Enhancing astrometric registration of Chinese historical Astronomical Digital Plates with deep learning

Titolo: Miglioramento della registrazione astrometrica delle lastre astronomiche digitali storiche cinesi tramite deep learning

1. Il Problema

La Cina possiede un vasto archivio di lastre fotografiche astronomiche notturne raccolte sistematicamente dal 1900, che sono state digitalizzate con scanner ottici ad alta precisione. Tuttavia, molte di queste lastre storiche soffrono di degrado ambientale (graffi, degradazione dell'emulsione, fondo non uniforme) e condizioni di conservazione subottimali.
Queste imperfezioni ostacolano il rilevamento affidabile delle sorgenti stellari, rendendo difficile la registrazione astrometrica (l'allineamento delle coordinate delle lastre con cataloghi moderni come Gaia).

• Stato precedente: In uno studio precedente (Shang et al., 2024), è stato utilizzato un classificatore SVM (Support Vector Machine) basato su parametri fotometrici estratti da SExtractor. Sebbene abbia permesso di calibrare molte lastre, circa 2.530 lastre a singola esposizione sono rimaste senza calibrazione astrometrica a causa di un tasso di fallimento elevato nel distinguere le vere stelle dagli artefatti.
• Obiettivo: Sviluppare un metodo più robusto per classificare le sorgenti stellari su lastre degradate, superando i limiti degli approcci tradizionali basati su caratteristiche ingegnerizzate.

2. Metodologia

Gli autori hanno proposto una pipeline basata su Deep Learning, specificamente utilizzando un'architettura Swin Transformer, per migliorare la classificazione binaria (stella vs. non-stella/artefatto).

• Flusso di lavoro:
  1. Estrazione delle sorgenti: Utilizzo di SExtractor per identificare tutte le intensità significative sulle lastre digitalizzate.
  2. Classificazione delle sorgenti: Invece di usare solo parametri fotometrici, il metodo utilizza "cutout" (ritagli) di immagini di 64x64 pixel attorno a ogni sorgente rilevata.
  3. Modellazione:
     • Modello Base: Un classificatore Swin Transformer addestrato su un dataset bilanciato di 1.000 lastre già calibrate (provenienti da 5 osservatori cinesi: SHA, NAOC, PMO, YNAO, QDO). Il dataset include circa 4 milioni di sorgenti (positive e negative).
     • Strategia di Fine-Tuning: Poiché le lastre non calibrate possono avere caratteristiche fisiche diverse (diversi telescopi, esposizioni, livelli di degrado), il modello base viene ulteriormente adattato (fine-tuning) su sottoinsiemi specifici. Per ogni lastra non calibrata, viene creato un modello dedicato utilizzando un gruppo di 5 lastre con condizioni fisiche simili (stesso telescopio, stessa apertura, stessa esposizione).
  4. Registrazione Astrometrica: Le sorgenti classificate come "stellari" vengono incrociate con il catalogo Gaia DR3 (tramite Astrometry.net per l'allineamento iniziale) per derivare le coordinate finali della lastra.

3. Contributi Chiave

• Transizione verso il Deep Learning: Sostituzione dei metodi tradizionali (SVM) con un'architettura Transformer basata su visione computerizzata, capace di catturare caratteristiche morfologiche complesse e pattern di degrado che i parametri fotometrici semplici non riescono a distinguere.
• Strategia Ibrida Base + Fine-Tuning: L'adozione di un approccio a due livelli, dove un modello generale viene affinato su condizioni specifiche per gestire la variabilità delle lastre storiche (diversi osservatori, aperture, livelli di danno).
• Risoluzione del problema delle lastre "scartate": Il metodo è stato applicato specificamente alle 1.883 lastre che avevano fallito i tentativi di calibrazione precedenti, dimostrando la capacità di recuperare dati altrimenti inutilizzabili.

4. Risultati

Lo studio è stato applicato a 1.883 lastre non calibrate (escluse quelle con danni irreparabili o target astronomici troppo grandi come la Luna).

• Performance del Modello Base: Ha permesso la calibrazione astrometrica di 1.083 lastre.
• Performance del Fine-Tuning: L'applicazione dei modelli specifici per condizioni ha permesso di calibrare ulteriori 270 lastre.
• Totale: In totale, 1.353 lastre su 1.883 sono state registrate con successo, portando il tasso di successo complessivo al 71,9%.
• Analisi per Grado di Qualità:
  • Grado 1 (Intatte): 82,0% di successo.
  • Grado 2 (Difetti minori <25%): 67,9% di successo.
  • Grado 3 (Difetti moderati fino al 50%): 68,3% di successo.
  • Nota: Il modello dimostra una resilienza eccezionale, mantenendo prestazioni stabili anche quando l'area dei difetti raddoppia.
• Casi di Fallimento: Le 630 lastre rimanenti non sono state calibrate a causa di difetti intrinseci gravi (esposizioni fuori fuoco, scie meccaniche, annotazioni a mano che coprono le stelle) che alterano irrimediabilmente i segnali delle sorgenti.

5. Significato e Impatto

• Recupero di Dati Storici: Questo lavoro recupera un volume significativo di dati astronomici storici che erano considerati persi o non utilizzabili per studi di precisione, aumentando il valore scientifico dell'archivio cinese.
• Studio del Tempo Domini: Le lastre calibrate forniscono dati essenziali per studi a lungo termine sulla variabilità stellare e l'evoluzione temporale del cielo, colmando il divario tra le osservazioni storiche e i moderni sondaggi.
• Scalabilità: La pipeline automatizzata proposta può essere estesa ad altri archivi di lastre fotografiche storiche in tutto il mondo, offrendo un modello per la modernizzazione dei dati astronomici del XX secolo.
• Disponibilità dei Dati: I dati calibrati saranno resi pubblici tramite il NADC (National Astronomical Data Center) e saranno accessibili ai ricercatori.

In sintesi, l'articolo dimostra come l'integrazione di tecniche avanzate di intelligenza artificiale (Swin Transformer) con strategie di adattamento specifico possa superare le limitazioni fisiche dei supporti storici, trasformando lastre degradate in preziose risorse per l'astronomia moderna.