Poszukiwanie gwiazd zmiennych w eksperymencie Pi of the Sky

Transkrypt

1 Poszukiwanie gwiazd zmiennych w eksperymencie Pi of the Sky Łukasz Obara Wydział Fizyki, Uniwersytet Warszawski

2 Plan prezentacji Eksperyment Pi of the Sky Projekt GLORIA Środowisko LUIZA i zaimplementowana fotometria Poszukiwanie gwiazd zmiennych przy użyciu MVA Wyniki Podsumowanie 2

3 Eksperyment Pi of the Sky - Cele W skład kolaboracji wchodzą: Centrum Fizyki Teoretycznej PAN Narodowe Centrum Badań Jądrowych (NCBJ) Wydział Fizyki Uniwersytetu Warszawskiego in cooperation with other institutes Poszukiwanie błysków optycznych GRB Monitorowanie dużego obszaru nieba z wysoką rozdzielczością czasową i automatycznym wykrywaniem Poszukiwanie poświat optycznych ze źródeł Fal Grawitacyjnych Badanie innych zmiennych obiektów supernowe, nowe, flary, cefeidy, gwiazdy zmiennozaćmieniowe 3

4 Pi of the Sky Obserwatoria Prototyp detektora: LCO Chile w 2004 przeniesiony do San Pedro de Atacama (SPdA) w kamery CCD: px Canon f = 85mm Pole widzenia s czas ekspozycji, ~12m 13.5m dla 20 uśrednionych klatek Nowy system w INTA, koło Huelvy (Hiszpania) Pierwszy montaż: 4 kamery CCD zainstalowane w 2010 roku, 3 kolejne jednostki, w sumie 12 kamer zamontowane w 2013 roku 4

5 Pi of the Sky - INTA Pi of the Sky North INTA, near Huelva, Spain 5

6 Projekt GLORIA GLObal Robotic Telescopes Inteligent Array for esience Darmowy i wolny dostęp do sieci teleskopówrobotów. Możliwe tryby pracy on-line (obserwacje) i off-line (analiza danych) Środowisko LUIZA nowa jakość: obserwacje możliwe 24 godziny na dobę Pi of the Sky 2 z 17 dostępnych teleskopów Malaga, Oct. 10, 2013 Pi of the Sky contributions to the GLORIA project, Ł Obara 6

7 Pi of the Sky w GLORIA Malaga, Oct. 10, 2013 Pi of the Sky contributions to the GLORIA project, Ł Obara 7

8 LUIZA Środowisko LUIZA oparte jest na następujących założeniach Proces analizy danych składa się z mniejszych kroków, tzw procesorów Każdy procesor ma zdefiniowaną strukturę Definiując proces analizy danych nalezy tak dobrać i połączyć procesory, aby tworzyły jeden ciąg Parametry konfiguracyjne każdego procesora użytkownik definiuje przed rozpoczęciem analizy w pliku sterującym XML 8

9 Proces analizy danych Proces analizy danych przebiega w następujących krokach: Normalizacja klatki (odjęcie DARKa, podzielenie przez FLATa) Fotometria (identyfikacja obiektów i wyznaczenie sygnału) Astrometria (określenie pozycji RA-DEC dla znalezionych obiektów) Kalibracja (wyznaczenie magnitudo gwiazd poprzez porównanie do gwiazd referencyjnych) Katalogowanie (zapis wyników do bazy danych) 9

10 Fotometria Główne cele fotometrii: Identyfikacja obiektów Określenie pozycji (X;Y) poszczególnych obiektów Obliczenie sygnału 10

11 Dokładność fotometrii RMS vs Magnitudo (pojedyncze klatki, czas ekspozycji: 10 s) Mag: RMS ~ 0.02 m 9>12 Mag: RMS >0.02 m Dokładność wyznaczenia pozycji w porównaniu z gwiazdami z katalogu GSC 11

12 Poszukiwanie gwiazd zmiennych 1-2% gwiazd na niebie jest zmiennych Każda gwiazda musi być znaleziona na wielu klatkach. Rozkład wyznaczonych jasności gwiazd stałych (w skali magnitudo) tworzy rozkład normalny - w przypadku gwiazd zmiennych niekoniecznie Analiza statystyczna parametrów rozkładu jasności gwiazd RMS/RMSśr Kurtoza Asymetria Skośność 12

13 Symulacja krzywych blasku Sygnał gwiazd stałych na zdjęciach wybranej próbki z 3 kolejnych dni został zmodyfikowany przez odpowiedni czynnik celem wymodelowania zmienności Losowy okres dni Amplituda: magnitudo Symulowany kształt 8 krzywych blasku Flare Star Delta Cephei W Wirginis RR Lyrae Beta Lyrae Algol Algol Beta Lyrae Beta Lyrae W Ursae Majoris 13

14 Oczekiwania algorytmu Możliwie największa precyzja wyznaczenia jasności gwiazd Wykrywanie niskich amplitud zmienności Odrzucanie tła na poziomie co najmniej 98% Na zdjęciach rejestrowanych jest obiektów W ostatnim kroku weryfikacja odbywa się manualnie Użycie metod Analizy Wielu Zmiennych (MVA) 14

15 Zalety algorytmów uczących się MVA Dlaczego uczące się? - Gdyż nieznane są zależności funkcyjne pomiędzy poszczególnymi zmiennymi Dlaczego wielu zmiennych? - Gdyż analizowanie jednocześnie więcej niż jednej zmiennej niesie znacznie więcej informacji, niż analizowanie osobno poszczególnych zmiennych Użyte do odseparowania Sygnału od Tła. Podana próbka do opracowania parametrów cięć jest podzielona na dwie części: treningową i testową Sprawdzenie czy wytworzony nie jest przetrenowany i jest uniwersalny. 15

16 Wyselekcjonowanie obiektów zmiennych Analiza MVA używa zmiennych: Kurtoza, Asymetria Skośność (AG) RMS/RMS_mean Sygnał wygenerowane gwiazdy, Tło gwiazdy stałe (nie uzmiennione) Wyznaczenie okresu zmienności 16

17 Metoda Wzmocnionych Drzew decyzyjnych (BDT) Wejście: Próbka z wyznaczonymi zmiennymi wejściowymi; Wyjście: Prawdopodobieństwo, że rozkład magnitudo danej gwiazdy przedstawia obiekt zmienny. Wysoka efektywność wycięcia tła Wykresy przedstawiają gwiazdy: mag 17

18 18

19 Wyznaczenie okresu Metoda AoV (Analysis of Variable) 19

20 Krzywa blasku V1388 Ori okres: dnia 20

21 Podsumowanie 1) Do badania gwiazd zmiennych została zaimplementowana precyzyjna fotometria 2) Metody analizy wielu zmiennych są bardzo użyteczne w wyszukiwaniu obiektów zmiennych Szczególnie użyteczne w poszukiwaniu gwiazd o niskich amplitudach 21

22 Korelacja RMS/RMS_śr 23

23 Korelacje kurtozy 24

24 Correlation Asymetry 25

25 Korelacja skośności 26