How to count clustered galaxies

Sintesi Tecnica: Come Contare le Galassie in Ammasso

Enunciazione del Problema
Ottenere conteggi numerici di galassie robusti è essenziale per comprendere l'evoluzione delle galassie e affinare la fisica sub-griglia nelle simulazioni cosmologiche. Tuttavia, alle lunghezze d'onda submillimetriche, i sondaggi sono spesso limitati dal "rumore di confusione", dove galassie deboli e non risolte contribuiscono collettivamente alle fluttuazioni di fondo anziché essere rilevate singolarmente. I metodi statistici standard, in particolare l'analisi delle fluttuazioni P(D), sono impiegati per recuperare i conteggi in questi regimi limitati dalla confusione. Una limitazione fondamentale del quadro P(D) standard è la sua assunzione che le galassie siano distribuite secondo una legge di Poisson (distribuite casualmente) nel cielo. In realtà, le galassie sono spazialmente in ammasso. Questo ammassamento distorce l'istogramma del flusso (la statistica a 1 punto) della mappa, portando a bias sistematici nei conteggi numerici delle galassie derivati. I precedenti tentativi di affrontare questo problema si sono basati su formulazioni analitiche che faticano con modelli di conteggio realistici o su correzioni empiriche basate su simulazioni specifiche che potrebbero non rispecchiare perfettamente i campi osservati.

Metodologia
Gli autori propongono un quadro empirico, guidato dai dati, che utilizza simultaneamente statistiche a 1 punto e a 2 punti per correggere il bias dovuto all'ammassamento. La metodologia procede come segue:

1. Simulazione e Caratterizzazione del Bias: Utilizzando il catalogo Simulated Infrared Dusty Extragalactic Sky (SIDES), gli autori generano mappe simulate Herschel-SPIRE con diversi gradi di intensità dell'ammassamento (caratterizzati dalla scala di ammassamento $\theta_0$). Confrontano gli istogrammi del flusso di queste mappe in ammasso con mappe "randomizzate" (dove le posizioni delle galassie sono mescolate) per quantificare come l'ammassamento alteri la funzione di densità di probabilità (PDF) dei flussi dei pixel.
2. Sviluppo della Funzione di Correzione: La differenza tra gli istogrammi in ammasso e quelli randomizzati è parametrizzata utilizzando una funzione di correzione asimmetrica a forma di "W". Questa funzione combina polinomi del secondo ordine e gaussiane skew su entrambi i lati del picco dell'istogramma. I parametri di questa funzione sono derivati come relazioni lineari o log-lineari semplici alla scala caratteristica di ammassamento $\theta_0$.
3. Stima della Forza dell'Ammassamento: Per applicare la correzione ai dati reali senza una conoscenza preliminare dei conteggi, gli autori stimano la forza dell'ammassamento direttamente dalle statistiche a 2 punti della mappa. Calcolano lo spettro di potenza angolare della mappa, sottraggono il componente del rumore di shot e adattano la pendenza rimanente di legge di potenza per determinare la scala caratteristica di ammassamento $\theta_0$.
4. Correzione Iterativa: Il $\theta_0$ stimato viene utilizzato per generare la specifica funzione di correzione per quel dataset. Questa funzione viene applicata all'istogramma del flusso osservato per produrre un istogramma "corretto per l'ammassamento".
5. Adattamento P(D): L'istogramma corretto viene quindi inserito in un'analisi P(D) standard utilizzando un approccio Markov chain Monte Carlo (MCMC) con un modello basato su nodi per derivare i conteggi numerici delle galassie privi di bias.

Risultati Chiave
Gli autori hanno applicato questa metodologia a osservazioni profonde Herschel-SPIRE del campo GOODS-N a 250, 350 e 500 $\mu$m.

• Entità del Bias: L'ammassamento gonfia significativamente i conteggi numerici apparenti a 500 $\mu$m, dove le dimensioni del fascio sono maggiori. A una densità di flusso di circa 10 mJy, l'analisi P(D) non corretta sovrastima i conteggi di un fattore 1,6. L'effetto è meno grave a 350 $\mu$m e 250 $\mu$m a causa di dimensioni del fascio più piccole.
• Efficacia della Correzione: Quando la correzione viene applicata a mappe simulate, i conteggi numerici delle galassie recuperati mostrano un miglioramento drammatico della bontà di adattamento ($\chi^2$ che scende da 10.581 a 915) rispetto ai conteggi del catalogo sottostante reale.
• Applicazione Osservativa: I conteggi rivisti per il campo GOODS-N mostrano un eccellente accordo con i conteggi diretti profondi delle osservazioni SCUBA-2 a 450 $\mu$m. I conteggi corretti si allineano anche bene con le simulazioni SIDES.
• Confronto con la Letteratura: I risultati differiscono dalle precedenti analisi P(D) (ad esempio, Glenn et al. 2010) che mancavano di correzioni per l'ammassamento, in particolare all'estremità debole. Gli autori notano anche discrepanze con le analisi di stacking (ad esempio, Béthermin et al. 2012) e i risultati di deblending multibanda (Wang et al. 2019), attribuendo quest'ultimo a una potenziale incompletezza nei cataloghi precedenti utilizzati per il deblending.

Significato e Affermazioni
Il documento afferma di presentare uno strumento robusto e generalizzato per estrarre i conteggi numerici intrinseci delle galassie da mappe limitate dalla confusione. Combinando statistiche a 1 punto (istogramma del flusso) e a 2 punti (spettro di potenza), il metodo massimizza le informazioni estratte dai dati senza richiedere priori esterni da altre lunghezze d'onda. Gli autori affermano che questo approccio permette lo sfruttamento privo di bias dei sondaggi attuali e futuri nell'infrarosso lontano e submillimetrico, inclusi quelli di SCUBA-2 e del futuro Cerro Chajnantor Atacama Telescope (CCAT). La metodologia è presentata come ampiamente applicabile a qualsiasi dataset con proprietà di fascio e rumore ben caratterizzate, offrendo una soluzione a un bias sistematico di lunga data nell'astronomia submillimetrica.