Streak detection in the VST/OmegaCAM archive using deep learning

Resumen Técnico: Detección de trazas en el archivo VST/OmegaCAM mediante aprendizaje profundo

Planteamiento del problema
Los sondeos astronómicos terrestres, como los realizados por el VLT Survey Telescope (VST) equipado con el imager OmegaCAM, capturan inadvertidamente trazas de satélites y desechos espaciales que cruzan sus campos de visión. Si bien estas observaciones incidentales ofrecen una oportunidad única para caracterizar objetos residentes en el espacio (RSO) sin tiempo de observación dedicado, el enorme volumen de datos de archivo (más de 400.000 exposiciones) y la presencia de diversos artefactos de imagen hacen imposible el análisis manual. Los métodos de detección existentes, como el filtrado coincidente o las transformaciones de Hough/Radon, a menudo presentan dificultades debido a los costes computacionales, los falsos positivos provenientes de artefactos lineales (por ejemplo, picos de difracción) o la falta de la robustez necesaria para sondeos a gran escala. Además, los servicios comerciales de Conciencia de la Situación Espacial (SSA) rara vez catalogan las observaciones de desechos para uso científico, y los sondeos dedicados están limitados por costes operativos y capacidades de seguimiento estrechas. El desafío principal abordado es el desarrollo de un pipeline automatizado y escalable para detectar, clasificar y caracterizar estas trazas dentro del archivo OmegaCAM para monitorear las poblaciones de desechos espaciales y evaluar la contaminación de los datos.

Metodología
Los autores desarrollaron un pipeline de aprendizaje profundo de dos etapas diseñado para procesar imágenes OmegaCAM puras:

1. Detección de trazas (HT-LCNN):

   • La detección inicial utiliza una Red Neuronal Convolucional basada en la búsqueda de la Transformada de Hough adaptada (HT-LCNN). Esta arquitectura integra una transformada de Hough dentro de una rama residual de una CNN para mejorar el reconocimiento de características geométricas lineales.
   • El modelo procesa subsegmentos de 512 × 512 píxeles de imágenes monocromáticas puras de 16 bits para equilibrar la información contextual con la eficiencia computacional.
   • Tras la detección, un procedimiento de "cosido" (stitching) reconstruye las trazas a través de todo el tile del CCD agrupando detecciones con parámetros de Hough ($\rho$ y $\theta$) similares y seleccionando los extremos más distantes. Este paso filtra los falsos positivos aislados que no se alinean con detecciones vecinas.
   • Un paso de refinamiento alinea las trazas detectadas horizontalmente, las divide en segmentos y ajusta perfiles de Moffat a la intensidad transversal para determinar con precisión el centro y los extremos de la traza.

2. Clasificación de falsos positivos:

   • Para abordar la alta tasa de falsos positivos inherente a la etapa de detección (causada por picos de difracción, sangrado de saturación, franjas de filtro y luz dispersa), se emplea un clasificador secundario basado en la arquitectura VGG6.
   • Este clasificador toma imágenes recortadas de las trazas refinadas de 144 × 144 píxeles y devuelve una puntuación de probabilidad para la detección de verdaderos positivos.
   • El conjunto de datos de entrenamiento fue aumentado con 224.291 trazas simuladas físicamente generadas mediante la dinámica de Langevin para modelar la centelleo atmosférico y perfiles de Moffat para los efectos de "seeing", junto con 1.861 trazas reales anotadas manualmente.

3. Calibración astrométrica y correlación:

   • Las trazas detectadas se someten a un refinamiento astrométrico utilizando Astrometry.net.
   • Los resultados se cotejan con el catálogo Space-Track propagando los Elementos de Dos Líneas (TLEs) hasta el tiempo de observación y comparando las posiciones predichas con las trazas observadas basándose en la separación angular y el ángulo de posición.

Contribuciones clave

• Desarrollo de Pipeline: La creación de un pipeline robusto y automatizado que combina HT-LCNN para la detección y VGG6 para la clasificación, diseñado específicamente para el formato de datos crudos de 16 bits de archivos astronómicos.
• Aumento de Dataset: La generación de un conjunto de datos a gran escala de trazas de desechos espaciales simuladas físicamente, incorporando efectos atmosféricos realistas (centelleo y seeing), para superar la escasez de datos de trazas reales anotados manualmente.
• Análisis de Archivo: La aplicación de este pipeline a un año de observaciones de VST/OmegaCAM (1.246.048 fotogramas de CCD), lo que representa un aumento significativo en el monitoreo automatizado de desechos espaciales a partir de archivos de sondeo.

Resultos

• Rendimiento de detección: En los conjuntos de validación y prueba aumentados, el detector logró puntuaciones F1 de 0.966 y 0.958, respectivamente, detectando más del 95% de las trazas artificiales con una relación señal-ruido (S/N) > 4.
• Rendimiento en el mundo real: Al aplicarse a datos reales de 2023, la precisión de la detección sola cayó a 0.783 debido a la variabilidad de la imagen. Sin embargo, la adición del clasificador VGG6 aumentó la precisión a 0.990 manteniendo el 97% de los verdaderos positivos y rechazando más del 96% de los falsos positivos.
• Correlación de catálogo: Aplicado a los datos de 2023, el pipeline identificó 25.335 trazas. Aproximadamente el 20% de estas detecciones confirmadas no pudieron correlacionarse con ninguna entrada en el catálogo Space-Track, lo que sugiere la detección de objetos no catalogados o no identificados.
• Estadísticas de contaminación: Durante el periodo de un año, el 16.9% de las imágenes contenían al menos una traza, aunque solo el 1.9% de los CCDs individuales se vieron afectados.
• Análisis de sesgo: El pipeline mostró un sesgo contra la detección de escombros de órbita terrestre baja (LEO) muy pequeños en comparación con el catálogo Space-Track, atribuido a la menor sensibilidad del telescopio óptico hacia objetos pequeños y tenues en comparación con los sistemas de radar. Por el contrario, detectó con éxito objetos que van desde los 359 km (Starlink) hasta los 88.060 km (SL-6 R/B) y objetos con edades que abarcan desde 12 días hasta casi 65 años.

Significancia y Reivindicaciones
El artículo afirma que el pipeline propuesto demuestra un rendimiento robusto en datos de archivo reales, descubriendo con éxito objetos tenues y no catalogados que suelen ser omitidos por los métodos de seguimiento estándar. Los autores destacan el potencial de aprovechar los archivos de sondeo de acceso abierto, ofreciendo un método rentable para derivar información sobre las poblaciones de objetos espaciales (como tasas de rotación y curvas de luz) sin tiempo de observación dedicado. El estudio subraya que ninguna región del cielo está libre de la interferencia óptica inducida por satélites, lo que requiere una cuantificación precisa de los impactos de las trazas en los datos astronómicos. Aunque los autores reconocen las limitaciones para generalizar a todas las condiciones del mundo real debido a la vasta diversidad del archivo y la dificultad de simular completamente las morfologías de las trazas reales, afirman que su enfoque representa un paso significativo hacia la caracterización de la población de desechos espaciales y la evaluación de la contaminación de datos.