黃天君 孫天瑞 胡 鐳 寧宗軍 吳雪峰 王力帆 王曉峰 朱鎮(zhèn)熹 UDDIN Ashraf Syed ASHLEY Charles Brewster Michael

(1 中國科學院紫金山天文臺 南京 210033)

(2 中國科學技術大學天文與空間科學學院 合肥 230026 )

(3 George P.and Cynthia Woods Mitchell Institute for Fundamental Physics ＆ Astronomy,Texas A. ＆ M.University,Department of Physics and Astronomy,Texas TX 77843)

(4 中國南極天文中心 南京 210033)

(5 清華大學物理系/清華天體物理中心 北京 100084)

(6 The Observatories of the Carnegie Institution for Science,California CA 91101)

(7 Department of Astrophysics,University of New South Wales,New South Wales NSW 2052)

1 引言

時域天文已經成為目前天體物理研究的關鍵領域,它的研究對象包括暫現(xiàn)源和變源,如超新星、伽馬射線暴、變星、活動星系核、系外行星等,是我們了解宇宙中極端物理現(xiàn)象的主要途徑[1].時域天文巡天是時域天文的主要研究手段,對預定天區(qū)進行重復觀測,以期獲得天體的時變信息,現(xiàn)在已經有多個采用上述手段進行的時域天文巡天項目,如PTF (Palomar Transient Factory)巡天[2],TNTS[3](Tsinghua University NAOC Transient Survey)以及本文涉及的AST3 (Antarctic Survey Telescope,AST3)巡天.AST3巡天的選址位于南極大陸冰穹A.南極大陸的大氣環(huán)境極為寒冷、干燥且穩(wěn)定,因此是非常理想的天文選址.2008年,中國首套南極巡天設備CSTAR (Chinese Small Telescope Array)開始在南極大陸冰穹A投入運行,其繼任者AST3系列是中國的第2代南極光學望遠鏡,計劃部署3臺[4],分別于2012年和2015年部署了系列中的第1臺AST3-1和第2臺AST3-2,AST3-3仍在測試中.AST3-2是南極大陸目前最大的光學望遠鏡,入瞳直徑0.5 m,像面對應視場4.25 deg2,主要用于包括新星[5–6]、變星[7]、系外行星[8–9]、活動星系核[10]等在內的變源和暫現(xiàn)源[11]的研究,冰穹A的氣候條件和地理位置[12]使得此處非常適合開展長時間不間斷的時域天文觀測活動[13–15].本文工作使用AST3-2在2016年度觀測得到的數(shù)據(jù)作為測試樣本.

時域天文巡天廣泛使用現(xiàn)代化的大視場望遠鏡,望遠鏡的長期運行積累了大量的觀測數(shù)據(jù),如何高效處理這些數(shù)據(jù)成為一個新的問題.Alard等[16]提出的圖像相減法是目前時域天文領域應用比較廣泛的一個方法,通過比較兩個時刻的星像流量差異來獲得天體的時變信息,可以準確找出流量發(fā)生變化的源.理想情況下相減后得到的殘差圖像上應該只有流量發(fā)生變化的暫現(xiàn)源和變源,但是在實際操作中不可避免地受到各種因素的干擾,如儀器影響、對齊偏離、卷積異常等,這使得我們需要對相減后的殘差進行區(qū)分,而僅靠人力去處理觀測產生的海量數(shù)據(jù)是不現(xiàn)實的.在數(shù)據(jù)科學領域常使用機器學習代替人類執(zhí)行一些分類和預測的工作,天文數(shù)據(jù)處理方面也已有此嘗試,其中先驅當屬Bailey等人在2007年處理超新星工廠(Super Novae Factory,SNFactory)中提出的分類方法[17].機器學習算法有許多種,其中Breiman[18]提出的隨機森林是目前性能較好的機器學習算法,優(yōu)點是極為準確、能夠處理高維數(shù)據(jù)等.現(xiàn)有的變星探測方法是從候選源的光變信息出發(fā),通過光變曲線的特定參數(shù)判斷候選源是否為變星以及對應的變星分類,我們希望能夠結合前述圖像相減法和隨機森林這兩個成熟算法的優(yōu)點,發(fā)展一套基于這兩者的變星搜尋流程,提高數(shù)據(jù)處理的效率.

