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

Resumo Técnico: Seleção Altamente Eficiente de Galáxias com Linhas de Emissão de Alto Redshift para Futuros Levantamentos do tipo DESI com Imagens Multibanda Profundas

Definição do Problema
Galáxias com linhas de emissão (ELGs) são traçadores críticos para medir as Oscilações Acústicas de Bárions (BAO) e a estrutura em grande escala para redshifts $z > 1$. No entanto, os métodos de seleção atuais para o Dark Energy Spectroscopic Instrument (DESI) enfrentam limitações significativas na faixa de redshift $1.1 < z < 1.6$. A seleção atual de ELGs do DESI, baseada na fotometria mais rasa $g, r, z$ dos Legacy Imaging Surveys, sofre de baixa eficiência e flutuações significativas de densidade. Especificamente, a amostra atual do DESI produz apenas $\sim 660$ ELGs robustos por grau quadrado na faixa de redshift atual, com uma taxa de sucesso de faixa de redshift baixa (34%) e uma taxa de sucesso de medição de redshift de 69%. Esta densidade coloca a amostra em um regime limitado pelo ruído de disparo (shot-noise), dificultando restrições cosmológicas precisas sobre a equação de estado da energia escura. O artigo postula que imagens multibanda mais profundas (semelhantes às do Observatório Rubin/LSST ou Hyper Suprime-Cam) podem superar esses sistemas através de uma melhor identificação de características espectrais.

Metodologia
Os autores desenvolveram e otimizaram um novo algoritmo de seleção de alvos projetado para aumentar o rendimento da densidade superficial de ELGs em um fator de $\sim 3$ em comparação com os alvos atuais do DESI. A metodologia envolveu três estágios primários:

1. Fontes de Dados:

   • Fotometria: A equipe utilizou fotometria profunda $ugrizy$ do catálogo COSMOS2020 (versão Farmer) para treinar os critérios de seleção. Este conjunto de dados oferece profundidades $\sim 2$ magnitudes mais profundas que o Legacy Survey e inclui as bandas $i$ e $y$.
   • Espectroscopia: Para testar e refinar empiricamente a seleção, os autores utilizaram uma amostra "spec-truth". Esta amostra consiste de 87.512 objetos do tipo ELG observados com o DESI no campo COSMOS, selecionados usando cortes de cor amplos a partir de imagens profundas de DECam e HSC para capturar todos os potenciais dispersores para a amostra do DESI.
   • Redshifts: Redshifts fotométricos ($z_{photo}$) foram derivados usando o código LePHARE nos dados multibanda do COSMOS2020. Redshifts espectroscópicos ($z_{spec}$) foram obtidos através de observações do DESI com tempos de exposição efetivos entre 700 e 1400 segundos.

2. Desenvolvimento do Algoritmo:

   • Classificação Inicial: Um classificador de Floresta Aleatória (Random Forest - RF) foi treinado na fotometria $ugrizy$ do COSMOS2020 para distinguir ELGs de alto redshift ($z=1.1-1.6$) de outras galáxias. O RF alcançou uma Área Sob a Curva (AUC) de 0.960.
   • Importância das Características: A análise de importância por permutação revelou que as combinações de cores $r-i$ e $i-y$ foram as características mais influentes, com $i-z$ sendo a próxima mais significativa.
   • Otimização: Os autores definiram um conjunto de cortes de cor e um limite de magnitude ($g_{fiber}$) baseado nos insights da RF. Estes cortes foram otimizados usando a amostra spec-truth para maximizar a "taxa de sucesso da faixa de redshift" (a fração de alvos com $z_{spec}$ seguro em $1.1 < z < 1.6$) enquanto visavam um rendimento de densidade superficial líquida de $\sim 1370$ deg$^{-2}$. A otimização minimizou uma função de perda equilibrando a taxa de sucesso contra o desvio da densidade alvo.

3. Métricas:

   • Taxa de Sucesso de Medição de Redshift ($f_{reliable}$): Fração de alvos com $z_{spec}$ seguro (baseado no S/N do fluxo [O II] e $\Delta\chi^2$).
   • Taxa de Sucesso da Faixa de Redshift: Fração de alvos especificamente dentro de $1.1 < z < 1.6$ com $z_{spec}$ seguro.
   • Rendimento de Densidade Superficial Líquida: O produto da densidade de alvos pela taxa de sucesso da faixa de redshift.

Principais Resultados
Os critérios de seleção otimizados, consistindo em limites em $g_{fiber}$, $r-i$, $i-y$ e $i-z$, demonstraram melhorias significativas sobre a seleção padrão de ELG do DESI:

• Taxa de Sucesso de Medição de Redshift: Aumentou de 69% (DESI) para 89% (Este trabalho).
• Taxa de Sucesso da Faixa de Redshift: Aumentou de 34% (DESI) para 84% (Este trabalho).
• Rendimento de Densidade Superficial Líquida: Aumentou de 660 deg$^{-2}$ (DESI) para 1372 deg$^{-2}$ (Este trabalho).
• Densidade de Alvos: A nova amostra atinge uma densidade alvo de 1632 deg$^{-2}$, que é comparável à densidade de alvos do DESI (1940 deg$^{-2}$), mas rende uma fração muito maior de objetos úteis.
• Contaminação: Os novos cortes rejeitam efetivamente a contaminação de baixo redshift ($z < 1.1$) e objetos em $z > 1.6$ onde o dubleto [O II] cai fora da janela espectral do DESI.

Significância e Alegações
O artigo alega que combinar a amostra atual de ELG do DESI com esta amostra otimizada aumentaria a densidade numérica líquida de ELG em um fator de $\sim 3$. Baseado em previsões de matriz de Fisher (código FishLSS), este aumento iria:

1. Mover a amostra de ELG para fora do regime limitado pelo ruído de disparo para o bin de redshift $1.1 < z < 1.6$.
2. Reduzir as incertezas nos parâmetros da escala de distância BAO ($\alpha_{\perp}$ e $\alpha_{\parallel}$) por um fator de $\sim 2$ nestes redshifts.

Os autores enfatizam que esta abordagem é viável para futuros levantamentos espectroscópicos (ex: DESI-II) utilizando imagens multibanda mais profundas, como as do Observatório Rubin ou HSC. Eles observam que a seleção é robusta mesmo quando aplicada a fotometria de profundidade "LSST Ano 2" ligeiramente mais rasa. Além disso, o artigo sugere que tal amostra de alta eficiência pode ser observada durante o tempo cinza ou brilhante (quando a lua está presente), pois a linha [O II] em $z > 1.1$ desloca-se para comprimentos de onda ($> 7800$ Å) onde as linhas de emissão do céu noturno dominam sobre o continuum da luz lunar, potencialmente aumentando a eficiência das operações de levantamento futuras. Finalmente, os autores propõem que este método de seleção pode gerar amostras puramente fotométricas com distribuições de redshift bem definidas para análises de correlação cruzada de CMB e lensing em redshifts mais altos do que o atualmente possível para LRGs.