利用机器学习重建稳健的背景积分场单元光谱
星系天体物理
2024-04-02 v1
摘要
在天文学中，光谱学包括观测天体物理源并提取其电磁辐射光谱。提取后，将模型拟合到光谱以测量可观测量，从而理解发射机制的底层物理。该模型的一个关键但常被忽视的方面是背景发射，它包含前景和背景天体物理源、介入的大气发射以及与仪器相关的伪影（如噪声）。本文提出了一种算法方法，利用统计工具和监督机器学习算法为SITELLE观测构建背景模型。我们应用photutils中实现的分割算法，将数据立方体划分为背景和源像素。在对背景像素进行主成分分析（PCA）后，我们训练一个人工神经网络，在PCA系数空间中从背景像素插值到源像素，这使我们能够在整个数据立方体上生成局部背景模型。我们通过将该方法应用于对SIGNALS星系NGC 4449和英仙座星系团星系NGC 1275的SITELLE观测，展示了该方法的性能。我们讨论了主成分的物理解释以及基于PCA的重建中的噪声降低。此外，我们将使用我们新的背景建模方法得到的拟合结果与文献中使用的标准方法进行了比较，发现我们的方法更好地捕获了NGC 4449中的HII区域和NGC 1275中的微弱发射区域。这些方法还表明，背景确实会随着数据立方体位置的变化而变化。
引用
@article{arxiv.2404.01175,
title = {Reconstructing Robust Background IFU spectra using Machine Learning},
author = {Carter Lee Rhea and Julie Hlavacek-Larrondo and Justine Giroux and Auriane Thilloy and Hyunseop Choi and Laurie Rousseau-Nepton and Marie-Lou Gendron-Marsolais and Mario Pasquato and Simon Prunet},
journal= {arXiv preprint arXiv:2404.01175},
year = {2024}
}
备注
Accepted to RASTI