Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
Red quasars constitute an important but elusive phase in the evolution of supermassive black holes, where dust obscuration can significantly alter their observed properties. They have broad emission lines, like other quasars, but their optical continuum emission is significantly reddened, which is why they were traditionally identified based on near- and mid-infrared selection criteria. This work showcases the capability of the Euclid space telescope to find a large sample of red quasars, using Euclid near infrared (NIR) photometry. We first conduct a forecast analysis, comparing a synthetic catalogue of red quasars with COSMOS2020. Using template fitting, we reconstruct Euclid-like photometry for the COSMOS sources and identify a sample of candidates in a multi-dimensional colour-colour space achieving 98% completeness for mock red quasars with 30% contaminants. To refine our selection function, we implement a probabilistic Random Forest classifier, and use UMAP visualisation to disentangle non-linear features in colour-space, reaching 98% completeness and 88% purity. A preliminary analysis of the candidates in the Euclid Deep Field Fornax (EDF-F) shows that, compared to VISTA+DECam-based colour selection criteria, Euclid’s superior depth, resolution, and optical-to-NIR coverage improves the identification of the reddest, most obscured sources. Notably, the Euclid exquisite resolution in the IE filter unveils the presence of a candidate dual quasar system, highlighting the potential for this mission to contribute to future studies on the population of dual AGN. The resulting catalogue of candidates, including more the 150 000 sources, provides a first census of red quasars in Euclid Q1 and sets the groundwork for future studies in the Euclid Wide Survey (EWS), including spectral follow-up analyses and host morphology characterisation.
Euclid Quick Data Release (Q1): XIX. First study of red quasars selection
Tarsitano, F.;Fotopoulou, S.;Banerji, M.;Petley, J.;Faisst, A. L.;Tucci, M.;Tacchella, S.;Toba, Y.;Landt, H.;Fu, Y.;Cunha, P. A. C.;Duncan, K.;Roster, W.;Salvato, M.;Laloux, B.;Dayal, P.;Ricci, F.;Aghanim, N.;Altieri, B.;Amara, A.;Andreon, S.;Auricchio, N.;Aussel, H.;Baccigalupi, C.;Baldi, M.;Balestra, A.;Bardelli, S.;Battaglia, P.;Biviano, A.;Bonchi, A.;Branchini, E.;Brescia, M.;Brinchmann, J.;Camera, S.;Cañas-Herrera, G.;Capobianco, V.;Carbone, C.;Carretero, J.;Casas, S.;Castellano, M.;Castignani, G.;Cavuoti, S.;Chambers, K. C.;Cimatti, A.;Colodro-Conde, C.;Congedo, G.;Conselice, C. J.;Conversi, L.;Copin, Y.;Costille, A.;Courbin, F.;Courtois, H. M.;Cropper, M.;Da Silva, A.;Degaudenzi, H.;De Lucia, G.;Di Giorgio, A. M.;Dolding, C.;Dole, H.;Dubath, F.;Duncan, C. A. J.;Dupac, X.;Escoffier, S.;Fabricius, M.;Farina, M.;Farinelli, R.;Faustini, F.;Ferriol, S.;Finelli, F.;Frailis, M.;Franceschi, E.;Galeotta, S.;George, K.;Gillard, W.;Gillis, B.;Giocoli, C.;Gómez-Alvarez, P.;Gracia-Carpio, J.;Granett, B. R.;Grazian, A.;Grupp, F.;Guzzo, L.;Gwyn, S.;Haugan, S. V. H.;Holmes, W.;Hook, I. M.;Hormuth, F.;Hornstrup, A.;Hudelot, P.;Jahnke, K.;Jhabvala, M.;Keihänen, E.;Kermiche, S.;Kiessling, A.;Kubik, B.;Kümmel, M.;Kunz, M.;Kurki-Suonio, H.;Le Boulc'h, Q.;Le Brun, A. M. C.;Le Mignant, D.;Ligori, S.;Lilje, P. B.;Lindholm, V.;Lloro, I.;Mainetti, G.;Maino, D.;Maiorano, E.;Mansutti, O.;Marcin, S.;Marggraf, O.;Martinelli, M.;Martinet, N.;Marulli, F.;Massey, R.;Medinaceli, E.;Mei, S.;Melchior, M.;Mellier, Y.;Meneghetti, M.;Merlin, E.;Meylan, G.;Mora, A.;Moresco, M.;Moscardini, L.;Nakajima, R.;Neissner, C.;Niemi, S. -M.;Nightingale, J. W.;Padilla, C.;Paltani, S.;Pasian, F.;Pedersen, K.;Percival, W. J.;Pettorino, V.;Pires, S.;Polenta, G.;Poncet, M.;Popa, L. A.;Pozzetti, L.;Raison, F.;Rebolo, R.;Renzi, A.;Rhodes, J.;Riccio, G.;Romelli, E.;Roncarelli, M.;Rossetti, E.;Rusholme, B.;Saglia, R.;Sakr, Z.;Sapone, D.;Sartoris, B.;Schewtschenko, J. A.;Schneider, P.;Schrabback, T.;Scodeggio, M.;Secroun, A.;Seidel, G.;Seiffert, M.;Serrano, S.;Simon, P.;Sirignano, C.;Sirri, G.;Spurio