Singular Templates of Imaging Cherenkov Shower distribution (STOICS): A background estimation method for Very-High-Energy $\gamma$-ray observations

1. Il Problema

Le osservazioni di sorgenti estese di raggi $\gamma$ ad altissima energia (VHE) tramite Telescopi Cherenkov Atmosferici a Imaging (IACT) affrontano una sfida fondamentale: la stima del fondo.

• Limitazione del Campo di Vista (FoV): Le sorgenti estese (come resti di supernova, nebulose di vento di pulsar o "TeV halos") possono avere dimensioni angolari che occupano una parte significativa o addirittura l'intero campo di vista degli strumenti IACT attuali (3.5°–5.0°).
• Inadeguatezza dei Metodi Tradizionali: I metodi convenzionali di stima del fondo (es. Ring Background, Reflected Region, Template Background) richiedono regioni "OFF" (fuori sorgente) all'interno del campo di vista per normalizzare il fondo. Quando la sorgente riempie il campo di vista, queste regioni non sono disponibili o hanno statistiche insufficienti, rendendo impossibile una corretta normalizzazione del fattore $\alpha$ e portando a grandi incertezze sistematiche.
• Necessità: È necessario un metodo indipendente che possa stimare il fondo utilizzando le informazioni interne alla stessa osservazione, senza dipendere da regioni esterne vuote.

2. Metodologia: STOICS

Gli autori propongono un nuovo metodo chiamato Singular Templates of Imaging Cherenkov Shower distribution (STOICS). Il metodo utilizza la Decomposizione ai Valori Singoli (SVD) per estrarre rappresentazioni a bassa dimensionalità delle distribuzioni degli eventi dei raggi cosmici.

Il processo si articola nei seguenti passaggi:

1. Definizione delle Regioni:
   • Regione $\gamma$-like (SR): Eventi che superano i tagli di separazione $\gamma$/adroni (es. parametri Hillas ridotti $M_{SCL}$ e $M_{SCW}$).
   • Regioni CR-like (CR): Eventi che falliscono i tagli di separazione (principalmente raggi cosmici). Queste regioni fungono da campioni di controllo.
2. Costruzione della Matrice dei Template:
   • Vengono selezionati dati "OFF" (osservazioni di cielo vuoto o senza sorgenti $\gamma$ note) che corrispondono alle condizioni di osservazione della sorgente di interesse (elevazione, azimut, luminosità del cielo notturno).
   • Le distribuzioni spaziali degli eventi nelle regioni CR e SR vengono mappate in pixel della camera e vettorizzate.
   • Questi profili vengono organizzati in una matrice di template $M$.
3. Applicazione della SVD:
   • La matrice $M$ viene fattorizzata tramite SVD ($M = \sum \sigma_k \vec{u}_k \vec{v}_k^T$).
   • I vettori singolari $\vec{v}_k$ catturano le correlazioni spaziali tra le distribuzioni degli eventi nelle regioni CR e quelle nelle regioni SR.
   • I vettori a basso ordine descrivono le caratteristiche generali, mentre quelli ad ordine più alto catturano variazioni sottili legate alle condizioni osservative.
4. Modellazione del Fondo:
   • Il profilo di fondo atteso per i dati "ON" (sorgente) è approssimato come una combinazione lineare dei vettori singolari: $\vec{\lambda} = \sum a_k \vec{v}_k$.
   • I coefficienti $a_k$ sono determinati massimizzando una funzione di verosimiglianza di Poisson nelle regioni CR-like (dove non c'è segnale $\gamma$), mantenendo le regioni SR "cieche" durante l'ottimizzazione.
   • Il modello risultante viene proiettato sulla regione SR per prevedere la distribuzione spaziale del fondo.
5. Stima delle Incertezze Sistemiche:
   • L'accuratezza del modello è valutata analizzando i residui nelle regioni CR.
   • Viene calcolata un'incertezza sistematica ($\theta_{syst}$) basata sulla discrepanza tra il modello e i dati nelle regioni di controllo, utilizzata per correggere la significatività statistica finale.

3. Contributi Chiave

• Indipendenza dalle Regioni OFF: STOICS elimina la necessità di avere regioni vuote nel campo di vista, permettendo l'analisi di sorgenti che riempiono l'intero FoV.
• Utilizzo delle Correlazioni Spaziali: Sfrutta il fatto che le condizioni osservative (che influenzano la risposta strumentale) impattano sia gli eventi CR-like che quelli $\gamma$-like nello stesso modo. La SVD estrae queste correlazioni per prevedere il fondo.
• Modellazione Dipendente dall'Energia: Il metodo genera modelli di fondo specifici per intervalli energetici, catturando le variazioni morfologiche del fondo a diverse energie.
• Gestione delle Sistematiche: Introduce un metodo rigoroso per quantificare e includere le incertezze sistemiche nella significatività di rilevamento, evitando falsi positivi dovuti a errori di modellazione.

4. Risultati

Gli autori hanno validato il metodo utilizzando dati archivi di VERITAS:

• Sorgenti Puntiformi Extralattiche: Analisi di 1ES 0229+200 e H 1426+428. Anche con esposizioni profonde (fino a ~220 ore), le mappe di significatività mostrano fluttuazioni uniformi e distribuzioni gaussiane nelle regioni fuori sorgente, confermando l'assenza di errori sistematici significativi.
• Sorgenti Puntiformi Galattiche: Applicazione a HESS J1943+213 e Cas A. Il metodo ha dimostrato di funzionare anche in regioni del piano galattico con alto fondo notturno, utilizzando template costruiti da dati extragalattici.
• Sorgenti Estese: Analisi di MGRO J1908+06 e MGRO J2019+37 (estensioni > 1°). Il metodo ha permesso di rilevare e modellare correttamente la morfologia di queste sorgenti estese, ottenendo risultati coerenti con studi precedenti.
• Ottimizzazione dei Parametri: È stato dimostrato che l'accuratezza del modello migliora aumentando il numero di vettori singolari ($k_c$) e riducendo la dimensione dei pixel. Per esposizioni > 100 ore, sono necessari almeno 32 vettori singolari e pixel inferiori a 0.57°x0.57°.

5. Significatività e Prospettive Future

• Preparazione per CTAO: Il metodo è particolarmente rilevante per il futuro Cherenkov Telescope Array Observatory (CTAO). CTAO avrà un campo di vista più ampio e sarà progettato per osservare sorgenti estese e diffuse (es. emissione diffusa galattica, aloni TeV, materia oscura indiretta).
• Prodotti Dati "Science-Ready": STOICS potrebbe essere integrato nella pipeline di CTAO per fornire agli utenti modelli di fondo pre-normalizzati e dipendenti dalla posizione, riducendo la necessità di conoscenze a priori sulle sorgenti nel campo di vista e minimizzando le incertezze sistemiche.
• Affidabilità: Il metodo fornisce una soluzione robusta per l'analisi di sorgenti estese, permettendo misurazioni morfologiche affidabili in un'era in cui l'osservazione di oggetti su larga scala diventerà sempre più comune.

In sintesi, STOICS rappresenta un avanzamento significativo nella metodologia di analisi IACT, trasformando il problema della mancanza di regioni di controllo in un'opportunità di modellazione statistica avanzata basata sulle correlazioni intrinseche dei dati.