2 數(shù)據(jù)處理流程

AST3-2屬于施密特式望遠鏡[19],入瞳直徑0.5 m.為了適應低溫環(huán)境和無人值守的情況,AST3系列通過衛(wèi)星通訊進行遠程操控[20–22],在軟硬件方面均有一些特殊的設計[20–21,23].AST3-2相對于AST3-1的改進主要集中于伺服系統(tǒng).AST3-2的視場大小為4.25 deg2,CCD物理分辨率為10560 × 10560像素,折合每像素對應1′′.為了避免可能的機械故障,AST3系列均沒有安裝機械快門,CCD以幀轉移模式工作,這使得實際可用視場和分辨率減半,為10560 × 5280像素.AST3-2采用SLOAN數(shù)字化巡天標準i波段濾光片[24].在2016年度的巡天任務中,AST3-2覆蓋了571個天區(qū),合2352.52 deg2,通常曝光時間為60 s,讀出時間20 s.每個天區(qū)的觀測次數(shù)從15次到125次不等,多數(shù)天區(qū)重復觀測次數(shù)在35次左右,共計得到25000張以上圖像,總數(shù)據(jù)量達到5.8 TB.我們統(tǒng)計了全年觀測數(shù)據(jù)的大氣質量,分布情況如圖1,從中得知我們的巡天觀測計劃安排得當,主要利用大氣質量較小的區(qū)域來觀測.

圖1 AST3-2 2016年度觀測數(shù)據(jù)大氣質量分布圖Fig.1 Air mass distribution of AST3-2 2016 dataset

以中心指向赤經RA=15:52:00,赤緯DEC=?44:32:23的2152–4454天區(qū)為例,2016年度測光誤差分布和星像半高全寬(Full Width at Half Maximum,FWHM)狀況如圖2和圖3所示,可見在一幅典型的圖像中,測得星等亮于17 mag的測光誤差小于0.17 mag,星像的FWHM多在5像素左右.

圖2 AST3-2 2016年度觀測數(shù)據(jù)典型圖像的測光誤差分布圖Fig.2 Photometric error distribution of a typical image of AST3-2 2016 dataset

圖3 2016年數(shù)據(jù)2152-4454天區(qū)星像FWHM分布情況Fig.3 FWHM distribution of the images in the sky area 2152-4454 of AST3-2 2016 dataset

天體在經過一段時間后其亮度發(fā)生變化,那么在此之后拍攝的圖像上將會反映出這一變化.在理想情況下,相減之后背景會被全部扣除,只剩下星像之間的殘差,因此可以根據(jù)兩張圖片之間的差別來判斷是否存在變源,圖像相減法[16,25]即是根據(jù)這種差異來檢測變源的,通過將已知模板圖像同待檢測圖像進行相減,通過判斷圖像間的差異來尋找可能存在的變源.用D代表差異, T 代表模板圖像, I代表待檢測圖像, K代表卷積核,其基本思想如下式:

點擴散函數(shù)(Point Spread Function,PSF)是光學系統(tǒng)的輸入為點光源時其輸出像的光場分布,常用于描述光學系統(tǒng)對點源的響應.由于相減的兩張圖片并不是拍攝于同一時刻,PSF因外部條件的不同有所差異,不能直接相減,需要經過卷積使得兩者的PSF盡可能相似,然后再進行相減.在執(zhí)行圖像相減之前需要做一些預先的準備工作,包括圖像對齊和模板制作.本文采用圖像相減法初步獲得觀測范圍內天體的星等變化信息.