Mancini, A.;Stanco, L.;Steinwagner, J.;Tallada-Crespí, P.;Taylor, A. N.;Teplitz, H. I.;Tereno, I.;Toft, S.;Toledo-Moreo, R.;Torradeflot, F.;Tutusaus, I.;Valenziano, L.;Valiviita, J.;Vassallo, T.;Verdoes Kleijn, G.;Veropalumbo, A.;Wang, Y.;Weller, J.;Zacchei, A.;Zamorani, G.;Zerbi, F. M.;Zucca, E.;Allevato, V.;Ballardini, M.;Bolzonella, M.;Bozzo, E.;Burigana, C.;Cabanac, R.;Cappi, A.;Di Ferdinando, D.;Escartin Vigo, J. A.;Gabarra, L.;Martín-Fleitas, J.;Matthew, S.;Mauri, N.;Metcalf, R. B.;Pezzotta, A.;Pöntinen, M.;Porciani, C.;Risso, I.;Scottez, V.;Sereno, M.;Tenti, M.;Viel, M.;Wiesmann, M.;Akrami, Y.;Andika, I. T.;Anselmi, S.;Archidiacono, M.;Atrio-Barandela, F.;Benoist, C.;Benson, K.;Bertacca, D.;Bethermin, M.;Bisigello, L.;Blanchard, A.;Blot, L.;Brown, M. L.;Bruton, S.;Calabro, A.;Caro, F.;Carvalho, C. S.;Castro, T.;Charles, Y.;Cogato, F.;Cooray, A. R.;Cucciati, O.;Davini, S.;De Paolis, F.;Desprez, G.;Díaz-Sánchez, A.;Diaz, J. J.;Di Domizio, S.;Diego, J. M.;Duc, P. -A.;Enia, A.;Fang, Y.;Ferrari, A. G.;Finoguenov, A.;Fontana, A.;Franco, A.;Ganga, K.;García-Bellido, J.;Gasparetto, T.;Gautard, V.;Gaztanaga, E.;Giacomini, F.;Gianotti, F.;Gozaliasl, G.;Guidi, M.;Gutierrez, C. M.;Hall, A.;Hernández-Monteagudo, C.;Hildebrandt, H.;Hjorth, J.;Kajava, J. J. E.;Kang, Y.;Kansal, V.;Karagiannis, D.;Kiiveri, K.;Kirkpatrick, C. C.;Kruk, S.;Le Graet, J.;Legrand, L.;Lembo, M.;Lepori, F.;Leroy, G.;Lesci, G. F.;Lesgourgues, J.;Leuzzi, L.;Liaudat, T. I.;Liu, S. J.;Loureiro, A.;Macias-Perez, J.;Maggio, G.;Magliocchetti, M.;Mannucci, F.;Maoli, R.;Martins, C. J. A. P.;Maurin, L.;Miluzio, M.;Monaco, P.;Moretti, C.;Morgante, G.;Nadathur, S.;Naidoo, K.;Navarro-Alsina, A.;Nesseris, S.;Passalacqua, F.;Paterson, K.;Patrizii, L.;Pisani, A.;Potter, D.;Quai, S.;Radovich, M.;Rocci, P. -F.;Rodighiero, G.;Sacquegna, S.;Sahlén, M.;Sanders, D. B.;Sarpa, E.;Schneider, A.;Schultheis, M.;Sciotti, D.;Sellentin, E.;Shankar, F.;Smith, L. C.;Tanidis, K.;Testera, G.;Teyssier, R.;Tosi, S.;Troja, A.;Valieri, C.;Venhola, A.;Vergani, D.;Verza, G.;Vielzeuf, P.;Viitanen, A.;Walton, N. A.;Sorce, J. G.
2026
Abstract
Red quasars constitute an important but elusive phase in the evolution of supermassive black holes, where dust obscuration can significantly alter their observed properties. They have broad emission lines, like other quasars, but their optical continuum emission is significantly reddened, which is why they were traditionally identified based on near- and mid-infrared selection criteria. This work showcases the capability of the Euclid space telescope to find a large sample of red quasars, using Euclid near infrared (NIR) photometry. We first conduct a forecast analysis, comparing a synthetic catalogue of red quasars with COSMOS2020. Using template fitting, we reconstruct Euclid-like photometry for the COSMOS sources and identify a sample of candidates in a multi-dimensional colour-colour space achieving 98% completeness for mock red quasars with 30% contaminants. To refine our selection function, we implement a probabilistic Random Forest classifier, and use UMAP visualisation to disentangle non-linear features in colour-space, reaching 98% completeness and 88% purity. A preliminary analysis of the candidates in the Euclid Deep Field Fornax (EDF-F) shows that, compared to VISTA+DECam-based colour selection criteria, Euclid’s superior depth, resolution, and optical-to-NIR coverage improves the identification of the reddest, most obscured sources. Notably, the Euclid exquisite resolution in the IE filter unveils the presence of a candidate dual quasar system, highlighting the potential for this mission to contribute to future studies on the population of dual AGN. The resulting catalogue of candidates, including more the 150 000 sources, provides a first census of red quasars in Euclid Q1 and sets the groundwork for future studies in the Euclid Wide Survey (EWS), including spectral follow-up analyses and host morphology characterisation.
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11577/3606103
Citazioni
ND
0
ND
ND
social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.