🔭 astrophysics

Applications of 1.4 GHz diagnostics to Type Ia Supernova host galaxies

यह अध्ययन प्रदर्शित करता है कि 1.4 GHz रेडियो निदान टाइप Ia सुपरनोवा होस्ट गैलेक्सीज़ के लिए स्टार-फॉर्मेशन रेट बनाम स्टेलर मास प्ले को प्रभावी ढंग से पुनर्गठित कर सकता है, जिससे होस्ट वर्गीकरण और कॉस्मोलॉजिकल मानकीकरण पैरामीटर प्राप्त होते हैं जो फार-इन्फ्रारेड-आधारित विधियों के अनुरूप हैं, जिससे भविष्य के LSST जैसे टाइम-डोमेन सर्वेक्षणों के लिए रेडियो को एक स्केलेबल विकल्प के रूप में प्रमाणित किया जा सके।

मूल लेखक: S. Ramaiya, M. J. Jarvis, M. Vincenzi, M. Sullivan, I. H. Whittam

प्रकाशित 2026-05-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: S. Ramaiya, M. J. Jarvis, M. Vincenzi, M. Sullivan, I. H. Whittam

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: हमें फटने वाले सितारों की परवाह क्यों है?

टाइप Ia सुपरनोवा (फटने वाले सितारों) को ब्रह्मांड के "स्टैंडर्ड कैंडल्स" (मानक मोमबत्तियों) के रूप में कल्पना करें। क्योंकि हम जानते हैं कि उन्हें कितना चमकीला होना चाहिए, हम उनका उपयोग यह मापने के लिए कर सकते हैं कि वे कितनी दूर हैं और ब्रह्मांड कितनी तेज़ी से फैल रहा है। यह हमें "डार्क एनर्जी" को समझने में मदद करता है, जो एक रहस्यमय बल है जो ब्रह्मांड को दूर धकेल रहा है।

हालाँकि, ये मोमबत्तियाँ पूरी तरह से एक जैसी नहीं होतीं। उनकी चमक उनके "पड़ोस" पर निर्भर करती है—विशेष रूप से, उस गैलेक्सी (आकाशगंगा) पर जिसमें वे फटते हैं। यदि कोई गैलेक्सी पुरानी और शांत है, तो वह मोमबत्ती थोड़ी अलग दिख सकती है बजाय इसके कि वह किसी युवा और ऊर्जावान गैलेक्सी में हो। ब्रह्मांड के सटीक माप प्राप्त करने के लिए, खगोलविदों को यह जानना आवश्यक है कि प्रत्येक फटने वाला तारा वास्तव में किस तरह के पड़ोस में है।

समस्या: "FIR" की बाधा

किसी गैलेक्सी के "व्यक्तित्व" (विशेष रूप से, वह कितनी तेज़ी से नए तारे बना रही है) को समझने के लिए, खगोलविद आमतौर पर अल्ट्रावॉयलेट से लेकर फार-इन्फ्रारेड तक कई रंगों के प्रकाश को देखते हैं।

पुराना तरीका: उन्होंने उन टेलीस्कोपों का उपयोग किया जो फार-इन्फ्रारेड प्रकाश देख सकते थे (जैसे हर्शेल और स्पिट्ज़र)। यह एक घर को थर्मल कैमरा (तापमान मापने वाले कैमरे) के माध्यम से देखने जैसा है ताकि यह देखा जा सके कि कितनी गर्मी (तारा निर्माण) उससे निकल रही है। यह बहुत सटीक है।
समस्या: भविष्य में, LSST नामक एक विशाल नया सर्वे एक मिलियन से अधिक इन फटने वाले सितारों को खोज निकालेगा। लेकिन LSST केवल दृश्य प्रकाश (visible light) देखता है। पुराने इन्फ्रारेड टेलीस्कोप उस विशाल क्षेत्र को कवर नहीं कर पाएंगे जिसे LSST स्कैन करेगा। यह एक पूरे देश का मानचित्र बनाने के लिए केवल कुछ विशिष्ट कस्बों की छोटी, उच्च-रिज़ॉल्यूशन वाली तस्वीरों का उपयोग करने जैसा है। हमारे पास लाखों तारे होंगे, लेकिन हमारे पास उनमें से अधिकांश के लिए "थर्मल कैमरा" डेटा नहीं होगा।

नया विचार: विकल्प के रूप में रेडियो तरंगों का उपयोग करना

यह शोध पत्र पूछता है: क्या हम यह जानने के लिए कि एक गैलेक्सी कितनी तेज़ी से तारे बना रही है, इन्फ्रारेड प्रकाश के बजाय रेडियो तरंगों का उपयोग कर सकते हैं?

