कर्ष की ओर ले जा सकते हैं।

तकनीकी सारांश: यूक्लिड (Euclid): क्लस्टर कॉस्मोलॉजी में सिस्टमैटिक्स प्रभावों का अन्वेषण

समस्या विवरण
गैलेक्सी क्लस्टर्स पदार्थ घनत्व पैरामीटर ( $\Omega_m$ ) और घनत्व उतार-चढ़ाव के आयाम ( $\sigma_8$ ) को सीमित करने के लिए महत्वपूर्ण कॉस्मोलॉजिकल प्रोब के रूप में कार्य करते हैं। जबकि पारंपरिक विश्लेषण क्लस्टर संख्या गणनाओं (cluster number counts) पर निर्भर करते हैं, क्लस्टर्स का स्थानिक वितरण (क्लस्टरिंग) कॉस्मोलॉजिकल और मास-ऑब्जर्वेबल पैरामीटर्स में सहसंबंधों (degeneracies) को तोड़ने के लिए पूरक जानकारी प्रदान करता है। हालांकि, आगामी यूक्लिड मिशन, जिसका लक्ष्य $z=2$ तक $\sim 10^5$ क्लस्टर्स का मानचित्रण करना है, उसे सब-परसेंट सटीकता की आवश्यकता है। एक बड़ी चुनौती अवलोकन संबंधी और मॉडलिंग व्यवस्थित प्रभावों (systematic effects)—विशेष रूप से फोटोमेट्रिक रेडशिफ्ट (photo- $z$ ) अनिश्चितताओं और रेडशिफ्ट-स्पेस डिस्टॉर्शन (RSDs)—के प्रभाव को क्लस्टर गणनाओं और क्लस्टरिंग सांख्यिकी, साथ ही उनके कोवेरियेंस मैट्रिसेस (covariance matrices) दोनों पर चरित्रित करने में निहित है। इसके अलावा, इन प्रोब्स को अधिकतम constraining power प्राप्त करने के लिए संयोजित करने की आवश्यकता के लिए उनके क्रॉस-कोरिलेशन और कोवेरियेंस मैट्रिसेस की कॉस्मोलॉजी पर निर्भरता की एक कठोर समझ आवश्यक है।

कार्यप्रणाली
लेखक PINOCCHIO कोड (थर्ड-ऑर्डर लैग्रेंजियन परटर्बेशन थ्योरी और एलipsoidal कोलैप्स का उपयोग करते हुए) द्वारा उत्पन्न 1,000 यूक्लिड-समान लाइटकोन कैटलॉगों पर आधारित एक ढांचे का उपयोग करते हैं। ये सिमुलेशन 10,313 deg $^2$ के आकाश क्षेत्र और $z=0$ से $2.5 $रेडशिफ्ट को कवर करते हैं, जिनमें प्रत्येक कैटलॉग में लगभग$ 10^5 $हेलो ($ M_{vir} \ge 10^{13.5} h^{-1} M_{\odot}$) शामिल हैं।

अध्ययन निम्नलिखित कार्यप्रणाली चरणों का उपयोग करता है:

