Xin Qiao

/home

/tools

/obsidian

~/Obsidians/ Kluge2024SRGEROSITAAllSky

Kluge2024SRGEROSITAAllSky

Brief #

  • 基本做的事情是对 eRASS 得到的延展 X-ray source 再运行一次 redMaPPer 以得到红移，提供了一个 cluster catalog
  • 此外还有很多其他的分析
    • sec6 number density and mass limit
      • 还运行了 legacy survey redMaPPer
    • sec7 对 contamination 进行建模，并且衡量样本的 purity
    • sec8 分析 redMaPPer photo-z performance
    • sec9 拟合 richness 和速度弥散之间的关系
  • 对于 forced mode 有很大借鉴意义，可能可以用 spec mode 或者 fake firstpass 的方法进行 forced mode
  • 有很多 technique 的细节可以参考
  • 在 CDS 上提供了 public catalog
    • 作为 by-product 的 legacy survey redMaPPer run 可以在网页上 inspect，但是原始目录要找作者索要

Intro #

  • 宇宙学探针可以分成均匀和非均匀两类，前者的例子是 BAO，后者的例子是 cluster、cosmic shear
    • 等同与「几何」和「结构增长」的划分吗？
  • eROSITA 的一个优势是 soft X-ray，对应于 ICM 辐射最强的波段
  • X-ray 观测的结果没有红移，所以需要 photometric 数据提供的红移
    • 这里的做法就是在 X-ray peak 的位置运行 redMaPPer，根据所有成员星系的颜色总体地确定一个红移

Data #

  • X-ray 数据用的是 eRASS1 catalog
    • 出于寻求和光学数据 overlap 以及 mask 超新星遗迹的需要，面积从半天的 20k 减小到了 13k deg2
    • 最终 catalog 包括 14k cluster candidates
    • X-ray 和 optical 数据追踪的分别是 ICM 和 red sequence
    • X-ray 区分 cluster 和 AGN 依靠的是 extendedness
    • 一个选择效应是 depth 变化：eROSITA 在 southern ecliptic pole 附近最深
  • 光学数据来源于 DESI legacy survey DR9&10，使用默认的 tractor 算法
    • 分为南北两个天区独立处理（南北天区使用的是不同的望远镜）
    • 同样存在 depth 的变化
    • 此外还添加了 NEOWISE 的 W1 band 数据（波长 3400nm 左右），红外和光学之间的颜色测量需要用 forced photometry 进行

Method #

  • eROMaPPer 是 redMaPPer 的「增强」版本
    • 这里说 redMaPPer 的表现很好，不受 projection effect 影响，但是相比 AMICO 等在高红移处性能下降
      • 这里引用 redMaPPer 的两篇文章可以后续了解一下，尤其是 codex
      • 有一大批文章列举了 redMaPPer 后续在其他方面的应用，这里还包括 Huang 2018
      • 这里说 redMaPPer 有 blind mode 和 scanning mode 两个模式，应该指的是 specmode 开或者关？
    • 增强指的是
      • 添加了 pyspark 的并行处理
      • 增加了光谱红移和速度弥散测量的后处理模块
      • 增加了用于后续选源的模块
  • 以上测量的结果是一个似然函数随着红移的变化 $L(z)$，可能找到 0、1 或多个结果
    • 单个结果可以直接得到 photometric redshift
    • 多个结果可能是因为视向上多个 cluster 的重叠，这时候采用 principal peak 并且把 secondary peak 的信息记录下来
  • fig4 展示了一个 cluster 的测量结果，以及多种 redshift 的分布
    • 127 个成员星系中 121 个具有光谱红移
    • 中心区域的光学中心和 X-ray 中心并不重合
  • 从光谱数据的汇编（million 量级）中可以得到对 cluster 光谱红移的估计，但是需要建立在前面 redMaPPer 获得成员星系的基础上
    • 如果有足够的成员星系具有光谱红移，则通过成员星系的某种加权得到 cluster 红移（误差通过 bootstrapping 确定），否则直接使用 BCG 的光谱红移
  • 另外一个红移的来源是已知的 cluster catalog，比如 MCXC 和 CODEX（table1，甚至还包括 Abell）
  • 以上红移的优先级是多个成员 spec-z、中心 spec-z、photo-z、来自 literature 的红移
  • 除此之外还获得了 velocity dispersion 的测量

Results #

  • 设置多个 config 进行不同的 redMaPPer run，最终依照一些规则使得每一个 cluster 都拥有最佳的测量结果
    • 对于低红移优先采用 grz/griz 结果，对于高红移优先采用 grizw 结果
      • 包含 w1 波段的结果采用了 0.4 Lstar 作为阈值
    • 不同运行的 richness 具有不同含义，需要进行 normalization，其中包含 w1 波段的运行需要 2-3 的补偿因子（可能因为 0.4Lstar 的阈值）
  • 最终在 22k X-ray peak 中发现了其中 12k 具有光学对应，剩下的 10k 中有 7.5k 是因为在 Legacy survey coverage 之外，而剩余的 source 可以认为是 AGN 或者其他污染源
    • 在 12k 的基础上又通过 visual inspection 剔除了 458 个污染源
    • 一些 cluster 存在 projection 或者 share member 的情况
    • 72% clusters 的红移来源于 redMaPPer photo-z，另外 15/12% 的红移来源于 spec-z（fig5）
      • 红移中位数是 0.31，spec-z 覆盖率随红移有降低
  • fig6 给出了 clusters 在 cosmic web 中的分布，这里的背景 cosmic web 来源于 spec 数据
    • 红点代表的 spec-z 比绿色点代表的 photo-z 更加准确地落在 node 上