2.1 圖像對齊

在圖像的預處理方面,我們利用CCD上的過掃描(overscan)區(qū)域進行圖片本底(bias)修正,然后進行平場處理[26].我們采用SExtractor[27]軟件對所有圖像進行自動孔徑測光,測光星表作為下一步的基礎.望遠鏡在不同時段對同一天區(qū)進行拍攝時,由于望遠鏡的指向存在誤差,觀測所產生的圖像可能會產生偏差,在對觀測數(shù)據(jù)進行處理的過程中需要做圖像對齊,將同一天區(qū)的所有圖像統(tǒng)一到一個坐標系中去.我們借助FITSH[28]軟件包中的grmatch指令對圖像進行對齊.FITSH程序包提供了一整套用于天文圖像數(shù)據(jù)分析的工具,可以完成包括圖像校準、源的認證、測光、圖像組合、空間變換等一系列圖像處理中的步驟.在這一步我們輸入需要進行校準的星表和圖像,FITSH會自動完成星表對齊和圖像的變換.FITSH讀取需要校準的星表之后,使用三角對齊算法[28–29]找出兩張星表在空間上的變換關系,隨后對其中每一個點進行交叉認證,不斷重復上述步驟,直到達到令人滿意的匹配率.這套算法能夠很好地適應大視場高分辨率圖像.兩張星表之間的轉換信息單獨寫入一個文件中,程序會根據(jù)這個文件生成一個轉換后的圖片,新生成的圖像已經對齊到參考圖像的參考系中.我們選擇像質最佳的圖像作為參考圖像,將同一天區(qū)的其他所有圖像對齊到參考圖像的坐標系中去.圖像對齊的效果視圖片質量而定,偶爾也會出現(xiàn)同一個源在不同圖片上位置偏離的情況,我們最后整理數(shù)據(jù)的時候設置0.5倍FWHM的匹配半徑.圖4展示了圖像對齊的效果.

圖4 圖像對齊事例,圖上列出了參考圖像(a),待檢測圖像(b)和對齊后的圖像(c).Fig.4 Example of image registration,reference image (a),input image (b),and remapped image (c) are shown on the panels.

2.2 模板制作

圖像相減前需要制作相減的模板圖像.每張圖片的拍攝時間和拍攝條件均有不同的差異,這些差異反映到成像結果上體現(xiàn)為PSF的區(qū)別,成像質量最佳的圖像具有最小的視寧度和最為銳利的PSF.在圖像相減的過程中,一般是通過卷積來使得待檢測圖像的PSF輪廓盡可能匹配模板圖像的PSF[27],也就是說模板圖像的PSF決定了圖像相減的執(zhí)行質量.因此我們希望模板圖像的質量盡可能好,PSF盡可能銳利.我們通過疊加生成一張高信噪比的模板圖像[30–31],把疊加生成的圖片稱作生成模板.

在模板制作之前首先確定每張待疊加圖像的權重,我們從信噪比出發(fā)得到圖像的權重.圖像的信噪比S/N可以用如下式子表示:

Nphoton代表光子數(shù)目, Apsf表示源所占的像素數(shù)目, σsky表示每個像素的天光背景.顯然Nphoton應該和相對的透明度T成正比, Apsf應當與FWHM2成正比.我們引入這樣定義的每張圖的權重wi,并用分別表示每張圖的透明度、FWHM 和天光背景:

其中相對透明度T可以通過如下過程比較兩幅圖像的零點來得到.用E1、E2分別表示進行零點比較的兩張圖像的流量,對應的流量關系為E2= E1T,對應到用零點ZP1、ZP2表示的星等之間的關系進而得到透明度的表達式:

根據(jù)FWHM選取8張成像質量最佳的圖像,將其中最佳的一張作為參考圖像,利用FITSH將其他7張統(tǒng)一到該參考圖像的坐標系中去,并按歸一化后的權重進行疊加,最后產生的圖像有著比原始圖像更小的FWHM,效果如表1和圖5.

表1 原始圖像同模板圖像的FWHM比較.I1至I7表示連同參考圖像進行疊加的7張圖片,Ref表示參考圖像Table 1 FHWM comparison between the original images and coadded template,I1 to I7 are 7 original images and ref represents the reference image

圖5 疊加生成模板同原始圖像的比較,I1、I2、I3是原始疊加圖片其中的3張,coadded為疊加生成的模板圖像.Fig.5 Comparison of the coadded template image and original images.I1,I2,I3 show three original images,and coadded shows the coadded template image.

