用于再电离时期 21 厘米观测中 HII 区识别的深度学习方法——II. 前景污染

即将建成的平方公里阵列天文台（SKAO）将通过观测相应的 21 厘米信号来生成再电离时期的中性氢分布图像。然而，21 厘米信号将受到仪器限制（如噪声与银河系前景污染）的影响，这对准确探测构成挑战。在本研究中，我们提出 SegU-Net v2 框架，这是我们卷积神经网络的增强版本，旨在识别受前景发射污染的 21 厘米信号中的中性与电离区域。我们在经基于主成分分析的前景去除方法处理的 21 厘米图像数据上训练神经网络，在红移 $z=7$ 到 $11$ 间取得平均分类准确率 71%。我们针对多种前景去除方法（包括高斯过程回归、多项式拟合与前景楔去除）测试了 SegU-Net v2。结果显示性能相当，凸显了 SegU-Net v2 对这些预处理方法的独立性。统计分析表明，在 $8<z<10$ 时有可能达到 $AUC=95\%$ 的完美分类分数。尽管由于图像中 21 厘米信号、噪声与前景残差间对比度低，网络预测缺乏在高红移正确识别电离区域、以及在低红移很好区分少数剩余中性区域的能力。此外，由于驱动再电离的光子源预期位于电离区域内，我们表明 SegU-Net v2 可用于正确识别并测量 $z>9$ 时体积 $V_{\rm ion}>(10\, {\rm cMpc})^3$ 的孤立气泡，以供红外/光学望远镜后续研究探测这些源。