सैद्धांतिक मॉडलिंग (Theoretical Modelling): लेखक फोटो- $z$ त्रुटियों (गौसियन स्कैटर के रूप में मॉडल किया गया), RSDs (काइज़र प्रभाव), BAO डैम्पिंग के लिए IR रिसमेशन (IR resummation), और ज्यामितीय विरूपण (geometric distortions - GD) के प्रभावों को शामिल करते हुए क्लस्टर संख्या गणना और 2-पॉइंट कोरिलेशन फंक्शन (2PCF) मोनोपोल को मॉडल करते हैं। वे स्केलिंग संबंधों में डिजनरेसी को तोड़ने के लिए एक सहायक प्रोब के रूप में वीक लेंसिंग मीन मास को भी मॉडल करते हैं।
कोवेरियेंस विश्लेषण (Covariance Analysis): संख्यात्मक कोवेरियेंस की गणना सीधे 1,000 मॉक्स (mocks) से की जाती है। इनकी तुलना सेमी-एनालिटिकल मॉडलों (Fumagalli et al. 2021 और Euclid Collaboration: Fumagalli et al. 2024 से अनुकूलित) से की जाती है ताकि शॉट-नॉइज़, सैंपल वेरिएंस और क्रॉस-कोरिलेशन के उपचार को मान्य किया जा सके।
लाइक्लिहुड विश्लेषण (Likelihood Analysis): $\Omega_m$ , $\sigma_8$ , और चार मास-ऑब्जर्वेबल रिलेशन पैरामीटर्स के पोस्टीरियर वितरणों का पता लगाने के लिए PolyChord का उपयोग करके एक बेयसियन इन्फरेंस (Bayesian inference) किया जाता है। यह विश्लेषण विभिन्न प्रोब संयोजनों (काउंट्स, क्लस्टरिंग, वीक लेंसिंग) और सिस्टमैटिक कॉन्फ़िगरेशन केAcross फिगर ऑफ मेरिट (FoM) और इंडेक्स ऑफ इनकंसिस्टेंसी (IoI) का मूल्यांकन करता है।
सिस्टमैटिक टेस्टिंग (Systematic Testing): सांख्यिकी और उनके कोवेरियेंस मैट्रिसेस दोनों के मॉडलिंग में विशिष्ट सिस्टमैटिक्स (जैसे RSDs, फोटो- $z$ त्रुटियां) को नजरअंदाज करने के प्रभाव को एक "फुल मॉडल" बेसलाइन के विरुद्ध तुलना करके मापा जाता है।

प्रमुख योगदान और परिणाम

प्रोब्स की स्वतंत्रता (Independence of Probes): विश्लेषण इस बात की पुष्टि करता है कि क्लस्टर संख्या गणना और क्लस्टर क्लस्टरिंग प्रभावी रूप से असंबंधित (uncorrelated) ऑब्जर्वेबल्स हैं। उनके लॉग-लाइक्लिहुड रेसिडुअल्स के बीच पियर्सन कोरिलेशन गुणांक $\rho = -0.11 \pm 0.031$ है, जो शून्य के अनुरूप है। यह स्वतंत्रता इसलिए उत्पन्न होती है क्योंकि काउंट्स माध्य कोमोविंग नंबर डेंसिटी को मापते हैं, जबकि क्लस्टरिंग उस माध्य के उतार-चढ़ाव को मापती है।
संयोजन की कंस्ट्रेटिंग पावर (Constraining Power of Combination): क्लस्टर क्लस्टरिंग को संख्या गणनाओं के साथ जोड़ने से कॉस्मोलॉजिकल बाधाएं (constraints) काफी बढ़ जाती हैं। केवल संख्या गणनाओं की तुलना में FoM में 300% से अधिक की वृद्धि होती है। तीनों प्रोब्स (काउंट्स, क्लस्टरिंग और वीक लेंसिंग मास) का संयोजन सबसे सटीक और कड़ेतम बाधाएं प्रदान करता है, जहाँ फुल-प्रोब विश्लेषण दो-प्रोब संयोजनों की तुलना में प्रायर-वॉल्यूम प्रभावों के प्रति कम संवेदनशील है।
फोटो- $z$ अनिश्चितताओं का प्रभाव: फोटोमेट्रिक रेडशिफ्ट त्रुटियां प्रमुख सिस्टमैटिक प्रभाव हैं। एक आशावादी अनिश्चितता ( $\sigma_{z0} = 0.005$ ) पोस्टीरियर्स को 10% से कम विस्तृत करती है, जबकि एक अधिक यथार्थवादी अनिश्चितता ( $\sigma_{z0} = 0.01$ ) उन्हें 20-30% तक विस्तृत करती है। फोटो- $z$ त्रुटियां संख्या गणना कोवेरियेंस में सैंपल वेरिएंस को भी महत्वपूर्ण रूप से कम करती हैं।
द्वितीयक विरूपणों का प्रभाव (Impact of Secondary Distortions): हालांकि RSDs, IR रिसमेशन और ज्यामितीय विरूपणों का FoM पर प्रभाव (क्लस्टरिंग के लिए अकेले 5%, पूर्ण संयोजन के लिए ~10%) फोटो- $z$ त्रुटियों की तुलना में कम है, लेकिन RSDs को नजरअंदाज करने से $\Omega_m$ – $\sigma_8$ पोस्टीरियर्स में महत्वपूर्ण पूर्वाग्रह (bias) (लगभग $\sim 2\sigma$ का शिफ्ट) आता है।
स्केल डिपेंडेंसी (Scale Dependence): $60 h^{-1}$ Mpc से नीचे के स्केल्स पर क्लस्टरिंग डेटा अतिरिक्त कंस्ट्रेटिंग पावर प्रदान करता है, जबकि ध्वनिक दोलन स्केल (acoustic oscillation scale, $>130 h^{-1}$ Mpc) से बड़े स्केल्स $\Omega_m$ और $\sigma_8$ पर नगण्य जानकारी जोड़ते हैं।
कोवेरियेंस मॉडलिंग (Covariance Modelling): अध्ययन दर्शाता है कि संख्या गणना कोवेरियेंस में RSDs और फोटो- $z$ प्रभावों को नजरअंदाज करने से पोस्टीरियर एम्प्लीट्यूड का 10-20% कम अनुमान लगता है। लेखक एक प्रभावी पावर स्पेक्ट्रम मॉडल (मोनोपोल और क्वाड्रुपोल टर्म्स को जोड़कर) प्रस्तावित करते हैं जो पूर्ण एनिसोट्रोपिक मॉडलिंग की कम्प्यूटेशनल लागत के बिना सैंपल कोवेरियेंस को सटीक रूप से कैप्चर करता है।
कॉस्मोलॉजी-डिपेंडेंट कोवेरियेंस (Cosmology-Dependent Covariance): एक कॉस्मोलॉजी-डिपेंडेंट कोवेरियेंस मैट्रिक्स का उपयोग क्लस्टरिंग बाधाओं को ~40% सुधारता है। हालांकि, जब संख्या गणनाओं को क्लस्टरिंग के साथ जोड़ा जाता है, तो यह अतिरिक्त लाभ समाप्त हो जाता है, जिससे पता चलता है कि संख्या गणना पहले से ही उस जानकारी को समाहित कर लेती है जो क्लस्टरिंग कोवेरियेंस के कॉस्मोलॉजिकल डिपेंडेंस में एन्कोडेड होती है।

