How to count clustered galaxies

Resumo Técnico: Como Contar Galáxias Agrupadas

Enunciação do Problema
Obter contagens robustas de galáxias é essencial para compreender a evolução galáctica e refinar a física de subgrade em simulações cosmológicas. No entanto, em comprimentos de onda submilimétricos, as sondas são frequentemente limitadas pelo "ruído de confusão", onde galáxias fracas e não resolvidas contribuem coletivamente para flutuações de fundo em vez de serem detectadas individualmente. Métodos estatísticos padrão, especificamente a análise de flutuação P(D), são empregados para recuperar contagens nesses regimes limitados por confusão. Uma limitação fundamental do framework P(D) padrão é a sua suposição de que as galáxias estão distribuídas de acordo com um processo de Poisson (distribuídas aleatoriamente) no céu. Na realidade, as galáxias estão espacialmente agrupadas. Esse agrupamento distorce o histograma de fluxo (a estatística de 1 ponto) do mapa, levando a vieses sistemáticos nas contagens de galáxias derivadas. Tentativas anteriores de abordar isso basearam-se em formulações analíticas que lutam com modelos de contagem realistas ou em correções empíricas baseadas em simulações específicas que podem não espelhar perfeitamente os campos observados.

Metodologia
Os autores propõem um framework empírico, orientado por dados, que utiliza simultaneamente estatísticas de 1 ponto e de 2 pontos para corrigir o viés de agrupamento. A metodologia procede da seguinte forma:

1. Simulação e Caracterização do Viés: Usando o catálogo Simulated Infrared Dusty Extragalactic Sky (SIDES), os autores geram mapas simulados do Herschel-SPIRE com variados graus de intensidade de agrupamento (caracterizados pela escala de agrupamento $\theta_0$). Eles comparam os histogramas de fluxo desses mapas agrupados com mapas "randomizados" (onde as posições das galáxias são embaralhadas) para quantificar como o agrupamento altera a função de densidade de probabilidade (PDF) dos fluxos dos pixels.
2. Desenvolvimento da Função de Correção: A diferença entre os histogramas agrupados e randomizados é parametrizada usando uma função de correção assimétrica em forma de "W". Esta função combina polinômios de segunda ordem e gaussianas assimétricas em ambos os lados do pico do histograma. Os parâmetros desta função são derivados como relações lineares simples ou log-lineares à escala característica de agrupamento $\theta_0$.
3. Estimativa da Intensidade de Agrupamento: Para aplicar a correção a dados reais sem conhecimento prévio das contagens, os autores estimam a intensidade de agrupamento diretamente a partir das estatísticas de 2 pontos do mapa. Eles calculam o espectro de potência angular do mapa, subtraem o componente de ruído de disparo (shot-noise) e ajustam a inclinação restante de lei de potência para determinar a escala característica de agrupamento $\theta_0$.
4. Correção Iterativa: O $\theta_0$ estimado é usado para gerar a função de correção específica para aquele conjunto de dados. Esta função é aplicada ao histograma de fluxo observado para produzir um histograma "corrigido para agrupamento".
5. Ajuste P(D): O histograma corrigido é então alimentado em uma análise P(D) padrão usando uma abordagem de Monte Carlo via Cadeias de Markov (MCMC) com um modelo baseado em nós para derivar as contagens de galáxias não enviesadas.

Principais Resultados
Os autores aplicaram esta metodologia a observações profundas do campo GOODS-N pelo Herschel-SPIRE em 250, 350 e 500 $\mu$m.

• Magnitude do Viés: O agrupamento infla significativamente as contagens aparentes de galáxias em 500 $\mu$m, onde o tamanho do feixe é maior. Em uma densidade de fluxo de aproximadamente 10 mJy, a análise P(D) não corrigida superestima as contagens por um fator de 1,6. O efeito é menos severo em 350 $\mu$m e 250 $\mu$m devido a tamanhos de feixe menores.
• Eficácia da Correção: Quando a correção é aplicada a mapas simulados, as contagens de galáxias recuperadas mostram uma melhoria dramática no ajuste ($\chi^2$ caindo de 10.581 para 915) em comparação com as contagens do catálogo subjacente verdadeiro.
• Aplicação Observacional: As contagens revisadas para o campo GOODS-N mostram excelente concordância com contagens diretas profundas de observações do SCUBA-2 em 450 $\mu$m. As contagens corrigidas também se alinham bem com as simulações SIDES.
• Comparação com a Literatura: Os resultados diferem de análises P(D) anteriores (por exemplo, Glenn et al. 2010) que careciam de correções de agrupamento, particularmente na extremidade fraca. Os autores também notam discrepâncias com análises de empilhamento (por exemplo, Béthermin et al. 2012) e resultados de desentrelaçamento multibanda (Wang et al. 2019), atribuindo estes últimos a possíveis incompletudes nos catálogos prévios usados para o desentrelaçamento.

Significância e Alegações
O artigo alega apresentar uma ferramenta robusta e generalizada para extrair contagens intrínsecas de galáxias a partir de mapas limitados por confusão. Ao combinar estatísticas de 1 ponto (histograma de fluxo) e de 2 pontos (espectro de potência), o método maximiza a informação extraída dos dados sem exigir priores externos de outros comprimentos de onda. Os autores afirmam que esta abordagem permite a exploração não enviesada de sondas atuais e futuras no infravermelho distante e submilimétrico, incluindo aquelas do SCUBA-2 e do futuro Telescópio Cerro Chajnantor Atacama (CCAT). A metodologia é apresentada como amplamente aplicável a qualquer conjunto de dados com propriedades de feixe e ruído bem caracterizadas, oferecendo uma solução para um viés sistemático de longa data na astronomia submilimétrica.