Photometric Redshift Estimation for Rubin Observatory Data Preview 1 with Redshift Assessment Infrastructure Layers (RAIL)

Technische Samenvatting: Fotometrische Roodverschuimingschatting voor de Rubin Observatory Data Preview 1 met Redshift Assessment Infrastructure Layers (RAIL)

Probleemstelling
De Legacy Survey of Space and Time (LSST) van de Vera C. Rubin Observatory heeft als doel donkere energie te onderzoeken via zwakke gravitationele lensing, grootschalige structuren en supernovae. Deze kosmologische sondes vereisen nauwkeurige en accurate fotometrische roodverschuimingen ($z_{phot}$) voor miljarden sterrenstelsels om steekproeven te selecteren, tomografische bins te definiëren en ensemble-roodverschuimingsverdelingen ($n(z)$) af te leiden. De Data Preview 1 (DP1) van de Rubin Observatory, die gebruikmaakt van de LSST Commissioning Camera (LSSTComCam), biedt de eerste echte observationele data om verwerkingspipelines te valideren. Dit artikel behandelt de uitdaging van het schatten van $z_{phot}$ vanuit DP1-data, evalueert de prestaties van diverse algoritmen en stelt een baseline vast voor toekomstige LSST-operaties.

Methodologie
De studie maakt gebruik van het Redshift Assessment Infrastructure Layers (RAIL) framework om acht verschillende $z_{phot}$-algoritmen toe te passen op DP1-fotometrie. De analyse richt zich op twee primaire velden:

1. Extended Chandra Deep Field South (ECDFS): Gebruikmakend van diepe $ugrizy$ (6-band) dekking.
2. Rubin_SV_38_7: Gebruikmakend van $griz$ (4-band) dekking.

Data-voorbereiding:

• Input Fotometrie: De auteurs gebruiken Gaap1p0 (1" Gaussian Aperture) fluxen uit de DP1 coadd objectcatalogus.
• Selectie: Sterrenstelsels worden geselecteerd met een $i$-band PSF flux signaal-ruisverhouding (SNR) > 5 en criteria voor uitgebreide bronnen ($g_{extendedness} > 0.5$, $r_{extendedness} > 0.5$).
• Referentieset: Een referentiecatalogus werd geconstrueerd in het ECDFS-veld door DP1-objecten te koppelen aan spectroscopische ($spec$-$z$), grism, en hoogwaardige multiband foto-$z$ data van meerdere surveys (bijv. 3D-HST, ASTRODEEP, CANDELS, PRIMUS). Deze referentieset werd verdeeld in 70% voor training en 30% voor testen, met een betrouwbaarheidsdrempel > 0.9.
• Validatie: Een onafhankelijke validatieset werd gecreëerd door het SV_38_7-veld te koppelen aan DESI Data Release 1 (DR1) spectroscopische steekproeven (BGS, LRG, ELG).
• Euclid Integratie: Een subset van de ECDFS-data werd gekoppeld aan de Euclid Quick Data Release (Q1) om Near-Infrared (NIR) $YJH$ fotometrie te incorporeren.

Geëvalueerde Algoritmen:
De studie vergelijkt twee categorieën methoden:

1. Template-Fitting: BPZ en LePhare. Deze vergelijken geobserveerde fotometrie met spectrale energieverdeling (SED) templates, waarbij priors en $\chi^2$-minimalisatie worden toegepast.
2. Machine Learning (ML): FlexZBoost, TPZ, kNN, CMNN, GPz, en DNF. Deze leren empirische mappingen van multiband fotometrie naar referentie-roodverschuimingen.

Workflow:
De auteurs maakten gebruik van RAIL_projects voor workflowbeheer, waarbij verschillende "flavors" van configuraties werden getest (6-band, 4-band, en 6-band + Euclid NIR). Hyperparameters werden afgestemd (bijv. het verhogen van het aantal bomen in TPZ, het aanpassen van basisfuncties in FlexZBoost) om de prestaties te optimaliseren.

