Joint Multiband Photometry with crowdsource

1. Enunciazione del Problema

I grandi sondaggi infrarossi come il Wide-field Infrared Survey Explorer (WISE) affrontano sfide significative nei campi affollati a causa della sovrapposizione delle sorgenti, dei fondi spazialmente variabili e delle grandi scale dei pixel (2.75″/pixel). Le pipeline fotometriche esistenti (ad esempio, DAOPHOT, DOLPHOT) e la pipeline crowdsource originale elaborano tipicamente le bande di imaging in modo indipendente. Questo adattamento indipendente porta a:

• Posizioni delle Sorgenti Incoerenti: Le sorgenti vengono rilevate a coordinate leggermente diverse nelle diverse bande.
• Incoerenze nel Flusso: I colori derivati e le distribuzioni dell'energia spettrale (SED) soffrono di errori dovuti al disallineamento.
• Ridotta Sensibilità: Le sorgenti deboli rilevabili in una banda più profonda potrebbero essere perse in una banda più rumorosa se la lista delle sorgenti non è condivisa.
• Distorsione (Bias): Negli adattamenti a banda singola, il flusso delle sorgenti deboli può essere assorbito nel modello del fondo celeste, portando a flussi sottostimati e colori distorti.

L'articolo affronta la necessità di un quadro unificato che imponga la coerenza tra le bande, sfruttando al contempo l'efficienza computazionale della pipeline crowdsource.

2. Metodologia

Gli autori presentano un'estensione multibanda alla pipeline crowdsource, che utilizza grandi pacchetti di algebra lineare sparsa per adattare le sorgenti sovrapposte. L'innovazione fondamentale è un modello simultaneo e auto-coerente attraverso più bande di imaging.

Componenti Chiave dell'Algoritmo:

• Rilevamento Congiunto (Immagini di Significatività):

  • Invece di rilevare le sorgenti in ciascuna banda separatamente, l'algoritmo costruisce un'immagine di significatività congiunta ($S_{joint}$).
  • Questa combina i numeratori dei filtri adattati e le varianze da tutte le bande, ponderate dalla SED della sorgente assunta.
  • $S_{joint} = N_{joint} / \sqrt{V_{joint}}$, dove $N_{joint}$ e $V_{joint}$ sono somme ponderate dei contributi delle singole bande.
  • Ciò consente il rilevamento di sorgenti deboli che sono marginali nelle singole bande ma significative quando combinate, migliorando in particolare la profondità nelle bande più rumorose.

• Quadro Unificato dei Minimi Quadrati Lineari:

  • L'adattamento fotometrico è formulato come un sistema lineare $y \approx Ax$.
  • Vettore dei Dati ($y$): Valori dei pixel impilati da tutte le bande.
  • Vettore dei Parametri ($x$): Contiene parametri di centroide condivisi (posizioni) per tutte le sorgenti attraverso tutte le bande, ma flussi specifici per banda e parametri del cielo.
  • Matrice di Progetto ($A$): Una matrice a struttura a blocchi in cui le colonne del centroide sono condivise tra le bande, mentre le colonne del flusso e del cielo rimangono specifiche per banda.
  • Solutore: Il sistema è risolto iterativamente utilizzando il solutore sparso LSQR.

• Processo Iterativo:

  1. Stima del Cielo: Sottrazione del fondo liscio.
  2. Rilevamento delle Sorgenti: I picchi sono identificati nell'immagine di significatività congiunta.
  3. Adattamento Lineare: Soluzione simultanea per le posizioni condivise e i flussi specifici per banda.
  4. Raffinamento: Aggiornamenti iterativi delle posizioni e dei modelli PSF.

3. Contributi Chiave

• Generalizzazione Algoritmica: Estensione riuscita della pipeline crowdsource dall'adattamento a banda singola a quello multibanda senza sacrificare l'efficienza computazionale.
• Vincolo di Posizione Condivisa: Imposizione di un singolo insieme auto-coerente di posizioni delle sorgenti attraverso tutte le bande, eliminando la dispersione posizionale tra i filtri.
• Strategia di Rilevamento Ottimale: Sviluppo di un metodo statisticamente coerente per il rilevamento congiunto delle sorgenti che si adatta alle diverse PSF e proprietà di rumore di ciascuna banda.
• Implementazione: Il codice è implementato in Python ed è pubblicamente disponibile, basandosi sull'infrastruttura crowdsource esistente.

4. Risultati e Validazione

Il metodo è stato testato su piastrelle co-addite unWISE nel campo COSMOS (densità da rada a moderata) e in un campo del Bulge Galattico (alta densità), confrontando le bande WISE W1 (3.4 $\mu$m) e W2 (4.6 $\mu$m) con adattamenti a banda singola e dati di riferimento profondi Spitzer/IRAC.

• Coerenza del Flusso e Riduzione della Distorsione:

  • I flussi W2 multibanda sono sistematicamente più luminosi dei flussi W2 a banda singola all'estremità debole.
  • Ciò corregge una distorsione in cui gli adattamenti a banda singola assorbono la luce delle sorgenti deboli nel modello del cielo. L'adattamento multibanda attribuisce correttamente questa luce alle sorgenti, migliorando la fotometria delle sorgenti deboli di circa il 5% a 17 mag.
  • La stabilità del colore ($W1-W2$) è significativamente migliorata, con le sorgenti che si raggruppano più vicino al luogo fisico della sequenza principale.

• Stabilità Astrometrica:

  • L'adattamento congiunto produce un singolo centroide per sorgente, eliminando la dispersione posizionale da banda a banda osservata negli adattamenti indipendenti.

• Recupero delle Sorgenti (Completezza):

  • Il catalogo multibanda ha recuperato circa 10.000 sorgenti aggiuntive rispetto al catalogo a banda singola W1.
  • L'incrocio con i dati Spitzer ha rivelato che circa l'80% delle nuove rilevazioni multibanda (che non avevano controparti a banda singola) sono oggetti astrofisici reali.
  • Guadagno di Profondità: Il metodo ha migliorato la magnitudine limite nella banda W2 più rumorosa di circa 1 magnitudine rispetto all'adattamento a banda singola, mantenendo al contempo un'alta completezza in W1.

• Affidabilità (Purezza):

  • L'adattamento multibanda ha mantenuto un'alta affidabilità (purezza) anche a limiti più deboli, sopprimendo efficacemente le rilevazioni spurie che spesso affliggono le ricerche profonde a banda singola.

5. Significato

Questo lavoro fornisce una base solida per futuri catalogi multibanda di campi affollati. Imponendo la coerenza posizionale e sfruttando le informazioni correlate tra le bande, l'algoritmo:

• Permette redshift fotometrici più accurati e una classificazione delle sorgenti.
• Migliora le misurazioni del moto proprio fornendo un'astrometria coerente attraverso epoche e bande.
• Massimizza il ritorno scientifico dei dati di sondaggio esistenti (come WISE/NEOWISE) spingendo i limiti di rilevamento più in profondità senza richiedere nuove osservazioni.
• Offre un quadro flessibile che può essere esteso all'astronomia nel dominio del tempo (dati multi-epoca) e a pesi variabili delle sorgenti per specifici obiettivi scientifici (ad esempio, quasar ad alto redshift).

Gli autori intendono applicare questa pipeline ai co-additi multibanda a piena profondità dell'intera missione WISE per creare il catalogo di sorgenti infrarosse più profondo possibile a oggi.