महत्व
यह पेपर यूक्लिड मिशन के लिए क्लस्टर काउंट्स और क्लस्टरिंग के संयुक्त विश्लेषण के लिए एक मजबूत ढांचा स्थापित करता है। यह रेखांकित करता है कि हालांकि इन प्रोब्स को जोड़ने से कॉस्मोलॉजिकल बाधाएं नाटकीय रूप से सुधर जाती हैं, यह साथ ही साथ सिस्टमैटिक प्रभावों के प्रति संवेदनशीलता को भी बढ़ा देता है। यह कार्य यह स्पष्ट करता कि फोटो- $z$ अनिश्चितताओं और RSDs को न केवल सांख्यिकी में, बल्कि उनके कोवेरियेंस मैट्रिसेस के भीतर भी सटीक रूप से मॉडल करना आवश्यक है ताकि पक्षपाती (biased) परिणामों से बचा जा सके। यह प्रमाणित करते हुए कि काउंट्स और क्लस्टरिंग स्वतंत्र हैं और संयुक्त दृष्टिकोण की प्रभावकारिता को प्रदर्शित करते हुए, यह अध्ययन यूक्लिड क्लस्टर कॉस्मोलॉजी के वैज्ञानिक रिटर्न को अधिकतम करने के लिए आवश्यक निर्देश प्रदान करता है, साथ ही चेतावनी भी देता है कि संयुक्त विश्लेषणों से प्राप्त संकीर्ण बाधाओं के लिए एकल-प्रोब विश्लेषणों की तुलना में और भी अधिक कठोर सिस्टमैटिक नियंत्रण की आवश्यकता होती है।