Assessment #

  • CODEX 也用到了 eROSITA 数据，但是用的是 SDSS optical data 作为 reference
  • 使用 SZ 作为高红移的完备性评估的参考，因为 SZ 方法在高红移有很高的完备性
  • 用 ACO cluster catalog 进行低红移的完备性测试
    • z<0.05 的情况下完备性反而降低（fig10），是因为中心星系太亮导致周围区域的测光不确定性非常大
  • 和 DES Y1 cluster catalog 的对比发现 richness 系统性地更低（21%）
    • ~~这里部分是因为 DES Y1 的 cut 过所以存在 bias 吧？~~ 这里考虑了这个因素
    • 文章给出的理由是 redMaPPer 细节的不同，具体来说是对 red sequence 以外的 outliers 的处理不同

Number densities and mass limits #

  • 在 legacy survey 中运行 redMaPPer 的 blind mode，得到 100k 量级的 cluster catalog
    • 对应红移区间内数密度是 DES 的 10 倍，因为 legacy survey 相比 DES 是更深的
    • fig12 给出了 cluster 数密度随红移的变化
      • 对比理论预测（HMF）发现这里 $\lambda>16$ 大致对应 1e14 halo mass 的质量下限（fig12）
    • 对比 X-ray 结果（spec mode）发现低红移相差不大，但是高红移差异明显
      • 在 z=0.8 的锐减是因为换用 w1 band 导致的
      • X-ray 的 mass limit 从 z=0.1 开始下降，z=0.2 大约是 2e14，z=0.8 大约是 3e14
  • 光学巡天的深度不足会造成 false positive 或者系统性抬升 richness

Purity #

  • eRASS 的 purity 只有 50%，污染包括 AGN/恒星以及随机背景涨落，即使经过光学的 recognization 仍然存在 fake sources，因为 AGN 也会倾向于处于 cluster/group 等结构中
  • 使用 companion paper（指的是 Ghirardini2024SRGEROSITAAllsky）中的 model 来测量 purity
    • 具体来说是对 real clusters 和 contamination 分别进行建模，之后在模拟中针对所有 AGN 点源/随机点位置运行 eROMaPPer 以获得对 contamination 性质的描述
    • contamination 和真实的 cluster 分布均在 z=0.2 和 z=0.5 存在 peak
    • 这种污染的分离可以通过 richness 和 X-ray luminosity 的对比实现：具有高 X-ray 光度和低 richness 的更可能是污染源（fig15），由此可以对每一个对象赋予一个 contamination probability
  • 最终得到 purity 大约是 86%，而在 optical recognization 之前的 purity 是 65%

Photometric redshift accuracy #

  • 用作 reference 的数据来源于具有 spec-z 测量的 cluster，这些 cluster 同时也具有 redMaPPer 提供的 photo-z
    • 这里的 cluster catalog 数量不太足够，所以还找了很多其他的 cluster catalog 运行 eROMaPPer，并且要求具有可靠的成员光谱红移
  • 相比 spec-z，photo-z 在 z=0.4 之后出现了 1e-2 量级的 bias（fig16）
    • 这里 bias 出现振荡（在 z=0.4 和 z=0.7）的原因是当 break 位于切换 filter 的边界的时候，两种颜色都处于最不敏感的阶段
    • 极低红移上的 bias 很大是因为这里 red sequence 没有 calibrated
  • scatter 的表现很好，红移误差不高于 5e-3
    • 同样在 z=0.4 和 z=0.7 出现 peak
    • caveat 是在高红移实际误差可能高于 redMaPPer 给出的形式误差（fig17）

Scaling relation #

  • 指的是 richness 和 velocity dispersion 之间的关系
  • 提到了一个相比最小二乘更先进的技术 Orthogonal Distance Regression (ODR)，可以同时考虑两个测量值的误差
  • fig18: 最终得到了一个和其他 literature 一致、但是具有更小误差的结果（$\lambda \propto \sigma^{2.5}$）
    • 这个误差主要由 intrinsic error 主导（10%），而不是测量误差
    • fig18 的绘图风格很好

Appendix #

  • AppA 给出了使用数据的提示
    • 完备性可能对于低红移、高红移和蓝色 group 的情况显著下降
  • AppB 主要介绍 limiting depth 和 redshift 的定义
  • AppC 主要介绍 redMaPPer 里面的 calibration 是怎样进行的，对应的图也是 redMaPPer 里面的 default QA plots

Thoughts #

  • 这里 section 很多，主要是得到结果之后的 discussion 环节
  • 「和理论预测的 n-z 关系对得上」和「redMaPPer 存在选择效应」之间的矛盾还需要再想一想
  • fig13 这张图很难懂
  • 不太理解 sec8 里面的 derivation 是什么意思
  • 所以大致 spec-z 和 photo-z 的精度就是 1e-3 和 1e-2
  • 后续阅读可以回看 Ghirardini2024SRGEROSITAAllsky 和同作者的 review

Technique #

  • 好像确实可以直接用 specmode=True 进行 forced mode，所以这个逻辑在 redMaPPer 里面直接就是写好的，不需要自己写
    • 还有一个 inspiration 是可以跳过 first pass，fake 一个 first pass 的结果直接运行 likelihood
  • 附录很值得看一看，尤其是 Appendix C
  • 这里也出现了「和 redMaPPer 结果的差异可能是某些细节处理不同或者版本差异导致的」的想法
  • 数密度和红移的平面确实是很重要的一个参数空间
back to top