2.3 圖像相減

我們借助HOTPANTS[32]這一軟件來進行圖像相減.HOTPANTS是高階PSF變換與模板相減(High Order Transform of Psf ANd Template Subtraction)的縮寫,專門用于執(zhí)行圖像相減,其核心算法和代碼來自Alard等[16,25]的工作,可以自動完成求解卷積核、卷積、圖像相減等步驟,對于同一張圖各處的PSF有所不同的情況也有考慮.

減圖完成后我們對殘差圖像進行測光,測光閾值設為2σ,將流量高于背景流量標準差兩倍以上的區(qū)域視作星像,測光結果除用來標記源的位置以外不做其他用途.增亮的源在殘差圖上留下的是正值,用通常的測光方法就可以檢測出來,變暗的源留下的則是負值,為此我們對整張圖的數(shù)值做一次翻轉,對翻轉后的圖像進行測光,這樣就可以將變暗的源檢測出來.

本文描述的工作所處理的是2016年度檔案數(shù)據(jù),所有待檢測圖像的質量都是已知的,而在實時數(shù)據(jù)處理中,一般是事先生成一張模板,再將觀測得到的圖像同模板進行相減,這就涉及到模板和待檢測圖像的視寧度關系.假如出現(xiàn)待檢測圖像視寧度優(yōu)于模板圖像的情況,需要把待檢測圖像和模板圖像的關系反轉,對模板圖像做卷積后同待檢測圖像相減,這是處理檔案數(shù)據(jù)和實時數(shù)據(jù)的不同之處.

不用待處理圖像減模板圖像的原因是,雖然可以通過反減的方式將殘差為負的源檢測出來,但相減的過程中需要將相減項的PSF卷積到被減項的PSF,所以殘差圖像的PSF同被減項的PSF一致,這樣殘差圖像的質量比正減所得到的要差.

為了驗證圖像處理流程的可靠性,我們將減圖和測光的結果同VSX (Varibale Star Index)星表做對比.VSX星表是已知最完整的變星星表,如果我們的方法能將VSX星表里對應天區(qū)的全部變星都檢測出來,那么就可以認為這一套流程是有效的.同時,如果有一部分已知變星沒有被檢測到,就意味著我們設置的參數(shù)需要調整.我們根據(jù)比較的結果反復調整了測光參數(shù)的設定.為了保證所有的變源都被包括進來,我們選取了較為寬松的限制,比如將閾值設得比較低.表2是選取較低閾值時的比較結果,我們挑選了0007-4158天區(qū)作為展示,匹配半徑設為5 arcsec,約合5像素,已知變星可以多次檢出,說明測光閾值設置較為合適.

表2 殘差圖像測光結果中已知變星的赤經(RA)、赤緯(DEC)、星等、星等變化(MAG VAR)及其出現(xiàn)次數(shù)Table 2 Right ascension (RA),declination (DEC),magnitude,magnitude variation(MAG VAR),and occurrence number of known variable stars in the result of residual image photometry

2.4 殘差圖像處理

在確保所有變源都被包括進來之后需要對殘差圖像的測光結果做初步的篩選,我們對候選源做如下方面的限制: 首先把靠近圖像邊緣的源舍去.受光學系統(tǒng)成像原理的限制,遠離光軸、靠近圖像邊緣的星像質量通常是比較差的.同時圖像處理的過程中,如果模板圖像中靠近邊緣的某些星像在同它進行對齊的圖像中沒有對應的源,FITSH會在創(chuàng)建的新圖像中將對應位置的數(shù)值設為0,無論該源的亮度是否變化,相減之后都會在殘差圖像上留下痕跡.圖像相減的方法本身不能區(qū)分這些殘差的來源,位于模板圖像上的源同待檢測圖像中的異常值相減后得到的殘差同正常情況下的殘差并沒有顯著的差別,所以需要根據(jù)實際星像進行判斷.其次是形態(tài)方面的限制,將殘差形態(tài)與原始星像形態(tài)差異過大的或FHWM太小的源全部舍去.在減圖的過程中假如求解卷積核出現(xiàn)異常,會導致殘差的形態(tài)偏離點源PSF,據(jù)此我們對殘差的形態(tài)參數(shù)做出限制.