उपमा (Analogy): कल्पना करें कि आप जानना चाहते हैं कि एक फैक्ट्री कितनी व्यस्त है।
- इन्फ्रारेड (पुराना तरीका): आप चिमनियों से निकलने वाली गर्मी को देखते हैं।
- रेडियो (नया तरीका): आप मशीनों की आवाज़ सुनते हैं।
- संबंध: यह शोध पत्र खगोल विज्ञान के एक ज्ञात नियम पर निर्भर करता है: तारा-निर्माण करने वाली गैलेक्सी से निकलने वाली गर्मी (इन्फ्रारेड) और आवाज़ (रेडियो) के बीच एक गहरा संबंध होता है। यदि आप एक तेज़ रेडियो गूँज सुनते हैं, तो आप जानते हैं कि वहाँ बहुत अधिक गर्मी (तारा निर्माण) हो रही है, भले ही आप उस गर्मी को सीधे न देख सकें।

उन्होंने क्या किया

शोधकर्ताओं ने डार्क एनर्जी सर्वे से 501 फटने वाले सितारों का एक नमूना लिया। वे इन गैलेक्सीज़ के "असली" व्यक्तित्व को जानते थे क्योंकि उनके पास पुराना इन्फ्रारेड डेटा था (एक पिछले अध्ययन "पेपर I" से)।

परीक्षण: उन्होंने इन्फ्रारेड डेटा को अनदेखा कर दिया और केवल रेडियो डेटा (1.4 GHz) और अपने पास मौजूद दृश्य प्रकाश डेटा का उपयोग करके गैलेक्सीज़ के व्यक्तित्व का अनुमान लगाने की कोशिश की।
वर्गीकरण: उन्होंने गैलेक्सीज़ को तीन समूहों में विभाजित किया:
- क्षेत्र 1 (Region 1): छोटी, युवा गैलेक्सीज़।
- क्षेत्र 2 (Region 2): बड़ी, व्यस्त, तारे बनाने वाली गैलेक्सीज़।
- क्षेत्र 3 (Region 3): बड़ी, पुरानी, शांत (पैसिव) गैलेक्सीज़।

परिणाम: यह काम कर गया!

उच्च सहमति: जब उन्होंने अपने "रेडियो अनुमान" की "इन्फ्रारेड सच्चाई" से तुलना की, तो लगभग 84% गैलेक्सीज़ बिल्कुल उसी समूह में आईं।
"लो मास" समूह: यह सबसे आसान था। 96% छोटी गैलेक्सीज़ को सही ढंग से पहचाना गया था, चाहे उन्होंने रेडियो या इन्फ्रारेड डेटा का उपयोग किया हो।
"बड़े" समूह: केवल रेडियो का उपयोग करके "व्यस्त" बड़ी गैलेक्सीज़ और "शांत" बड़ी गैलेक्सीज़ के बीच अंतर करना थोड़ा कठिन था। इसमें कुछ भ्रम (लगभग 20-25% समय) हुआ, लेकिन समग्र परिणाम अभी भी बहुत सुसंगत थे।
भौतिकी की जाँच: उन्होंने "न्युसेंस पैरामीटर्स" (सुपरनोवा को सटीक बनाने के लिए आवश्यक गणितीय सुधार) की जाँच की। रेडियो पद्धति का उपयोग करके उन्हें जो संख्याएँ मिलीं, वे इन्फ्रारेड पद्धति से प्राप्त संख्याओं के लगभग समान थीं। यह साबित करता है कि रेडियो तरंगों का उपयोग करने से भौतिकी (physics) में कोई गड़बड़ी नहीं होती है।

