Analyse spectrale des données du sondage Euclid

Résumé : La mission Euclid produira un large set de données dont plus de 35 millions de redshifts spectroscopiques essentiellement entre 0.9 et 1.75 avec une précision estimée à σz/(1+z)<0.001. Les futurs sondages à grande échelle comme Euclid nécessitent donc la mise en place de chaînes de traitement automatisées pour analyser les données, extraire l'information et s'assurer que l'ensemble des exigences (techniques et scientifiques) est respecté. À partir des données collectées, le redshift est une quantité essentielle à mesurer. Des méthodes distinctes pour l'estimation des redshifts (zphot, zspec) existent dans la littérature, mais il n'y a pas à l'heure actuelle une définition d'un critère de qualité automatisé pour juger de la fiabilité d'une mesure de redshift. Dans ce travail, nous avons exploré les techniques usuelles de l'analyse spectrale comme les méthodes de filtrage, l'estimation de la composante de continu dans les spectres et la mesure de redshift. Nous nous sommes également intéressés à la problématique de prise de décision quant à l'évaluation de la qualité/fiabilité d'une mesure de redshift en développant une nouvelle méthodologie pour automatiser cet aspect. Le traitement des données spectroscopiques monodimensionnelles constitue la procédure usuelle pour extraire les paramètres spectraux comme le redshift spectroscopique ou le profil des raies spectrales, mais peut nécessiter une phase de prétraitement en amont comme le filtrage des spectres ou l'extraction optimale du continu afin d'améliorer la précision de mesure des paramètres spectraux. Nous avons évalué les performances de différentes méthodes comme le filtrage de Kalman appliqué aux spectres monodimensionnels et un algorithme d'extraction du continu qui exploite le filtrage par ondelettes. Dans ce travail, nous présentons également une nouvelle méthodologie permettant d'automatiser la définition d'un critère de qualité pour les mesures de redshift en exploitant des algorithmes de Machine Learning (ML) et les caractéristiques de la fonction de densité en probabilité du redshift (zPDF) définie dans un cadre bayésien. L'idée consiste à quantifier la fiabilité d'une mesure de redshift au sein de partitions distinctes (zqual) qui décrivent différents niveaux de confiance, par exemple: une zPDF multimodale réfère à de multiples solutions plausibles de redshift, tandis qu'une zPDF unimodale avec une faible dispersion et un unique pic dépeint davantage le cas d'une estimation de redshift «très fiable». Nous exploitons des caractéristiques (nombre de modes, dispersion, etc.) des zPDFs pour construire un espace de descripteurs discrétisé qui constitue le point d'entrée des techniques de ML afin de prédire un label de qualité/fiabilité des mesures de redshift. Par ailleurs, en exploitant un set de données spectroscopiques simulées pour Euclid, nous avons étudié la distribution des labels de qualité prédits au sein des clusters zqual afin de dévoiler d'intéressantes propriétés et de renseigner davantage sur la façon d'exploiter les clusters de fiabilité zqual à des fins scientifiques.
Type de document :
Thèse
Astrophysique [astro-ph]. Université Aix-Marseille, 2017. Français
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-01666911
Contributeur : Sara Jamal <>
Soumis le : lundi 18 décembre 2017 - 19:38:25
Dernière modification le : mardi 29 mai 2018 - 12:50:57

Fichier

these_Sara-Jamal_Oct2017.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : tel-01666911, version 1

Citation

Sara Jamal. Analyse spectrale des données du sondage Euclid. Astrophysique [astro-ph]. Université Aix-Marseille, 2017. Français. 〈tel-01666911〉

Partager

Métriques

Consultations de la notice

417

Téléchargements de fichiers

92