For the next generation of spectroscopic galaxy surveys, it is important to forecast their performances and to accurately interpret their large data sets. For this purpose, it is necessary to consistently simulate different populations of galaxies, in particular Emission Line Galaxies (ELGs), less used in the past for cosmological purposes. In this work, we further the forward modeling approach presented in Fagioli et al. 2018, by extending the spectra simulator Uspec to model galaxies of different kinds with improved parameters from Tortorelli et al. 2020. Furthermore, we improve the modeling of the selection function by using the image simulator Ufig. We apply this to the Sloan Digital Sky Survey (SDSS), and simulate $\sim157,000$ multi-band images. We pre-process and analyse them to apply cuts for target selection, and finally simulate SDSS/BOSS DR14 galaxy spectra. We compute photometric, astrometric and spectroscopic properties for red and blue, real and simulated galaxies, finding very good agreement. We compare the statistical properties of the samples by decomposing them with Principal Component Analysis (PCA). We find very good agreement for red galaxies and a good, but less pronounced one, for blue galaxies, as expected given the known difficulty of simulating those. Finally, we derive stellar population properties, mass-to-light ratios, ages and metallicities, for all samples, finding again very good agreement. This shows how this method can be used not only to forecast cosmology surveys, but it is also able to provide insights into studies of galaxy formation and evolution.

中文翻译：

---

红蓝星系光谱成像正演模型

对于下一代光谱星系调查，重要的是预测它们的性能并准确解释它们的大数据集。为此，有必要始终模拟不同的星系群，尤其是发射线星系 (ELG)，它们过去很少用于宇宙学目的。在这项工作中，我们进一步推进了 Fagioli 等人提出的前向建模方法。2018 年，通过扩展光谱模拟器 Uspec，使用 Tortorelli 等人的改进参数对不同类型的星系进行建模。2020. 此外，我们通过使用图像模拟器 Ufig 改进了选择函数的建模。我们将此应用于斯隆数字巡天 (SDSS)，并模拟 $\sim157,000$ 多波段图像。我们对它们进行预处理和分析，以应用削减目标选择，最后模拟SDSS/BOSS DR14星系光谱。我们计算了红色和蓝色、真实和模拟星系的光度、天体测量和光谱特性，发现非常一致。我们通过使用主成分分析 (PCA) 分解样本来比较样本的统计特性。我们发现红色星系的一致性非常好，而蓝色星系的一致性很好，但不太明显，正如预期的那样，因为模拟这些已知的困难。最后，我们推导出所有样本的恒星群属性、质光比、年龄和金属丰度，再次发现非常好的一致性。这表明这种方法不仅可以用于预测宇宙学调查，而且还可以为星系形成和演化的研究提供见解。红色和蓝色、真实和模拟星系的天体测量和光谱特性，发现非常一致。我们通过用主成分分析 (PCA) 分解样本来比较样本的统计特性。我们发现红色星系的一致性非常好，而蓝色星系的一致性很好，但不太明显，正如预期的那样，因为模拟这些已知的困难。最后，我们推导出所有样本的恒星群属性、质光比、年龄和金属丰度，再次发现非常好的一致性。这表明这种方法不仅可以用于预测宇宙学调查，而且还可以为星系形成和演化的研究提供见解。红色和蓝色、真实和模拟星系的天体测量和光谱特性，发现非常一致。我们通过用主成分分析 (PCA) 分解样本来比较样本的统计特性。我们发现红色星系的一致性非常好，而蓝色星系的一致性很好，但不太明显，正如预期的那样，因为模拟这些已知的困难。最后，我们推导出所有样本的恒星群属性、质光比、年龄和金属丰度，再次发现非常好的一致性。这表明这种方法不仅可以用于预测宇宙学调查，而且还可以为星系形成和演化的研究提供见解。我们通过用主成分分析 (PCA) 分解样本来比较样本的统计特性。我们发现红色星系的一致性非常好，而蓝色星系的一致性很好，但不太明显，正如预期的那样，因为模拟这些已知的困难。最后，我们推导出所有样本的恒星群属性、质光比、年龄和金属丰度，再次发现非常好的一致性。这表明这种方法不仅可以用于预测宇宙学调查，而且还可以为星系形成和演化的研究提供见解。我们通过用主成分分析 (PCA) 分解样本来比较样本的统计特性。我们发现红色星系的一致性非常好，而蓝色星系的一致性很好，但不太明显，正如预期的那样，因为模拟这些已知的困难。最后，我们推导出所有样本的恒星群属性、质光比、年龄和金属丰度，再次发现非常好的一致性。这表明这种方法不仅可以用于预测宇宙学调查，而且还可以为星系形成和演化的研究提供见解。所有样品的质光比、年龄和金属丰度，再次发现非常好的一致性。这表明这种方法不仅可以用于预测宇宙学调查，而且还可以为星系形成和演化的研究提供见解。所有样品的质光比、年龄和金属丰度，再次发现非常好的一致性。这表明这种方法不仅可以用于预测宇宙学调查，而且还可以为星系形成和演化的研究提供见解。