Analysis of VLT spectra for the SNLS project
Analyse des spectres VLT pour l'expérience SNLS
Résumé
The SuperNovae Legacy Survey (SNLS) experiment is an important part of the CFHT Legacy Survey, aiming at improved constraints on the Dark Energy equation of state through reducing the Univers expansion history uncertainty by type Ia supernovae (SN-Ia)
observations up to a redshift of 1.
The necessary standardisation in order to use SN-Ia's as a distance indicator relies on the precise measurment of their light curves in 4 filters (namely g', r', i' and z' for MegaCam at CFHT). The measurement of the recession velocity, via the redshift, and the validation of the transient as a SN-Ia proceed of the spectroscopic follow-up, achieved on four 8-m class telescops.
FORS1 instrument at ESO's Very Large Telescope provides most of this follow-up. The impressive data set, the usual weakness of the signal and the will of testing alternative image calibration and spectrum extraction algorithmes, lead me to develop an independent and automated reduction pipeline. The present work details a comprehensive technique, statistically based, for a homogeneous extraction of the transient spectra and of the host galaxy spectra, when those componants can actually be separated on the combined spectrogramm.
This by software development in C++ and Python, interacting with the photometric survey products : the deep field images and the transient's light curves. Then, the classification of the transients remains subjective but is enlightened by the simultaneous fit of the light curves and of the spectrum using SALT2 (an empirical model of SN-Ia, J.Guy 2007).
117 SN-Ia secure or probable (55% and 73% of the observations of the first and second year respectively) are identified this way.
observations up to a redshift of 1.
The necessary standardisation in order to use SN-Ia's as a distance indicator relies on the precise measurment of their light curves in 4 filters (namely g', r', i' and z' for MegaCam at CFHT). The measurement of the recession velocity, via the redshift, and the validation of the transient as a SN-Ia proceed of the spectroscopic follow-up, achieved on four 8-m class telescops.
FORS1 instrument at ESO's Very Large Telescope provides most of this follow-up. The impressive data set, the usual weakness of the signal and the will of testing alternative image calibration and spectrum extraction algorithmes, lead me to develop an independent and automated reduction pipeline. The present work details a comprehensive technique, statistically based, for a homogeneous extraction of the transient spectra and of the host galaxy spectra, when those componants can actually be separated on the combined spectrogramm.
This by software development in C++ and Python, interacting with the photometric survey products : the deep field images and the transient's light curves. Then, the classification of the transients remains subjective but is enlightened by the simultaneous fit of the light curves and of the spectrum using SALT2 (an empirical model of SN-Ia, J.Guy 2007).
117 SN-Ia secure or probable (55% and 73% of the observations of the first and second year respectively) are identified this way.
Premier volet du CFHT Legacy Survey, le projet SuperNovae Legacy Survey (SNLS) propose de contraindre l'équation d'état de l'énergie noire en réduisant l'incertitude sur l'histoire de l'expansion de l'univers par l'observation de supernovae de type Ia (SN-Ia), jusqu'à un décalage vers le rouge de 1.
La standardisation nécessaire à l'utilisation des SN-Ia comme indicateurs de distance repose sur la mesure précise des courbes de lumière dans 4 filtres (g', r', i' et z' pour MégaCam au CFHT). La mesure de la vitesse de récession, via le décalage vers le rouge, ainsi que la validation du transient comme étant bien une SN-Ia procèdent du suivi spectroscopique.
L'instrument FORS1 du Very Large Telescope de l'ESO assure l'essentiel de ce suivi. L'imposant lot de données, la fréquente faiblesse du signal et la volonté de tester des algorithmes alternatifs de calibration des images et d'extraction des spectres m'ont amené à développer une chaîne de réduction indépendante et automatisée. Cet ouvrage présente une méthode compréhensive, d'approche statistique, pour une extraction systématisée du spectre du transient et de celui de sa galaxie hôte lorsque ces sources sont effectivement résolues.
Ceci par le developpement logiciel en C++ et en Python, en interaction avec les produits du suivi photométrique : les images profondes des champs et les courbes de lumière des transients. La classification des transients reste subjective, mais est éclairée par l'ajustement simultané des courbes de lumières et du spectre par SALT2, un modèle empirique de SN-Ia (J.Guy 2007).
117 SN-Ia certaines ou probables (55% puis 73% des observations des deux premières années) sont ainsi identifiées.
La standardisation nécessaire à l'utilisation des SN-Ia comme indicateurs de distance repose sur la mesure précise des courbes de lumière dans 4 filtres (g', r', i' et z' pour MégaCam au CFHT). La mesure de la vitesse de récession, via le décalage vers le rouge, ainsi que la validation du transient comme étant bien une SN-Ia procèdent du suivi spectroscopique.
L'instrument FORS1 du Very Large Telescope de l'ESO assure l'essentiel de ce suivi. L'imposant lot de données, la fréquente faiblesse du signal et la volonté de tester des algorithmes alternatifs de calibration des images et d'extraction des spectres m'ont amené à développer une chaîne de réduction indépendante et automatisée. Cet ouvrage présente une méthode compréhensive, d'approche statistique, pour une extraction systématisée du spectre du transient et de celui de sa galaxie hôte lorsque ces sources sont effectivement résolues.
Ceci par le developpement logiciel en C++ et en Python, en interaction avec les produits du suivi photométrique : les images profondes des champs et les courbes de lumière des transients. La classification des transients reste subjective, mais est éclairée par l'ajustement simultané des courbes de lumières et du spectre par SALT2, un modèle empirique de SN-Ia (J.Guy 2007).
117 SN-Ia certaines ou probables (55% puis 73% des observations des deux premières années) sont ainsi identifiées.
Fichier principal
these_0.5.pdf (9.64 Mo)
Télécharger le fichier
slidesThese_SBaumont.pdf (10.02 Mo)
Télécharger le fichier
Format : Autre