Needlet Karhunen-Loève (NKL)：一种从 21cm 强度图中清洗前景的方法

本文介绍了一种名为 NKL 的技术，该技术通过对 needlet 系数应用 Karhunen-Loève 变换，从 HI 强度图中清洗极化和非极化前景。在 NKL 中，人们不仅利用沿视线方向的关联，还利用不同角区域（称为“块”）之间的关联。与文献中应用于图空间且不考虑此类空间关联的许多标准技术相比，这提供了明显的优势。此外，NKL 技术不需要关于前景性质的任何先验，这在考虑极化前景时非常重要。我们还引入了 GNILC 的改进版本，称为 MGNILC，它结合了前景的近似以改善性能。NKL 和 MGNILC 技术在包含极化前景的模拟图上进行了测试。它们的性能与 GNILC、GMCA、ICA 和 PCA 技术进行了比较。进行了两次独立的测试：一次在 $1.84 < z < 2.55$ 处，另一次在 $0.31 < z < 0.45$ 处。在两次测试中，NKL 均表现出最佳性能，在高红移情况下 $k < 0.1\,{\rm hMpc^{-1}}$ 处和低红移情况下 $k < 0.03 \,{\rm hMpc^{-1}}$ 处，性能比 GNILC 提高了 10 到 50 倍。然而，没有一种方法能够在所有 BAO 尺度上令人满意地恢复功率谱。