भविष्य के लिए इसका क्या अर्थ है

यह शोध पत्र निष्कर्ष निकालता है कि जैसे-जैसे हम LSST जैसे बड़े सर्वेक्षणों के युग में प्रवेश कर रहे हैं, हम हर एक गैलेक्सी के लिए इन्फ्रारेड डेटा का इंतज़ार नहीं कर सकते।

समाधान: हम गैप्स (रिक्त स्थानों) को भरने के लिए रेडियो सर्वेक्षणों (जैसे आगामी EMU सर्वे या भविष्य का स्क्वायर किलोमीटर एरे) का उपयोग कर सकते हैं।
लाभ: रेडियो तरंगें बेहतरीन हैं क्योंकि वे धूल से बाधित नहीं होती हैं (अन्य प्रकाश के विपरीत), और आगामी रेडियो टेलीस्कोप लगभग पूरे आकाश को कवर करेंगे जिसे LSST देखेगा।

सारांश

इस शोध पत्र को एक नए नेविगेशन सिस्टम के प्रमाण-के-रूप (proof-of-concept) के रूप में देखें। पहले, हमें इलाके को जानने के लिए एक हाई-टेक सैटेलाइट मैप (इन्फ्रारेड) की आवश्यकता थी। हमने पाया कि एक विश्वसनीय दिशा-सूचक यंत्र (रेडियो तरंगें) लगभग वही मानचित्र देता है। इसका मतलब है कि जब हम अपने अगले बड़े अभियान (LSST सर्वे) पर जाएंगे, तो हम केवल इसलिए रास्ता नहीं भटकेंगे क्योंकि हमारे पास हर स्थान के लिए हाई-टेक सैटेलाइट मैप नहीं है; हमारा दिशा-सूचक यंत्र हमें सटीक रूप से मार्गदर्शन करने के लिए पर्याप्त अच्छा होगा।

यहाँ रामैया एवं अन्य (2026) के शोध पत्र "Applications of 1.4 GHz diagnostics to Type Ia Supernova host galaxies" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

टाइप Ia सुपरनोवा (SNe Ia) ब्रह्मांडीय विस्तार और डार्क एनर्जी को मापने के लिए महत्वपूर्ण 'स्टैंडर्ड कैंडल्स' हैं। हालाँकि, उनकी चमक में व्यवस्थित भिन्नताएँ (systematic variations) होती हैं जो उनके होस्ट गैलेक्सी के गुणों, विशेष रूप से तारा निर्माण दर (Star Formation Rate - SFR) और तारकीय द्रव्यमान (Stellar Mass - $M_*$ ) से संबंधित होती हैं। इन "होस्ट बायस" (host biases) को कॉस्मोलॉजिकल इन्फरेंस के लिए ठीक करने हेतु, SNe Ia को अक्सर SFR– $M_*$ प्ले के आधार पर उप-जनसंख्याओं (sub-populations) में वर्गीकृत किया जाता है।

चुनौती: सटीक SFR मापन के लिए आमतौर पर धूल से ढके हुए तारा निर्माण (dust-obscured star formation) को ध्यान में रखने हेतु फार-इन्फ्रारेड (FIR) डेटा की आवश्यकता होती है। भविष्य के बड़े पैमाने के ऑप्टिकल सर्वे जैसे कि वेरा सी. रुबिन ऑब्जर्वेटरी लेगेसी सर्वे ऑफ स्पेस एंड टाइम (LSST), विशाल क्षेत्रों ( $\sim$ 18,000 deg $^2$ ) को कवर करेंगे जहाँ गहरा FIR कवरेज (जैसे Herschel या Spitzer से) विरल या गैर-मौजूद है।
परिणाम: केवल ऑप्टिकल/NIR स्पेक्ट्रल एनर्जी डिस्ट्रीब्यूशन (SED) फिटिंग पर निर्भर रहने से अनिश्चितताएं (age-metallicity-dust degeneracies) उत्पन्न होती हैं और अविश्वसनीय SFR अनुमान प्राप्त होते हैं, जिससे होस्ट गैलेक्सी का गलत वर्गीकरण हो सकता है और कॉस्मोलॉजिकल पैरामीटर्स में व्यवस्थित त्रुटियाँ आ सकती हैं।
प्रस्तावित समाधान: लेखक यह जांचने के लिए कि क्या 1.4 GHz रेडियो कॉन्टिन्यूम उत्सर्जन का उपयोग धूल-अविभाजित (dust-unbiased) तारा निर्माण ट्रेसर के रूप में LSST युग के SN Ia होस्ट्स के SFR– $M_*$ प्ले को पुनर्गठित करने के लिए किया जा सकता है, इसकी व्यवहार्यता का अध्ययन करते हैं।

