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

Sintesi Tecnica: Selezione Altamente Efficiente di Galassie con Linee di Emissione ad Alto Redshift per Futuri Survey tipo DESI con Imaging Multi-band Profondo

Definizione del Problema
Le galassie con linee di emissione (ELG) sono traccianti critici per misurare le Oscillazioni Acustiche dei Barioni (BAO) e la struttura su larga scala per $z > 1$. Tuttavia, i metodi di selezione attuali per il Dark Energy Spectroscopic Instrument (DESI) affrontano limitazioni significative nell'intervallo di redshift $1.1 < z < 1.6$. La selezione attuale delle ELG di DESI, basata sulla fotometria più superficiale $g, r, z$ dei Legacy Imaging Surveys, soffre di una bassa efficienza e di significative fluttuazioni di densità. Nello specifico, il campione DESI attuale produce solo $\sim 660$ ELG robusti per grado quadrato nell'attuale intervallo di redshift, con un tasso di successo nel range di redshift (34%) e un tasso di successo nella misurazione del redshift (69%) ridotti. Questa densità pone il campione in un regime limitato dal rumore di shot (shot-noise limited), ostacolando le precise costrizioni cosmologiche sulla equazione di stato dell'energia oscura. Il documento sostiene che l'imaging multi-band più profondo (simile a quello dell'Osservatorio Rubin LSST o di Hyper Suprime-Cam) può superare questi sistemi attraverso una migliore identificazione delle caratteristiche spettrali.

Metodologia
Gli autori hanno sviluppato e ottimizzato un nuovo algoritmo di selezione dei target progettato per aumentare la resa della densità superficiale delle ELG di un fattore di $\sim 3$ rispetto ai target DESI attuali. La metodologia ha previsto tre fasi primarie:

1. Fonti di Dati:

   • Fotometria: Il team ha utilizzato la fotometria profonda $ugrizy$ del catalogo COSMOS2020 (versione Farmer) per addestrare i criteri di selezione. Questo dataset offre profondità $\sim 2$ magnitudini più profonde del Legacy Survey e include le bande $i$ e $y$.
   • Spettroscopia: Per testare ed empiricamente raffinare la selezione, gli autori hanno utilizzato un campione "spec-truth". Tale campione consiste in 87.512 oggetti simili a ELG osservati con DESI nel campo COSMOS, selezionati tramite tagli di colore ampi da imaging profondi di DECam e HSC per catturare tutti i potenziali dispersori (scatterers) nel campione DESI.
   • Redshift: I redshift fotometrici ($z_{photo}$) sono stati derivati utilizzando il codice LePHARE sui dati multi-band di COSMOS2020. I redshift spettroscopici ($z_{spec}$) sono stati ottenuti da osservazioni DESI con tempi di esposizione effettivi compresi tra 700 e 1400 secondi.

2. Sviluppo dell'Algoritmo:

   • Classificazione Iniziale: Un classificatore Random Forest (RF) è stato addestrato sulla fotometria $ugrizy$ di COSMOS2020 per distinguere le ELG ad alto redshift ($z=1.1-1.6$) da altre galassie. L'RF ha raggiunto un'Area Under the Curve (AUC) di 0.960.
   • Importanza delle Caratteristiche: L'analisi dell'importanza per permutazione ha rivelato che le combinazioni di colore $r-i$ e $i-y$ erano le caratteristiche più influenti, con $i-z$ come la successiva più significativa.
   • Ottimizzazione: Gli autori hanno definito un insieme di tagli di colore e una magnitudine limite ($g_{fiber}$) basandosi sulle intuizioni dell'RF. Tali tagli sono stati ottimizzati utilizzando il campione spec-truth per massimizzare il "tasso di successo del range di redshift" (la frazione di target con $z_{spec}$ sicuri in $1.1 < z < 1.6$) puntando a una resa di densità superficiale netta di $\sim 1370$ deg$^{-2}$. L'ottimizzazione ha minimizzato una funzione di perdita bilanciando il tasso di successo rispetto alla deviazione dalla densità target.

3. Metriche:

   • Tasso di Successo della Misurazione del Redshift ($f_{reliable}$): Frazione di target con $z_{spec}$ sicuri (basato sul rapporto S/N del flusso [O II] e $\Delta\chi^2$).
   • Tasso di Successo del Range di Redshift: Frazione di target con $z_{spec}$ sicuri specificamente nell'intervallo $1.1 < z < 1.6$.
   • Resa di Densità Superficiale Netta: Il prodotto della densità dei target per il tasso di successo del range di redshift.

Risultati Chiave
I criteri di selezione ottimizzati, che consistono in limiti su $g_{fiber}$, $r-i$, $i-y$ e $i-z$, hanno dimostrato miglioramenti significativi rispetto alla selezione standard delle ELG di DESI:

• Tasso di Successo della Misurazione del Redshift: Aumentato dal 69% (DESI) all'89% (questo lavoro).
• Tasso di Successo del Range di Redshift: Aumentato dal 34% (DESI) all'84% (questo lavoro).
• Resa di Densità Superficiale Netta: Aumentata da 660 deg$^{-2}$ (DESI) a 1372 deg$^{-2}$ (questo lavoro).
• Densità dei Target: Il nuovo campione raggiunge una densità target di 1632 deg$^{-2}$, che è paragonabile alla densità target di DESI (1940 deg$^{-2}$), ma produce una frazione molto più alta di oggetti utili.
• Contaminazione: I nuovi tagli respingono efficacementmente la contaminazione a basso redshift ($z < 1.1$) e gli oggetti a $z > 1.6$ dove il doppietto [O II] cade al di fuori della finestra spettrale di DESI.

Significatività e Rivendicazioni
Il documento rivendica che combinare l'attuale campione ELG di DESI con questo campione ottimizzato aumenterebbe la densità numerica netta delle ELG di un fattore di $\sim 3$. Basandosi sulle previsioni della matrice di Fisher (codice FishLSS), questo aumento:

1. Sposterebbe il campione ELG fuori dal regime limitato dal rumore di shot per l'intervallo di redshift $1.1 < z < 1.6$.
2. Ridurrebbe le incertezze sulle scale di distanza BAO ($\alpha_{\perp}$ e $\alpha_{\parallel}$) di un fattore di $\sim 2$ a questi redshift.

Gli autori sottolineano che questo approccio è fattibile per futuri survey spettroscopici (ad esempio, DESI-II) che utilizzano imaging multi-band più profondo, come quello dell'Osservatorio Rubin o di HSC. Notano inoltre che la selezione è robusta anche quando applicata a fotometrie con profondità leggermente inferiori ("LSST Year 2"). Infine, suggeriscono che tale campione ad alta efficienza potrebbe essere osservato durante il tempo grigio o luminoso (quando la luna è presente), poiché la linea [O II] a $z > 1.1$ si sposta verso lunghezze d'onda ($> 7800$ Å) dove le linee di emissione del cielo notturno dominano sul continuo della luce lunare, aumentando potenzialmente l'efficienza delle operazioni di survey future. Infine, propongono che questo metodo di selezione possa generare campioni puramente fotometrici con distribuzioni di redshift ben definite per analisi di cross-correlazione CMB e lensing a redshift più elevati di quanto attualmente possibile per le LRG.