Detection and classification of type Ia supernovae for cosmology in the complete data set of SNLS
Détection et classification des supernovae de type Ia pour la cosmologie dans l’ensemble des données de SNLS
Résumé
In this work, I present improvements on the detection of transient events and the classi- fication of supernovae (SNe) using supernova photometric redshifts in the SNLS deferred analysis. Detection of transient events can provide numerous false detections, while the photometric classification of type Ia SNe is usually contaminated by other types of SNe. Reducing the number of false detections and the misclassified SNe while maintaining the type Ia SN sample are important issues for both present and future surveys.
In order to reduce the artifacts that provide false detections, I developed a subtracted image stack treatment to reduce the number of non SN-like events using morphological component analysis. This technique exploits the morphological diversity of objects to be detected to extract the signal of interest. At the level of our subtraction stacks, SN-like events are rather circular objects while most spurious detections exhibit di↵erent shapes. SNIa Monte-Carlo (MC) generated images were used to study detection e ciency and coordinate resolution. When tested on SNLS 3-year data this procedure decreases the number of detections by a factor of two, while losing only 10% of SN-like events, almost all faint ones. MC results show that SNIa detection e ciency is equivalent to that of the original method for bright events, while the coordinate resolution is slightly improved.
The deferred pipeline uses only photometric information to classify SNe. The advantages of a photometric sample include larger number of events classified as type Ia, larger redshift coverage and no need for spectroscopic observations. I present here a new classification using photometric supernova redshifts optimized by a machine learning classification strategy. This algorithm provides redshifts for all events with a better average precision and lower catastrophic errors than the host galaxy photometric redshift catalogue used in the SNLS3 analysis. I optimized the selection strategy using machine learning techniques such as BDTs which increases e ciency and purity of the SNIa sample. This new photometric SN-redshift classification provides a type Ia SN sample with a contamination of less than 10% according to Monte-Carlo studies.
Dans cette thése, je présente des améliorations sur la détection d'evénements transitoires et la classification des supernovae (SNe) en utilisant les redshifts photométriques de supernova dans l'analyse diférré de SNLS. La détection des événements transitoires peut fournir de nombreuses fausses détections, tandis que la classification photométrique des SNe de type Ia est généralement contaminé par d'autres types de supernovae. Réduire le nombre de fausses détections et les SNe malclassés tout en maintenant l'échantillon du type Ia sont des questions importantes pour les investigations présentes et futures.
Afin de réduire les artefacts qui fournissent des fausses détections, j'ai développé un traitement pour les stacks des images soustraites pour réduire le nombre d'événements qui ne se ressamblent a SNe en utilisant Morphological Component Analysis. Cette technique exploite la diversité morphologique des objets à détecter pour extraire le signal d'intérêt. Au niveau de nos piles de soustraction, événements comme SN sont plutôt circulaires alors que la plupart des détections parasites présentent des formes différentes. Images des SNe Ia générées par Monte-Carlo (MC) ont été utilisés pour étudier l'efficacité de la détection et la résolution des coordonees. Lors d'un essai sur le données SNLS des 3 ans cette procédure diminue le nombre de détections par un facteur de deux, tout en ne perdant que 10 $\% $ d'événements qui se ressamblent au SNe, presque tous faibles. Résultats des MC montrent que l'efficacité de détection SNIa est équivalente à celle de la méthode originale pour les événements lumineux, tandis que la résolution de coordonnées est légèrement améliorée.
L'analyse différé utilise uniquement des informations photométriques pour classer les supernovae. Les avantages d'un échantillon photométrique comprennent plus grand nombre d'événements classés comme de type Ia, la couverture de redshift plus grande et pas besoin d'observations spectroscopiques. Je présente ici une nouvelle classification en utilisant redshifts photométriques de supernovae optimisées par une stratégie de classification avec machine learning. Cet algorithme fournit des décalages vers le rouge pour tous les événements avec une meilleure précision moyenne et inférieure erreurs catastrophiques que l'analyse avec photométrique redshifts de la galaxie hôte avec SNLS3. J'ai optimisé la stratégie de sélection à l'aide des techniques de machine learning comme BDTs que augmente l'efficacité et la pureté de l'échantillon SNIa. Cette nouvelle classification photométrique SN-redshift fournit un échantillon des SNe type Ia avec une contamination de moins de 10 % selon les études de Monte-Carlo.
Loading...