2. कार्यप्रणाली (Methodology)

डेटा स्रोत (Data Sources)

SN Ia सैंपल: स्पेक्ट्रोस्कोपिक रेडशिफ्ट के साथ डार्क एनर्जी सर्वे (DES-SN5YR) से 501 होस्ट गैलेक्सी।
रेडियो डेटा: इसे मीरकैट इंटरनेशनल GHz टियर्ड एक्स्ट्रागैलेक्टिक एक्सप्लोरेशन (MIGHTEE) सर्वे (L-बैंड, $\sim$ $\sim$ 1.4 GHz) के साथ क्रॉस-मैच किया गया है।
- एक्टिव गैलेक्टिक न्यूक्लिआई (AGN) को उनकी ल्यूमिनोसिटी ( $L_{1.4} > 10^{23.5}$ W Hz $^{-1}$ ) और रूपात्मक जेट फीचर्स के आधार पर हटाने के बाद नमूने को 362 गैलेक्सी तक कम कर दिया गया।
- उन गैलेक्सीज़ के लिए जो रेडियो कैटलॉग में डिटेक्ट नहीं हुईं, फ्लक्स लिमिट या अपर लिमिट प्राप्त करने के लिए MIGHTE K इमेज पर फोर्स्ड फोटोमेट्री (forced photometry) की गई।

विश्लेषण पाइपलाइन (Analysis Pipeline)

रेडियो-टू-SFR कैलिब्रेशन: लेखकों ने कुक एट अल. (2024) से SFR– $L_{1.4}$ कैलिब्रेशन को अपनाया, जो सरल FIR-रेडियो सहसंबंधों के बजाय पूर्ण SED मॉडलिंग (FIR सहित) से प्राप्त किया गया है। यह सुनिश्चित करता है कि रेडियो SFR भौतिक रूप से सुदृढ़ कुल SFR अनुमान से जुड़े हों।
$\text{SFR} \propto (L_{1.4 \text{ GHz}})^{0.868}$
SFR– $M_*$ प्ले का निर्माण:
- तारकीय द्रव्यमान ( $M_*$ ): पिछले कार्य (पेपर I) से लिया गया, जो SED फिटिंग (LSST बाधाओं के साथ निरंतरता के लिए FIR को छोड़कर) से प्राप्त किया गया है।
- SFR: सीधे 1.4 GHz रेडियो ल्यूमिनोसिटी से गणना की गई।
क्षेत्र वर्गीकरण (Region Classification): प्ले को तीन क्षेत्रों में विभाजित किया गया (पेपर I के समान):
- क्षेत्र 1: कम द्रव्यमान वाले होस्ट ( $M_* < 10^{10} M_\odot$ )।
- क्षेत्र 2: उच्च द्रव्यमान, तारा-निर्माण वाले होस्ट ( $M_* > 10^{10} M_\odot$ , स्टार-फॉर्मिंग मेन सीक्वेंस के $3\sigma$ के भीतर)।
- क्षेत्र 3: उच्च द्रव्यमान, निष्क्रिय (passive) होस्ट ( $M_* > 10^{10} M_\odot$ , मेन सीक्वेंस से $>3\sigma$ नीचे)।
तुलना: रेडियो-आधारित वर्गीकरणों की तुलना कन्फ्यूजन मैट्रिक्स का उपयोग करके पेपर I (जिसमें पूर्ण UV-से-FIR SED फिटिंग का उपयोग किया गया था) के "गोल्ड स्टैंडर्ड" वर्गीकरणों से की गई।
कॉस्मोलॉजिकल पैरामीटर अनुमान: लेखकों ने यह परीक्षण करने के लिए कि क्या रेडियो-आधारित उप-नमूने सुसंगत भौतिक रुझान प्रदान करते हैं, बीम्स विद बायस करेक्शन्स (BEAMS with Bias Corrections - BBC) फ्रेमवर्क का उपयोग करके प्रत्येक क्षेत्र के भीतर SN Ia न्युसेंस पैरामीटर्स ( $\alpha, \beta,$ और $M$ ) को मापा।

