暗能量巡天中的自动瞬变识别
天体物理仪器与方法
2015-12-22 v3
摘要
我们描述了一种在包含处理和仪器伪影的参考减除光学图像上识别点源瞬变和移动目标的算法。该算法使用了称为随机森林的监督机器学习技术。我们展示了其在暗能量巡天超新星项目（DES-SN）中的使用结果，该算法使用由瞬变检测流水线生成的898,963个信号和背景事件样本进行训练。在使用该算法重新处理第一个DES-SN观测季（2013年9月至2014年2月）收集的数据后，符合人工扫描条件的瞬变候选数量减少了13.4倍，而只有1%注入搜索图像以监测巡天效率的人工Ia型超新星丢失，其中大部分是非常微弱的事件。我们详细描述了算法的性能，并讨论了它如何为未来的时域成像巡天（如大型综合巡天望远镜和兹威基瞬变设施）的流水线设计决策提供信息。该算法的实现以及本文使用的训练数据可在http://portal.nersc.gov/project/dessn/autoscan获取。
引用
@article{arxiv.1504.02936,
title = {Automated Transient Identification in the Dark Energy Survey},
author = {D. A. Goldstein and C. B. D'Andrea and J. A. Fischer and R. J. Foley and R. R. Gupta and R. Kessler and A. G. Kim and R. C. Nichol and P. Nugent and A. Papadopoulos and M. Sako and M. Smith and M. Sullivan and R. C. Thomas and W. Wester and R. C. Wolf and F. B. Abdalla and M. Banerji and A. Benoit-Lévy and E. Bertin and D. Brooks and A. Carnero Rosell and F. J. Castander and L. N. da Costa and R. Covarrubias and D. L. DePoy and S. Desai and H. T. Diehl and P. Doel and T. F. Eifler and A. Fausti Neto and D. A. Finley and B. Flaugher and P. Fosalba and J. Frieman and D. Gerdes and D. Gruen and R. A. Gruendl and D. James and K. Kuehn and N. Kuropatkin and O. Lahav and T. S. Li and M. A. G. Maia and M. Makler and M. March and J. L. Marshall and P. Martini and K. W. Merritt and R. Miquel and B. Nord and R. Ogando and A. A. Plazas and A. K. Romer and A. Roodman and E. Sanchez and V. Scarpine and M. Schubnell and I. Sevilla-Noarbe and R. C. Smith and M. Soares-Santos and F. Sobreira and E. Suchyta and M. E. C. Swanson and G. Tarle and J. Thaler and A. R. Walker},
journal= {arXiv preprint arXiv:1504.02936},
year = {2015}
}
备注
24 pages, 9 figures, 4 tables v3: added link to training data / implementation