PAU 巡天：利用深度学习技术进行背景光估计
天体物理仪器与方法
2020-05-06 v2
摘要
在任何成像巡天中，精确测量天文背景光对于获得良好测光至关重要。本文介绍 BKGnet，一种用于预测背景及其相关误差的深度神经网络。BKGnet 是为加速宇宙物理巡天（PAUS）的数据开发的，该巡天使用 40 个窄带滤光片相机（PAUCam）。PAUCam 获取的图像受散射光影响：这是一种光学效应，由多次散射的光将能量沉积于特定探测器区域从而污染科学测量。幸运的是，散射光并非随机效应，而是可预测并校正的。我们发现 BKGnet 的背景预测对畸变效应非常稳健，同时在统计上仍准确。平均而言，使用 BKGnet 使测光流量测量提升 7%，在亮端可达 20%。BKGnet 还消除了当前 PAU 数据管理方法中存在的 i 波段背景误差估计随星等的系统性趋势。借助 BKGnet，我们降低了测光红移异常率
引用
@article{arxiv.1910.02075,
title = {The PAU Survey: Background light estimation with deep learning techniques},
author = {Laura Cabayol-Garcia and Martin B. Eriksen and Àlex Alarcón and Adam Amara and Jorge Carretero and Ricard Casas and Francisco Javier Castander and Enrique Fernández and Juan García-Bellido and Enrique Gaztanaga and Henk Hoekstra and Ramon Miquel and Christian Neissner and Cristobal Padilla and Eusebio Sánchez and Santiago Serrano and Ignacio Sevilla-Noarbe and Malgorzata Siudek and Pau Tallada and Luca Tortorelli},
journal= {arXiv preprint arXiv:1910.02075},
year = {2020}
}
备注
16 pages, 13 figures