基于神经网络自编码器的无监督光谱解混地基校正
天体物理仪器与方法
2021-11-18 v1 机器学习
摘要
地球大气中分子对光的吸收给天体物理目标的地基观测带来困难。校正这种所谓地基吸收需要关于多种分子物种的全面信息。我们提出一种神经网络自编码器方法，用于从HARPS-N径向速度光谱仪的大量高精度观测太阳光谱中提取地基透射光谱。我们通过将数据降维为压缩表示来实现此目的，这使我们能够揭示潜在的太阳光谱，同时发掘观测光谱中与地球大气中H_2O和O_2吸收相关的不同变化模式。我们展示了如何利用提取的组分在验证观测中去除H_2O和O_2地基吸收，其精度与采用molecfit的合成方法相似，且计算开销更低。
引用
@article{arxiv.2111.09081,
title = {Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder},
author = {Rune D. Kjærsgaard and Aaron Bello-Arufe and Alexander D. Rathcke and Lars A. Buchhave and Line K. H. Clemmensen},
journal= {arXiv preprint arXiv:2111.09081},
year = {2021}
}
备注
Presented at Workshop on Machine Learning and the Physical Sciences (NeurIPS 2021)