Belangrijkste Bijdragen

• Eerste Systematische Analyse van DP1: Dit werk presenteert de eerste systematische toepassing van het RAIL-framework op echte LSSTComCam-data, waarbij per-galaxy kansdichtheidsfuncties (PDF's), punt-schattingen en ensemble $n(z)$ worden geproduceerd.
• Algoritme Benchmarking: Een uitgebreide vergelijking van acht algoritmen over verschillende datadieptes (4-band vs. 6-band) en roodverschuimingsbereiken.
• Constructie van Referentiecatalogus: De assemblage van een hoogwaardige, multi-survey referentiecatalogus in ECDFS, specifiek afgestemd op het trainen en valideren van LSST foto-$z$ pipelines.
• Impact van Euclid NIR: Een beoordeling van het specifieke voordeel van het toevoegen van Euclid $YJH$ fotometrie aan LSST optische data.

Resultaten

• Prestatie-metrieken:
  • Over de 6-band data bereikten de machine-learning algoritmen een genormaliseerde mediane absolute afwijking (scatter) van $\sigma_{NMAD} \sim 0.03$ en outlier fracties ($\eta_{0.15}$) rond de 10–15%.
  • De algehele bias voor ML-gebaseerde algoritmen was $< 0.005$, wat voldoet aan de LSST Jaar 1 (Y1) eis voor roodverschuimingsbias.
  • De scatter voor alle algoritmen was $< 0.1$, wat voldoet aan de LSST Y1 eis.
  • Degradatie: Prestaties verslechteren significant bij zwakke magnituden ($i > 23$) en hoge roodverschuimingen ($z > 1.2$), waar trainingsdata schaars is.
  • Algoritme Specifieke details: FlexZBoost behaalde de hoogste tomografische binning nauwkeurigheid (78.1%). Template-fitting methoden (BPZ, LePhare) vertoonden grotere biases en specifieke foutmodi, zoals het onjuist identificeren van Lyman-break sterrenstelsels bij hoge $z$ als lage-$z$ Balmer-break sterrenstelsels.
• Ensemble Verdelingen:
  • In de ECDFS testset slaagden de meeste algoritmen erin de ware gestapelde $n(z)$ verdeling te herstellen.
  • In het SV_38_7 veld (andere diepte/filterset) vertoonden sommige ML-methoden artefacten (bijv. high-$z$ staarten, pieken bij $z \sim 0.7$) door de mismatch tussen de ECDFS trainingsset en de SV_38_7 populatie. DNF leverde de minst bevoordeelde $n(z)$ in dit veld.
• Impact van Euclid NIR: Het opnemen van Euclid $YJH$ fotometrie verminderde de bias, de scatter en de outlier-ratio's aanzienlijk voor sterrenstelsels bij $z > 1.2$. Echter, voor de bulk van de steekproef ($z < 1.2$) was de verbetering minimaal vanwege de concentratie van trainingsdata bij lagere roodverschuimingen.
• Kalibratie: Probability Integral Transform (PIT-QQ) plots gaven aan dat hoewel de meeste methoden goed gekalibreerd zijn, sommige (bijv. CMNN) overmoedige foutmarges bieden, en template-fitting methoden een PDF-scheefheid vertoonden richting hoge roodverschuimingen.

Betekenis en Claims
Het artikel claimt dat de RAIL-pipeline klaar is voor het produceren van fotometrische roodverschuimingen voor LSST-data, en demonstreert "veelbelovende initiële prestaties" op echte commissioning-data. De resultaten valideren dat:

1. Machine-learning algoritmen aan de LSST Y1 eisen voor bias en scatter kunnen voldoen wanneer ze getraind zijn op representatieve, significante steekproeven.
2. De pipeline succesvol zowel per-galaxy PDF's als ensemble $n(z)$ schattingen genereert die essentieel zijn voor zwakke lensing en clustering analyses.
3. De inclusie van NIR-data (Euclid) gunstig is voor high-$z$ populaties, hoewel de impact beperkt wordt door het huidige gebrek aan high-$z$ referentie-trainingsdata.

De auteurs merken expliciet beperkingen op: de omvang en diepte van de trainingsset beperken de robuustheid voorbij $z \approx 1.2$; sommige algoritmen hebben moeite met non-detecties; en hyperparameter optimalisatie was beperkt. Ze concluderen dat hoewel de pipeline functioneel is, toekomstig werk de sample variantie, het omgaan met non-detecties en verdere optimalisatie moet aanpakken om de prestaties op de volledige LSST objectcatalogus te maximaliseren.