调制进入空间频率空间：ZTF alert 流中的卫星和太空碎片检测

在研究瞬时天文现象时，识别虚假事件是一个重大挑战，其中包括人造卫星和地球轨道上的碎片，仍是主要的噪声来源。现有的管道有效识别卫星轨迹，但可能遗漏更复杂的特征，如卫星闪光集合。在 Rubin 天文台时代，规模将比其前身 Zwicky Transient Facility（ZTF）增大十倍，要求在分类纯度、信息性 alert 数据压缩以及管道速度方面进行改进。我们探讨了在差分图像上执行 2D 快速傅里叶变换（FFT）作为增强机器学习模型用于卫星检测的工具。以 ALeRCE single-stamp 分类器为基线，我们调整其体系结构以包含差分图像 FFT 的裁切块，以及标准 ZTF 图像三重组（science、reference 和 difference 印章）。我们评估了多个印章大小和分辨率，关注数据压缩至关重要的情形，因为 alert 大小有限且现场约束。将 FFT 纳入显著提高了卫星分类，特别是在最小视场模型（16 弧秒）中，准确率从 $72.0\pm2.9\%$ 提升到 $87.8\pm1.3\%$。这表明 FFT 在压缩和捕获扩展卫星特征方面具有价值。然而，FFT 本身尚不匹配 63 弧秒（$95.9\pm1.3\%$）或多尺度（$90.6\pm0.8\%$）模型的完整上下文性能，凸显了空间背景的互补作用。我们展示了如何利用 FFT 从当前和未来时域 survey 的 alert 流中筛选卫星和碎片特征。