ترجمه فارسی مقاله قابلیت انتقال انتقال به سرخ‌های فتومتریک تعیین‌شده با استفاده از یادگیری ماشین

چکیده

In this work the random forest algorithm GALPRO is implemented to generate photometric redshift posteriors, and its performance when trained and then applied to data from another survey is investigated. The algorithm is initially calibrated using a truth dataset compiled from the DESI Legacy survey. We find that the testing and training datasets must have very similar redshift distributions, with the range of their photometric data overlapping by at least 90% in the appropriate photometric bands in order for the training data to be applicable to the testing data. Then GALPRO is again trained using the DESI dataset and then applied to a sample drawn from the PanSTARRS survey, to explore whether GALPRO can be first trained using a trusted dataset and then applied to an entirely new survey, albeit one that uses a different magnitude system for its photometric bands, thus requiring careful conversion of the measured magnitudes for the new survey before GALPRO can be applied. The results of this further test indicate that GALPRO does not produce accurate photometric redshift posteriors for the new survey, even where the distribution of redshifts for the two datasets overlaps by over 90%. Hence, we conclude that the photometric redshifts generated by GALPRO are not suitable for generating estimates of photometric redshifts and their posterior distribution functions when applied to an entirely new survey, particularly one that uses a different magnitude system. However, our results demonstrate that GALPRO is a useful tool for inferring photometric redshift estimates in the case where a spectroscopic galaxy survey is nearly complete, but is missing some spectroscopic redshift values.

چکیده به فارسی (ترجمه ماشینی)

در این کار ، الگوریتم جنگلی تصادفی گالپرو برای تولید خلفی redshift فوتومتری اجرا می شود و عملکرد آن هنگام آموزش و سپس به داده های مربوط به نظرسنجی دیگر مورد بررسی قرار می گیرد.این الگوریتم در ابتدا با استفاده از یک مجموعه داده حقیقت گردآوری شده از بررسی میراث DESI کالیبره شده است.ما می دانیم که مجموعه داده های آزمایش و آموزش باید دارای توزیع مجدد بسیار مشابهی باشند ، با این که طیف وسیعی از داده های فوتومتریک آنها حداقل 90 ٪ در باندهای فوتومتریک مناسب با هم همپوشانی دارند تا داده های آموزش در داده های آزمایش قابل اجرا باشند.سپس Galpro دوباره با استفاده از Desi Dataset آموزش داده می شود و سپس روی نمونه ای که از نظرسنجی Panstarrs تهیه شده است ، استفاده می شود تا بررسی کند که آیا Galpro ابتدا می تواند با استفاده از یک مجموعه داده قابل اعتماد آموزش داده شود و سپس در یک نظرسنجی کاملاً جدید اعمال شود ، هرچند که از سیستم بزرگی متفاوت استفاده می کندبرای باندهای فوتومتری آن ، بنابراین نیاز به تبدیل دقیق از اندازه های اندازه گیری شده برای بررسی جدید قبل از استفاده از GalPro دارد.نتایج این آزمایش بیشتر نشان می دهد که GALPRO برای بررسی جدید ، خلفی دقیق redshift فوتومتری تولید نمی کند ، حتی در مواردی که توزیع redshift برای دو مجموعه داده بیش از 90 ٪ همپوشانی دارد.از این رو ، نتیجه می گیریم که redshift های فوتومتری تولید شده توسط GALPRO برای تولید تخمین های redshift های فوتومتری و توابع توزیع خلفی آنها در هنگام استفاده از یک نظرسنجی کاملاً جدید ، به ویژه موردی که از یک سیستم با بزرگی متفاوت استفاده می کند ، مناسب نیستند.با این حال ، نتایج ما نشان می دهد که GALPRO یک ابزار مفید برای استنباط تخمین های redshift فوتومتری در موردی است که یک بررسی کهکشان طیف سنجی تقریباً کامل است ، اما برخی از مقادیر تغییر شکل مجدد طیف سنجی را از دست نمی دهد.