Horizon-AGN virtual observatory - 1. SED-fitting performance and forecasts for future imaging surveys

Auteurs : C. Laigle, I. Davidzon, O. Ilbert, J. Devriendt, D. Kashino, C. Pichon, P. Capak, S. Arnouts, S. de la Torre, Y. Dubois, G. Gozaliasl, D. Le Borgne, S. Lilly, H. J. McCracken, M. Salvato, A. Slyz

arXiv: 1903.10934v1 - DOI (astro-ph.GA)
29 pages, 23 figures, 6 tables; submitted to MNRAS; Comments are welcome

Résultats du processus de synthèse de l'article arXiv : 1903.10934v1

  • Résumé Complet
  • Points clés
  • Résumé vulgarisé
  • Article de blog
Dans cette étude, nous utilisons les données du Horizon-AGN, une simulation hydrodynamique cosmologique pour produire un catalogue photométrique sur la plage de redshift $0<z<4$. Ce catalogue comprend des magnitudes apparentes dans les filtres COSMOS, DES, LSST-like et Euclid-like à des profondeurs comparables à celles de ces enquêtes. La photométrie virtuelle prend en compte l'histoire complexe de formation d'étoiles et l'enrichissement en métaux des galaxies du Horizon-AGN ainsi que les erreurs de magnitude, l'atténuation par la poussière et l'absorption par le milieu intergalactique. La photométrie COSMOS-like est ajustée selon la configuration du catalogue COSMOS2015. Nous quantifions ensuite les erreurs aléatoires et systématiques des décalages photométriques, des masses stellaires et des taux de formation d'étoiles (SFR). Les décalages photométriques et leurs erreurs reflètent les mêmes dépendances en magnitude et en redshift que celles trouvées dans le COSMOS2015 à l'exclusion de l'impact de l'extraction des sources. Les masses stellaires sont bien récupérées avec une dispersion généralement inférieure à 0,1 dex. Les histoires simples de formation d’étoiles et les métallités des modèles induisent une sous-estimation systématique des masses stellaires à $z<1.5$ jusqu’à 0.12 dex. Les estimations des SFR présentent une bimodalité induite par la poussière combinée à une dispersion plus importante (typiquement entre 0,2 et 0,6 dex). Nous utilisons également notre catalogue fictif pour prédire les décalages photométriques et les masses stellaires dans de futures enquêtes d’imagerie. Nous soulignons qu’en ajoutant la photométrie infrarouge proche d’Euclid à la configuration LSST-like on améliore considérablement l’exactitude des décalages photométriques notamment aux limites faibles tout en réduisant le taux d’outliers approximativement par 2. De plus cela permet également une meilleure estimation des masses stellaires jusqu’à un facteur 3 moindre dispersion. Il serait donc mutuellement bénéfique pour LSST et Euclid de travailler ensemble.
Mots clés générés par l'IA : Simulation hydrodynamique Photométrie virtuelle Décalages photométriques Masse stellaire Formation d'étoiles

Points clés générés par l'IA

  • Utilisation des données du Horizon-AGN, une simulation hydrodynamique cosmologique
  • Production d'un catalogue photométrique pour la plage de redshift $0<z<4$
  • Magnitudes apparentes dans les filtres COSMOS, DES, LSST-like et Euclid-like
  • Photométrie virtuelle prenant en compte l'histoire complexe de formation d'étoiles et l'enrichissement en métaux des galaxies du Horizon-AGN
  • Erreurs de magnitude, atténuation par la poussière et absorption par le milieu intergalactique prises en compte
  • Ajustement de la photométrie COSMOS-like selon la configuration du catalogue COSMOS2015
  • Quantification des erreurs aléatoires et systématiques des décalages photométriques, des masses stellaires et des taux de formation d'étoiles (SFR)
  • Décalages photométriques reflétant les mêmes dépendances que celles trouvées dans le COSMOS2015 à l'exclusion de l'impact de l'extraction des sources
  • Récupération satisfaisante des masses stellaires avec une dispersion généralement inférieure à 0,1 dex
  • Sous-estimation systématique des masses stellaires à $z<1.5$ jusqu'à 0.12 dex due aux histoires simples de formation d’étoiles et aux métallités des modèles
  • Bimodalité induite par la poussière dans les estimations des SFR avec une dispersion plus importante (typiquement entre 0,2 et 0,6 dex)
  • Prédiction des décalages photométriques et des masses stellaires dans de futures enquêtes d’imagerie en utilisant le catalogue fictif
  • Amélioration de l'exactitude des décalages photométriques en ajoutant la photométrie infrarouge proche d’Euclid à la configuration LSST-like, réduction du taux d’outliers et meilleure estimation des masses stellaires
  • Bénéfice mutuel pour LSST et Euclid de travailler ensemble.
Accédez également à nos autres résultats générés par IA : Résumé complet, Résumé vulgarisé, Article de type blog; ou posez des questions sur cet article à notre Assistant IA.

Résumé : Using the ligthcone from the cosmological hydrodynamical simulation Horizon-AGN, we produced a photometric catalogue over $0<z<4$ with apparent magnitudes in COSMOS, DES, LSST-like, and Euclid-like filters at depths comparable to these surveys. The virtual photometry accounts for the complex star formation history and metal enrichment of Horizon-AGN galaxies, and consistently includes magnitude errors, dust attenuation and absorption by inter-galactic medium. The COSMOS-like photometry is fitted in the same configuration as the COSMOS2015 catalogue. We then quantify random and systematic errors of photometric redshifts, stellar masses, and star-formation rates (SFR). Photometric redshifts and redshift errors capture the same dependencies on magnitude and redshift as found in COSMOS2015, excluding the impact of source extraction. COSMOS-like stellar masses are well recovered with a dispersion typically lower than 0.1 dex. The simple star formation histories and metallicities of the templates induce a systematic underestimation of stellar masses at $z<1.5$ by at most 0.12 dex. SFR estimates exhibit a dust-induced bimodality combined with a larger scatter (typically between 0.2 and 0.6 dex). We also use our mock catalogue to predict photometric redshifts and stellar masses in future imaging surveys. We stress that adding Euclid near-infrared photometry to the LSST-like baseline improves redshift accuracy especially at the faint end and decreases the outlier fraction by a factor $\sim$2. It also considerably improves stellar masses, reducing the scatter up to a factor 3. It would therefore be mutually beneficial for LSST and Euclid to work in synergy.

Soumis à arXiv le 26 Mar. 2019

Outils pour cet article

Expliquer autrement 3 réécritures gratuites restantes aujourd'hui
Exporter BibTeX · RIS (Zotero, Mendeley, EndNote) · Markdown (Notion, Obsidian) · Premium
Alertes de citation Premium
Journal club Des slides pour le présenter Premium
Pour les journalistes Kit presse et détecteur de hype Premium

Posez des questions sur cet article à notre assistant IA

Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.

⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.

Instructions pour utiliser l'assistant IA ?

Évaluez la qualité du contenu généré par l'IA en votant

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Le résumé précédent a été créé il y a plus d'un an et peut être réexécuté (si nécessaire) en cliquant sur le bouton Exécuter ci-dessous.

⚠La licence de cet article spécifique ne nous permet pas de nous appuyer sur son contenu et les outils de synthèse seront exécutés en utilisant les métadonnées de l'article plutôt que l'article complet. Cependant, l'outil produira quand même un bon résultat, et vous pouvez également essayer nos outils sur des papiers avec des licences plus ouvertes.

Articles similaires résumés avec nos outils d'IA

Naviguez à travers encore plus d'articles similaires en utilisant une

représentation arborescente

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.