XMM-Newton软质子污染的预测与理解：一种机器学习方法
天体物理仪器与方法
2020-11-18 v1 空间物理
摘要
对于当代X射线望远镜而言，由镜面聚焦的几十到几百keV（软）质子是一类主要且未曾预见到的背景源。欧洲空间局（ESA）的X射线多镜面任务（XMM-Newton）便是其中之一。其因背景污染而损失的观测时间约为40%。这一观测时间的损失影响了该天文台所有主要的广泛科学目标，从宇宙学到中子星与黑洞的天体物理学。软质子背景可能严重影响未来的大型X射线任务，如ESA计划的Athena任务（http://www.the-athena-x-ray-observatory.eu/）。触发该背景的物理过程仍知之甚少。我们使用机器学习（ML）方法来厘清相关重要参数，并基于12年的XMM观测数据开发预测背景污染的模型。我们以卫星位置、太阳与地磁活动参数作为预测变量。我们发现，污染与南向距离 （XMM观测位于南半球）、太阳风径向速度以及磁层磁力线位置最为相关。我们针对前两个单独预测变量推导了简单的经验模型，并给出了一个利用预测变量集成（Extra Trees Regressor）且性能更优的ML模型。基于我们的分析，未来任务应尽量减少在高太阳风速度期间的观测，并避开闭合磁力线，尤其是在南半球黄昏侧区域。
引用
@article{arxiv.2009.13156,
title = {Prediction and understanding of soft proton contamination in XMM-Newton: a machine learning approach},
author = {E. A. Kronberg and F. Gastaldello and S. Haaland and A. Smirnov and M. Berrendorf and S. Ghizzardi and K. D. Kuntz and N. Sivadas and R. C. Allen and A. Tiengo and R. Ilie and Y. Huang and L. Kistler},
journal= {arXiv preprint arXiv:2009.13156},
year = {2020}
}
备注
20 pages, 11 figures