我們把變源和暫現(xiàn)源分開處理,本文只討論變源.我們把同時出現(xiàn)在模板圖像和待檢測圖像中的源看作變源,不滿足條件的視為暫現(xiàn)源.進一步地,把多次檢測到亮度出現(xiàn)變化的源看作變星.疊加生成的模板圖像不是一個真實時刻所拍攝的圖像,待檢測圖像同模板圖像相減后得到殘差并不代表源的亮度一定發(fā)生了變化,只能說明同模板星像的亮度有差異.對于一個殘差均為正值或者負值的源,由于不好辨別殘差的來源,不能簡單地認為這個源在增亮或者減弱.但是如果不同時刻的圖像同模板圖像相減后的殘差中同時包含了正值和負值,則可以確認源在整個觀測周期內呈現(xiàn)增亮和變暗的過程,可以看作變星的候選源.

2.4.1 樣本構成

我們利用機器學習[33?35]對殘差圖像做進一步的分類,根據(jù)殘差圖像的2維信息確定變星的候選源.首先創(chuàng)建機器學習的訓練集.為簡單起見,我們將訓練樣本單純地設為正負兩類而不考慮造成殘差的原因,分別對應真源和假源.我們認為殘差形狀較為規(guī)整的圖像相減執(zhí)行的效果比較好,包含了星像亮度變化的信息,可能是真源; 而殘差形態(tài)偏離點源PSF,可能對應對齊偏離、相減過程中卷積異常、宇宙線干擾、成像質量差、亮源泊松噪聲影響等多種情況,我們將其視作假源.用于訓練的正樣本由挑選出來的170顆VSX星表中已知變星所對應的殘差圖像構成,其特征均符合對真源的要求,負樣本由上述異常情況所對應的有代表性的圖像構成,挑選后的正負樣本數(shù)量分別為2000和10000,用于訓練的樣本圖像大小統(tǒng)一為51 × 51像素,目標星像居中,樣本不做標準化處理.正負樣本示例如圖6–7.

圖6 具有不規(guī)則形態(tài)的典型假源對應的殘差,可能由溢出、對齊或卷積的異常、宇宙線、望遠鏡系統(tǒng)畸變等原因造成.每張子圖的標簽描述了假源產生的原因.Fig.6 Residual images of the typical negative samples with an irregular morphology,could be caused by saturation,errors in image registration and convolution,cosmic ray,distortion of telescope,etc.The label of each subfigure describes the cause of negative sample.

圖7 典型真源對應的模板圖像、待檢測圖像、殘差圖像，可見規(guī)整的圓形輪廓Fig.7 Template,input,and residual images of a typical postive samples，a regular and circular profile can been seen

2.4.2 主成分分析法

機器學習需要將樣本的特征作為模型的輸入量,我們的樣本是分辨率51 × 51像素的灰度圖像,共計2601個特征,數(shù)量較大,同時圖像很大一部分都是目標星像周圍的背景,并沒有包含很多有用的信息,具有較大的可壓縮性,因此可以使用主成分分析法(Principal Component Analysis,PCA)對訓練集進行預處理,提取數(shù)據(jù)的主要特征.

主成分分析法多用于數(shù)據(jù)降維,通過將數(shù)據(jù)投影到若干個新的基矢的方向構成新的數(shù)據(jù)集,從而達到降維的目的.

定義D維數(shù)據(jù)集:

xn代表了N條數(shù)據(jù)中的一條記錄.PCA的目標是將數(shù)據(jù)X投影到線性M維空間中去,為了找出M維空間的基矢,首先需要構建數(shù)據(jù)集的協(xié)方差矩陣S:

an是投影得到的M維空間中的新變量, U是D×M維的矩陣,該矩陣的列對應最重要的M個主成分.我們首先使用PCA將原始訓練集降維至200維.

