Computer Vision Methods for Frequency Analysis of RFI in Radio Astronomy Data

Sintesi Tecnica: Metodi di Visione Artificiale per l'Analisi in Frequenza delle Interferenze Radio (RFI) nei Dati di Radioastronomia

Enunciato del Problema
Le Interferenze Radio (RFI) contaminano sempre più gli spettri di radioastronomia, spesso superando le ampiezze dei segnali astronomici di 50–70 dB. Questa contaminazione rappresenta una sfida critica per la rilevazione di fenomeni transienti deboli, come le pulsar e i Fast Radio Bursts (FRB). Sebbene le tecniche di mitigazione esistenti—nello specifico Kurtosi Spettrale (SK), Deviazione Assoluta Mediana (MAD) e SumThreshold—siano efficaci in molti contesti, si basano su ipotesi riguardanti l'ambiente RFI e le statistiche dei dati. Di conseguenza, tali metodi possono avere difficoltà con interferenze deboli, a banda larga o non stazionarie e non riescono a catturare l'intera gamma di morfologie RFI. L'etichettatura manuale, sebbene accurata, è impraticabile per i moderni dataset su larga scala.

Metodologia
Gli autori propongono un metodo di rilevazione RFI basato su trasformate che opera senza conoscenze preliminari sull'origine o sul tipo di RFI. L'approccio tratta la rappresentazione frequenza-tempo dei dati come un'immagine, applicando tecniche di visione artificiale per distinguere le interferenze dai segnali astronomici. La pipeline proposta consiste nei seguenti passaggi:

1. Trasformata di Fourier a Breve Termine (STFT): A differenza dell'analisi standard nel dominio della frequenza, il metodo applica una STFT a ciascun canale di frequenza discreto ($\Delta W$) dello spettrogramma originale. Per i dati in banda L del Green Bank Telescope (GBT) utilizzati, ciascun canale copre 195.312,5 Hz. La STFT (con dimensione della finestra $L$) converte i dati in serie temporali di ciascun canale in un array complesso frequenza-tempo ($Z_k$).
2. Segmentazione dell'Immagine: Il modulo dell'array STFT ($X_k$) è trattato come un'immagine. Vengono applicati due algoritmi classici di segmentazione dell'immagine per generare una maschera binaria RFI:
   • Modello a Miscele Gaussiane (GMM): Un approccio di clustering basato su modelli che assume che i valori dei pixel siano generati da una miscela di due distribuzioni gaussiane (una per la RFI, una per i dati puliti). I parametri sono stimati utilizzando l'algoritmo Expectation-Maximization (EM) e i pixel sono classificati tramite la probabilità Massima a Posteriori (MAP).
   • Soglia MAD basata sull'Energia: Un approccio statistico in cui i pixel sono segnalati come RFI se la loro deviazione dalla mediana supera una soglia definita dalla Deviazione Assoluta Mediana (MAD) scalata da un parametro di progetto $\gamma$ (tipicamente 3–7).
3. Applicazione della Maschera e Ricostruzione: La maschera binaria risultante (zeri per la RFI, uni per i dati puliti) viene applicata punto per punto ai dati STFT complessi ($Z_k$) per sopprimere le regioni contaminate. I dati puliti vengono quindi sottoposti a trasformata di Fourier inversa e riassemblati nella serie temporale originale per ciascun canale.
4. Valutazione: Lo spettrogramma pulito viene elaborato attraverso una pipeline standard di radioastronomia: de-dispersione (correzione per il ritardo ionosferico) e integrazione in frequenza. Le prestazioni sono quantificate dal Rapporto Segnale-Rumore (S/N) di un singolo impulso proveniente dalla sorgente target, PSR J1713+0747.

Contributi Chiave

• Pipeline Innovativa: L'introduzione di una novità ingegneristica in due fasi: affinamento del contenuto in frequenza del canale tramite STFT seguito da segmentazione nel dominio STFT.
• Rilevazione Senza Ipotesi Preliminari: Il metodo non richiede conoscenze preliminari delle caratteristiche RFI, basandosi invece sull'ipotesi che la RFI appaia come caratteristiche strutturate ad alta energia all'interno dell'immagine del modulo STFT.
• Segmentazione Ibrida: L'applicazione sia del GMM che della soglia MAD basata sull'energia ai dati dello spettrogramma, dimostrando che queste tecniche di visione artificiale possono separare efficacemente la RFI strutturata dal rumore di fondo.

Risultati Sperimentali
Lo studio ha utilizzato dati GBT contenenti PSR J1713+0747 (1,1–1,9 GHz, 4096 canali, campionamento di 5,12 $\mu$s) con fonti RFI note (Iridium, radar FAA, GPS-L3 ed emettitori non identificati).

• Confronto con la Linea di Base: Lo stimatore SK ha servito come linea di base. SK ha raggiunto un S/N massimo di 22,85 (con $\gamma=5,0$) rispetto a un S/N dei dati grezzi di 19,59.
• Prestazioni del Metodo Proposto: La segmentazione basata su GMM ha aumentato il S/N a 30,54. Il metodo combinato di GMM e soglia basata sull'energia ha prodotto valori S/N compresi tra 29,08 e 30,58 per diversi valori di $\gamma$, dimostrando robustezza rispetto al parametro di soglia.
• Gestione della Morfologia: L'ispezione visiva degli spettrogrammi da vari canali (1436, 1818, 1830, 1913) ha confermato che gli algoritmi di segmentazione hanno separato con successo la RFI dal fondo di rumore indipendentemente dal fatto che l'interferenza fosse a banda stretta, variabile nel tempo o densamente strutturata.
• Sensibilità alla Lunghezza della Finestra: Esperimenti che variavano la lunghezza della finestra STFT ($L$) hanno mostrato che lunghezze di 512 e 1024 hanno fornito miglioramenti sostanziali del S/N rispetto a SK, bilanciando efficacemente risoluzione temporale e frequenziale.

Significato e Affermazioni
Il documento afferma che l'affinamento del contenuto in frequenza di ciascun canale tramite STFT, seguito da segmentazione nel dominio STFT, produce miglioramenti misurabili nella soppressione della RFI rispetto ai metodi tradizionali come SK. Gli autori sostengono che le tecniche di visione artificiale separano efficacemente la RFI strutturata dai segnali astronomici, offrendo un'alternativa flessibile ai metodi dipendenti da ipotesi statistiche specifiche sull'interferenza. I risultati suggeriscono che questo approccio basato su trasformate è particolarmente efficace per migliorare il S/N dei segnali transienti in ambienti contaminati da RFI.