Mitigating Resampling Artifacts for the JWST IFU Spectrometers with Adaptive Trace Modeling

1. El Problema: Submuestreo y Artefactos de Resampling

Los espectrómetros de unidad de campo integral (IFU) a bordo del Telescopio Espacial James Webb (JWST), específicamente NIRSpec y MIRI MRS, operan en un régimen de submuestreo respecto a la función de dispersión de punto (PSF) casi difracción-limite proporcionada por la óptica del telescopio.

• Causa: Según el teorema de Nyquist-Shannon, para evitar aliasing, se requieren al menos dos píxeles por FWHM (ancho a media altura). Sin embargo, la PSF de JWST es tan estrecha que a menudo se muestrea con menos de dos píxeles.
• Consecuencia: Cuando los datos se resamplean (interpolan) desde la cuadrícula nativa del detector a un cubo de datos regular (como se hace al combinar observaciones con dithering), se generan artefactos espectrales oscilatorios de baja frecuencia.
• Impacto Científico: Estos artefactos son más pronunciados en los espectros de celdas individuales (spaxels) cerca de fuentes puntuales no resueltas. Dificultan el análisis de fuentes en campos estelares densos, la detección de líneas de emisión débiles y la extracción de espectros precisos de fuentes pequeñas, ya que las oscilaciones pueden enmascarar o imitar características espectrales reales.
• Limitaciones de Soluciones Previas: Los métodos existentes (como el modelado sinusoidal post-hoc o el uso de aperturas de extracción grandes) o son específicos para ciertos casos, requieren mucha personalización, o no son ideales para escenas complejas donde se necesita analizar áreas muy pequeñas del cielo.

2. Metodología: El Modelo de Trazas Adaptativo (ATM)

Los autores proponen una técnica de "caja negra" (turn-key) que utiliza modelado de trazas espectrales adaptativo en el espacio del detector nativo antes de la rectificación del cubo de datos. El objetivo es interpolar los datos observados a una cuadrícula de mayor resolución para evitar la creación de artefactos desde el principio.

El algoritmo se basa en tres modelos intermedios combinados:

1. Modelo Lineal ($f_{linear}$):

   • Interpolación lineal simple columna por columna (longitud de onda por longitud de onda).
   • Es suficiente para regiones donde el flujo varía suavemente y evita que un solo píxel domine el valor resampleado, pero no aumenta la resolución efectiva ni corrige bien los picos entre píxeles.

2. Modelo de Spline Cúbico ($f_{spline}$):

   • Se construye utilizando splines de base cúbica para modelar el perfil espacial a lo largo de la traza espectral.
   • Uso de información adyacente: Dado que la PSF cambia lentamente con la longitud de onda, el modelo utiliza datos de columnas adyacentes (ventana de ±50 longitudes de onda) para reconstruir el perfil 1D con diferentes fases de píxel. Esto permite una reconstrucción mucho más precisa que un solo píxel.
   • Normalización: Se normaliza el flujo por columna para eliminar el espectro intrínseco de la fuente y modelar solo la forma espacial.
   • Aplicación selectiva: Este modelo computacionalmente costoso se aplica solo en regiones con gradientes espaciales altos (donde la traza cruza los bordes de los píxeles) y en trazas con flujo significativo.

3. Modelo de Residuos ($f_{resid}$):

   • Corrección de sesgos: El modelo de spline asume que el perfil espacial varía lentamente. Esto falla en estructuras complejas (ej. líneas de emisión estrechas que llenan el campo, nebulosas, o múltiples fuentes cercanas).
   • Se calcula restando el modelo de spline de los datos originales y se resamplea el residuo mediante interpolación lineal.
   • Este paso recupera características espectrales que el spline habría suprimido artificialmente, a cambio de una pequeña pérdida en la relación señal-ruido (SNR).

Flujo de trabajo:

1. Preprocesamiento (corrección de medias, máscaras de píxeles).
2. Generación de modelos lineales y de splines para cada rebanada (slice) del IFU.
3. Combinación: En regiones de alto gradiente (donde el pico de la PSF cae entre píxeles), se usa la suma de $f_{spline} + f_{resid}$. En el resto, se usa $f_{linear}$.
4. El resultado final ($f_{interp}$) es un mapa de alta resolución que se utiliza para construir el cubo de datos rectificado.

3. Contribuciones Clave

• Enfoque Preventivo: A diferencia de métodos anteriores que corrigen artefactos después de que aparecen, ATM evita su generación mediante un muestreo más denso y preciso en el espacio del detector.
• Generalidad: Al basarse en modelos impulsados por los datos (sin requerir un conocimiento a priori de la PSF del telescopio), el método funciona en escenas arbitrarias: desde fuentes puntuales aisladas hasta AGN incrustados en galaxias, campos estelares densos y estrellas protoestelares.
• Manejo de Datos Ausentes: La técnica de interpolación basada en splines maneja mejor los píxeles defectuosos (bad pixels) y los rayos cósmicos que los métodos de drizzle tradicionales, especialmente cuando hay grupos de píxeles dañados.
• Implementación en el Pipeline: El método se ha integrado como un paso opcional llamado ADAPTIVE TRACE MODEL en la versión 12.3 del pipeline de calibración de JWST (previsto para abril de 2026).

4. Resultados

Los autores evaluaron el rendimiento utilizando observaciones de estrellas estándar y objetos científicos reales:

• NIRSpec IFU:

  • En espectros de spaxels individuales de la estrella estándar J1743045, los artefactos de resampling (amplitudes medias del 6-9%) se redujeron drásticamente.
  • Con un factor de sobre-muestreo $N=3$, las amplitudes de los artefactos cayeron al nivel de ruido ($\sim 1\%$), revelando claramente características de absorción de hidrógeno intrínsecas que estaban ocultas.
  • La conservación del flujo total se mantuvo dentro del 0.1-0.2%.

• MIRI MRS:

  • El método corrigió eficazmente la interferencia entre los patrones sinusoidales de resampling y el fringing intrínseco del instrumento.
  • Las amplitudes de los artefactos se redujeron de ~7-10% a ~1-2% con $N=3$.

• Casos de Uso Científico (QSO LBQS 0302-0019):

  • En un cuásar de alto desplazamiento al rojo incrustado en una galaxia, el método eliminó casi por completo el ruido de muestreo en los espectros de spaxels individuales.
  • Permitió discernir características espectrales débiles (líneas de emisión) que eran indistinguibles en los datos estándar.

• Rendimiento Computacional:

  • La implementación en Python toma aproximadamente 12 segundos por rebanada con modelo de spline.
  • Para escenas complejas, el tiempo de procesamiento por exposición aumenta (hasta 6 minutos), y los pasos subsiguientes del pipeline (Pixel Replace y Cube Build) ven duplicado o triplicado su tiempo de ejecución debido al mayor número de píxeles de entrada.

5. Significancia

El modelo de trazas adaptativo (ATM) representa un avance significativo en el análisis de datos del JWST. Permite a los astrónomos:

1. Extracción de espectros precisos de fuentes pequeñas y débiles en campos densos, algo crítico para estudios de galaxias distantes y formación estelar.
2. Minimizar la confusión de fuentes al poder analizar áreas de cielo muy pequeñas sin que el ruido de muestreo domine la señal.
3. Mejorar la fiabilidad de los análisis espectrales en el pipeline estándar, reduciendo la necesidad de correcciones manuales complejas o el rechazo de datos.

En resumen, ATM transforma un problema fundamental de submuestreo óptico en una solución manejable mediante modelado matemático avanzado, maximizando el potencial científico de los instrumentos IFU del JWST.