我們接下來對每個子類單獨做主成分分析,計算每個樣本In在每個子類PCA方法中的重構誤差εn:

2.4.3 隨機森林

我們選擇隨機森林同上述主成分分析法結合使用.隨機森林由Breiman[18]于2001年提出,是一種有監(jiān)督學習算法,其核心是自助采樣法和決策樹的集成.自助采樣通過有放回地從訓練集中隨機抽取不同的樣本組成多個不同的訓練集,這種隨機性可以避免出現(xiàn)過擬合,同時賦予模型較強的抗噪能力; 隨機森林模型中包括了許多獨立工作的決策樹,各個決策樹各自根據(jù)輸入樣本生成預測,最后再結合各個決策樹的預測生成單預測.與單一決策樹相比,隨機森林輸入的是訓練集的子集,其對應的每一棵子樹同決策樹相比要淺,這也使得其不容易出現(xiàn)過擬合.決策樹的結點依據(jù)選擇的多個特征進行分裂,使得模型的準確率得到提升.我們借助Python機器學習庫scikit-learn構建和訓練隨機森林模型,子樹的數(shù)量設置為1000,訓練樣本的數(shù)量共10200個.我們使用十折交叉驗證法評估模型的準確性和泛化能力. K折交叉驗證法(K-fold cross-validation)是指將訓練集分割成K個子樣本,選取一個子樣本用作驗證模型的數(shù)據(jù),其他K ?1個樣本用來訓練模型.交叉驗證重復K次,使得每個子樣本驗證一次,對K次驗證的結果做平均最終得到一個單一估測.我們將訓練集分割成10個子樣本,做十折交叉驗證,并繪制對應的受試者工作特征曲線(receiver operating characteristic curve,ROC cureve)及混淆矩陣(confusion matrix),結果如圖8、表3、表4所示.最后我們用訓練得到的模型對5萬多個源的殘差圖像進行了預測,挑選出多次被判定為真源,同時光度相對模板時刻有一定起伏的源,最后我們一共得到1721顆變星候選體.

圖8 隨機森林分類器的ROC曲線Fig.8 The ROC curve of random forest classifier

表3 隨機森林分類器的十折交叉驗證法結果Table 3 The 10-fold cross-validation result of random forest classifier

表4 隨機森林分類器的混淆矩陣Table 4 The confusion matrix of random forest classifier

2.5 變星認證

我們采用較差測光的方法得到目標天體的光變曲線,通過比較目標天體和周圍參考星在同一時刻的星等,得到目標天體星等的變化信息.這么做的前提有: 目標天體和參考星之間的觀測條件相近,即參考星比較靠近目標天體,同時假設參考星是恒星.同時為了減小測光誤差,應該選擇星等較為接近目標天體的參考星.我們利用SExtractor軟件測光得到的FLUXRADIUS參數(shù)和MAGBEST參數(shù)在以目標天體為中心半徑512′′的范圍確定星等和星像大小與目標天體最為接近,同時重復觀測次數(shù)最多的天體中挑選3顆作為參考星,通過APASS (The AAVSO Photometric All-Sky Survey)星表給出的參考星星等來確定變星的星等.我們找出的變星候選源共1721顆,其中部分源因為所在位置的關系缺乏合適的參考星,因此我們繪制了871顆變星候選體的光變曲線,人工對其進行確認其中52顆為已知變星.因為觀測次數(shù)的限制,我們難以確定候選源的周期和分類,這里僅展示部分變星候選源的位置、星等和相應的光變曲線,如表5和圖9.部分候選源的特征比較明顯,如RA:2:19:54、DEC:?54:15:15處的候選源可能是激變變星,RA:6:32:36、DEC:?49:48:31處的源可能是長周期變星.部分已知變星的光變曲線也一并展示,如圖10.