3. मुख्य योगदान (Key Contributions)

रेडियो ट्रेसर्स का सत्यापन: यह अध्ययन पहली बार बड़े पैमाने पर इस बात का सत्यापन प्रदान करता है कि FIR डेटा की अनुपस्थिति में 1.4 GHz रेडियो डायग्नोस्टिक्स, SN Ia होस्ट्स के SFR– $M_*$ प्ले को प्रभावी ढंग से पुनर्गठित करने के लिए एक सक्षम विकल्प है।
वर्गीकरण निरंतरता का परिमाणीकरण: यह रेडियो-व्युत्पन्न और FIR-प्रतिबंधित वर्गीकरणों के बीच सहमति को मात्रात्मक रूप से दर्शाता है, यह सिद्ध करते हुए कि रेडियो SFR भविष्य के वाइड-फील्ड सर्वे के लिए एक मजबूत विकल्प है।
भविष्य के सर्वेक्षण पूर्वानुमान: यह अध्ययन आगामी रेडियो सर्वेक्षणों (EMU, MIGHTE K, और स्क्वेयर किलोमीटर एरे ऑब्जर्वेटरी - SKAO) की क्षमताओं का मॉडल करता है, जो LSST और रोमन स्पेस टेलीस्कोप के लिए प्रासंगिक रेडशिफ्ट पर तारा-निर्माण करने वाली और निष्क्रिय गैलेक्सीज़ के बीच अंतर कर सकते हैं।

4. मुख्य परिणाम (Key Results)

वर्गीकरण निरंतरता (Classification Consistency)

कुल सहमति: लगभग 84% SN Ia होस्ट गैलेक्सीज़, FIR-प्रतिबंधित SED विधि का उपयोग करने पर भी वही क्षेत्र असाइनमेंट बनाए रखती हैं।
क्षेत्र-विशिष्ट शुद्धता (Region-Specific Purity):
- क्षेत्र 1 (कम द्रव्यमान): 96% शुद्धता। यहाँ तारकीय द्रव्यमान प्राथमिक चालक है, जो अच्छी तरह से निर्धारित है।
- क्षेत्र 2 (उच्च द्रव्यमान SF): 77% शुद्धता। मुख्य संदूषण (contamination) क्षेत्र 3 (निष्क्रिय) गैलेक्सीज़ से आता है जिन्हें गलती से तारा-निर्माण करने वाली मान लिया गया है।
- क्षेत्र 3 (उच्च द्रव्यमान निष्क्रिय): 87% शुद्धता। संदूषण मुख्य रूप से क्षेत्र 2 से आता है।
विसंगतियां: गलत वर्गीकरण को ट्रेसर टाइमस्केल (रेडियो $\sim$ 100 Myr को ट्रैक करता है, जबकि SED अधिक तात्कालिक हो सकता है) के अंतर और निम्न-स्तरीय AGN गतिविधि के कारण माना जाता है जो SED-आधारित SFR को बढ़ाए बिना रेडियो फ्लक्स को बढ़ाता है।

न्युसेंस पैरामीटर्स ( $\alpha, \beta, M$ )

लेखकों ने रेडियो-परिभाषित क्षेत्रों के भीतर SN Ia मानकीकरण मापदंडों को मापा:

