Traitement d'images astronomiques provenant de grands sondages photométriques du ciel pour la détection et la mesure d'objets transitoires
Auteur / Autrice : | Juan Pablo Reyes Gomez |
Direction : | Dominique Fouchez, Marcela Hernandez-Hoyos |
Type : | Thèse de doctorat |
Discipline(s) : | Physique et sciences de la matière |
Date : | Soutenance le 23/05/2019 |
Etablissement(s) : | Aix-Marseille en cotutelle avec Universidad de los Andes (Mérida, Venezuela). Facultad de Ciencias |
Ecole(s) doctorale(s) : | École Doctorale Physique et Sciences de la Matière (Marseille) |
Partenaire(s) de recherche : | Laboratoire : Centre de physique des particules de Marseille (CPPM) |
Jury : | Président / Présidente : Cristinel Diaconu |
Examinateurs / Examinatrices : José Tiberio Hernández, Anne Ealet | |
Rapporteur / Rapporteuse : Jaime Ernesto Forero Romero, Philippe Gris |
Mots clés
Résumé
Cette thèse présente plusieurs contributions au software developé pour le traitement d’images dans le cadre du LSST. Notre objectif est d'utiliser le code et les algorithmes LSST existants, afin de créer un pipeline dédié à la détection des supernovae de type Ia. Pour la détection des supernovae nous utilisons une technique appelée soustraction optimale d'images qui implique la construction de coadditions. Nous étudions aussi le comportement des différents objets dans le temps et construisons des courbes de lumière qui représentent leur cycle de vie en fonction de l'intensité lumineuse de chaque détection sur plusieurs nuits. Enfin, pour analyser un nombre excessif de candidats, nous utilisons des algorithmes d'apprentissage machine.Notre première contribution concerne le développement des taches de coaddition automatisée adaptées pour construire des images de référence et de science avec un haut rapport signal-sur-bruit. La contribution suivante est lié à l’addition de mesures et l’étude de résidus des images d’analyse de différence, y-compris la sélection des seuils adaptés et l'étiquetage basée sur les valeurs quantitativess des résidus pour identifier les mauvaises détections, les artéfacts et les flux réellement significatifs. Notre suivante contribution est un algorithme pour sélectionner et générer les courbes de lumière candidates. Finalement, on applique une classification machine learning pour trouver des type Ia supernovae en utilisant la méthode random forest. Ces résultats ont permis l’identification des supernovae de type Ia simulées et réelles parmis les candidats avec une haute précision.