表5 部分變星候選源的赤經、赤緯、星等及分類Table 5 The RA,DEC,magnitude and classification of several candidates for variable stars

圖9 具有代表性的變星候選源光變曲線Fig.9 The light curves of the representative candidates for variable stars

圖10 探測到的部分VSX星表中的變星的相位圖Fig.10 The phase diagram of several variable stars detected and known in VSX catalog

3 討論

我們用于圖像相減的模板通過疊加生成之后帶來一個問題: 模板的星像及其星等并不對應一個真實時刻的值,待檢測圖像“時刻”的星等和模板“時刻”的星等之間出現(xiàn)差異不代表待檢測圖像時刻的星等一定發(fā)生了變化,所以必須比較多個時刻的殘差圖像才能判斷該源的星等是否真正發(fā)生了變化.理想情況下,圖像相減后的殘差應該已經包含了我們所需要的所有光變信息,圖像相減之前的卷積已經消除了不同時刻的零點差異,可以通過殘差圖像的測光數(shù)據(jù)直接得到以模板時刻為基準的光度相對變化的信息.我們考慮到較差測光的需求,選擇從原始測光數(shù)據(jù)中得到光變曲線.如果能直接從殘差圖像中得到光變信息,就可以一定程度上簡化程序,提高運行效率.

我們的方法對變星的探測能力有所不足,檢測出的52個已知變星均有較大的振幅和較亮的星等,如表6所示,對于暗弱和振幅不大的變星的探測能力較為弱.

表6 部分探測到的VSX星表中的已知變星的赤經、赤緯、周期Table 6 The RA,DEC and period of several variable stars detected and known in VSX catalog

從圖3可以看出,我們用于模型訓練的2016年年度觀測數(shù)據(jù)質量并不理想,作為訓練集的殘差圖像,其PSF同模板圖像相同,考慮到PSF的差異,訓練得到的模型可能不適用于質量較好的觀測數(shù)據(jù),泛化能力受到了訓練集質量的限制.同時較差的星像質量使得一部分圖像在整個數(shù)據(jù)處理的流程中直接被棄用,這也造成了數(shù)據(jù)量的損失.將來加入更多的觀測數(shù)據(jù),通過增加訓練集的數(shù)量和PSF的變化范圍,則有望大幅改善這些問題,使得模型具備更強的泛化能力,應用到未來的觀測數(shù)據(jù)處理中去.

傳統(tǒng)的變星搜尋方法是通過目標源光變曲線參數(shù)來進行判斷,但是這種方法依賴于對周期的測量,因此只適用于探測周期性變星,對非周期性的激變變星沒有很好的分辨能力.我們的方法不依賴于測量周期,因此在對激變變星的探測上具有優(yōu)勢.

4 總結與展望

我們通過整合圖像相減法、機器學習及其他一些天文數(shù)據(jù)處理軟件,設計了一套自動處理觀測數(shù)據(jù),進行變星搜尋的程序.其優(yōu)點是整個流程無需人工干預,我們只需對最后的候選源進行判讀,整套程序基于成熟的算法和軟件整合而來,具備較高的可靠性,參數(shù)調整也很靈活; 缺點是目前對暗弱及振幅較小的變星的探測能力不強,需要調整.受制于訓練集的數(shù)量,模型的泛化能力暫未得到驗證.我們的工作證明了通過圖像相減法和機器學習進行變星搜尋的可行性,這套程序經過完善后可以在AST3-2南極巡天望遠鏡的數(shù)據(jù)處理計算機上運行,進行搜尋變星的工作,省去大批原始數(shù)據(jù)回傳的步驟.

接下來的工作重點將集中于參數(shù)調整和擴大訓練樣本,以期提高整套方法的靈敏度和泛化能力,并將該方法用于今年正在執(zhí)行的2019觀測季.

致謝感謝審稿人非常有幫助的建議,感謝袁祥巖研究員和李正陽副研究員提出的寶貴意見.本文使用的數(shù)據(jù)來自中國南極天文中心AST3南極巡天項目.Ashley C.B.Michael感謝AAD (Australian Antarctic Division)以及Astronomy Australia Limited管理下的NCRIS (Australian National Collaborative Research Infrastructure Strategy)支持.