$\beta$ (कलर-ल्यूमिनोसिटी स्लोप): एक मजबूत क्षेत्र-निर्भर रुझान की पुष्टि की गई।
- क्षेत्र 1 (कम द्रव्यमान): $\beta \approx 3.59$
- क्षेत्र 3 (उच्च द्रव्यमान निष्क्रिय): $\beta \approx 2.41$
- अंतर महत्वपूर्ण ( $\sim 3.9\sigma$ ) है, जो पेपर I के अनुरूप है।
निरपेक्ष परिमाण ( $M$ ): उच्च-द्रव्यमान निष्क्रिय होस्ट, कम-द्रव्यमान वाले होस्ट की तुलना में मानकीकरण के बाद $\sim 0.095$ मैग्निट्यूड ( $\sim 3\sigma$ ) अधिक चमकीले होते हैं, जो "मास स्टेप" और पर्यावरणीय निर्भरता की पुष्टि करता है।
निरंतरता जाँच: रेडियो-आधारित वर्गीकरण से प्राप्त न्युसेंस पैरामीटर्स, पेपर I के FIR-आधारित परिणामों के साथ $\sim 1.1\sigma$ के भीतर सहमत हैं, जो यह दर्शाता है कि SFR एस्टीमेटर का चुनाव अनुमानित कॉस्मोलॉजिकल पैरामीटर्स को महत्वपूर्ण रूप से प्रभावित नहीं करता है।

भविष्य के सर्वेक्षण क्षमताएं (Future Survey Capabilities)

वर्तमान सर्वेक्षण (MIGHTE K/EMU): $z \sim 0.5-1$ पर, वर्तमान संवेदनशीलता ( $\sim 4-10 \mu$ Jy) मेन सीक्वेंस पर तारा-निर्माण करने वाली गैलेक्सीज़ का पता लगाने के लिए पर्याप्त है, लेकिन फोर्स्ड फोटोमेट्री के बिना निष्क्रिय गैलेक्सीज़ को कम-SFR वाले तारा-निर्माण करने वाली गैलेक्सीज़ से अलग करने में संघर्ष कर सकती है।
SKAO: स्क्वेयर किलोमीटर एरे (SKAO) के $\sim 0.2 \mu$ Jy तक पहुँचने का अनुमान है, जो वाइड-फील्ड सर्वे में भी $z > 2$ तक निष्क्रिय और तारा-निर्माण करने वाली गैलेक्सीज़ के बीच स्पष्ट अंतर करने में सक्षम होगा।

5. महत्व (Significance)

यह शोध पत्र LSST युग में प्रिसिजन कॉस्मोलॉजी के लिए एक महत्वपूर्ण रोडमैप स्थापित करता है। जैसे-जैसे ऑप्टिकल सर्वे का विस्तार हो रहा है, एक समान FIR कवरेज की कमी होस्ट गैलेक्सी के लक्षण वर्णन की सटीकता के लिए खतरा पैदा करती है। लेखक यह प्रदर्शित करते हैं कि:

रेडियो कॉन्टिन्यूम एक व्यवहार्य प्रॉक्सी है: 1.4 GHz रेडियो उत्सर्जन, धूल-अविभाजित, स्केलेबल और सुसंगत विधि प्रदान करता है, जिससे SN Ia होस्ट्स को भौतिक रूप से विशिष्ट उप-समूहों (कम-द्रव्यमान, तारा-निर्माण, निष्क्रिय) में वर्गीकृत किया जा सकता है।
व्यवस्थित त्रुटि शमन (Systematic Error Mitigation): रेडियो SFR का उपयोग करके, कॉस्मोलॉजिकल विश्लेषण पर्यावरणीय रूप से परिभाषित SN Ia उप-नमूनों का निर्माण कर सकते हैं, जिससे होस्ट गैलेक्सी सुधारों से जुड़ी व्यवस्थित अनिश्चितताओं को कम किया जा सकता है।
भविष्य के लिए तैयारी (Future-Proofing): SKAO के आगमन के साथ, रेडियो-व्युत्पन्न SFR, पूरे आकाश में SN होस्ट्स के तारा-निर्माण इतिहास को वर्गीकृत करने के लिए मानक बन जाएंगे, जिससे अगली पीढ़ी के ट्रांजिएंट सर्वे की पूर्ण वैज्ञानिक क्षमता का लाभ उठाया जा सके।

यह कार्य सुझाव देता है कि भविष्य के कॉस्मोलॉजिकल फ्रेमवर्क को केवल तारकीय द्रव्यमान सुधारों से आगे बढ़ना चाहिए और SFR-आधारित पर्यावरणीय वर्गीकरण को शामिल करना चाहिए, जिसमें रेडियो डेटा इसके कार्यान्वयन के लिए प्राथमिक उपकरण के रूप में कार्य करेगा।