Streak detection in the VST/OmegaCAM archive using deep learning

Sintesi Tecnica: Rilevamento di Scie nell'Archivio VST/OmegaCAM tramite Deep Learning

Definizione del Probleo
I rilievi astronomici da terra, come quelli condotti dal VLT Survey Telescope (VST) dotato dell'immagine OmegaCAM, catturano involontariamente scie provenienti da satelliti e detriti spaziali che attraversano i loro campi visivi. Sebbene queste osservazioni incidentali offrano un'opportunità unica per caratterizzare gli oggetti spaziali residenti (RSO) senza tempi di osservazione dedicati, l'enorme volume di dati d'archivio (oltre 400.000 esposizioni) e la presenza di vari artefatti d'immagine rendono impossibile l'analisi manuale. I metodi di rilevamento esistenti, come il filtraggio adattato o le trasformate di Hough/Radon, spesso faticano a causa dei costi computazionali, dei falsi positivi derivanti da artefatti lineari (ad esempio, spike di diffrazione) o della mancanza della robustezza necessaria per i grandi sondaggi. Inoltre, i servizi commerciali di Space Situational Awareness (SSA) raramente catalogano le osservazioni di detriti per scopi scientifici, e i rilievi dedicati sono limitati dai costi operativi e dalle ristrette capacità di tracciamento. La sfida primaria affrontata è lo sviluppo di una pipeline automatizzata e scalabile per rilevare, classificare e caratterizzare queste scie all'interno dell'archivio OmegaCAM, al fine di monitorare le popolazioni di detriti spaziali e valutare la contaminazione dei dati.

Metodologia
Gli autori hanno sviluppato una pipeline di deep learning a due stadi progettata per elaborare le immagini grezze di OmegaCAM:

1. Rilevamento delle Scie (HT-LCNN):

   • Il rilevamento iniziale utilizza una rete neurale convoluzionale basata sulla ricerca della trasformata di Hough adattata (HT-LCNN). Questa architettura integra una trasformata di Hough all'interno di un ramo residuo di una CNN per migliorare il riconoscimento di caratteristiche geometriche lineari.
   • Il modello elabora subcrop da 512 × 512 pixel da immagini monocromatiche grezze a 16 bit per bilanciare l'informazione contestuale con l'efficienza computazionale.
   • Dopo il rilevamento, una procedura di "cucitura" (stitching) ricostruisce le scie attraverso l'intero tile CCD raggruppando i rilevamenti con parametri di Hough ($\rho$ e $\theta$) simili e selezionando gli endpoint più distanti. Questo passaggio filtra i falsi positivi singoli che non si allineano con i rilevamenti vicini.
   • Un passaggio di raffinamento allinea le scie rilevate orizzontalmente, le suddivide in segmenti e adatta profili di Moffat all'intensità trasversale per determinare con precisione il centro e gli endpoint della scia.

2. Classificazione dei Falsi Positivi:

   • Per affrontare l'alto tasso di falsi positivi inerente alla fase di rilevamento (causati da spike di diffrazione, bleeding di saturazione, frange di filtro e luce parassita), viene impiegato un classificatore secondario basato sull'architettura VGG6.
   • Questo classificatore riceve immagini ritagliate di 144 × 144 pixel delle scie raffinate e restituisce un punteggio di probabilità per il rilevamento di un vero positivo.
   • Il dataset di addestramento è stato aumentato con 224.291 scie fisicamente simulate generate tramite dinamica di Langevin per modellare la scintillazione atmosferica e profili di Moffat per gli effetti di seeing, insieme a 1.861 scie reali annotate manualmente.

3. Calibrazione Astrometrica e Correlazione:

   • Le scie rilevate subiscono un raffinamento astrometrico tramite Astrometry.net.
   • I risultati vengono incrociati con il catalogo Space-Track propagando gli Elementi a Due Linee (TLE) al tempo di osservazione e confrontando le posizioni previste con le scie osservate in base alla separazione angolare e all'angolo di posizione.

Contributi Chiave

• Sviluppo della Pipeline: La creazione di una pipeline robusta e automatizzata che combina HT-LCNN per il rilevamento e VGG6 per la classificazione, specificamente adattata al formato di dati grezzi a 16 bit degli archivi astronomici.
• Augmentation del Dataset: La generazione di un dataset su larga scala di scie di detriti spaziali fisicamente simulate, incorporando effetti atmosferici realistici (scintillazione e seeing), per superare la scarsità di dati del mondo reale annotati manualmente.
• Analisi d'Archivio: L'applicazione di questa pipeline a un anno di osservazioni VST/OmegaCAM (1.246.048 frame CCD), rappresentando un significativo aumento di scala nel monitoraggio automatizzato dei detriti spaziali da archivi di survey.

Risultati

• Prestazioni di Rilevamento: Sui set di validazione e test aumentati, il rilevatore ha raggiunto F1-score di 0,966 e 0,958 rispettivamente, rilevando oltre il 95% delle scie artificiali con un rapporto segnale-rumore (S/N) > 4.
• Prestazioni nel Mondo Reale: Applicata ai dati reali del 2023, la precisione del solo rilevamento è scesa a 0,783 a causa della variabilità dell'immagine. Tuttavia, l'aggiunta del classificatore VGG6 ha aumentato la precisione a 0,990 mantenendo il 97% dei veri positivi e rifiutando oltre il 96% dei falsi positivi.
• Correlazione con il Catalogo: Applicata ai dati del 2023, la pipeline ha identificato 25.335 scie. Circa il 20% di questi rilevamenti confermati non poteva essere correlato con alcuna voce nel catalogo Space-Track, suggerendo il rilevamento di oggetti non catalogati o non identificati.
• Statistiche di Contaminazione: Nel periodo di un anno, il 16,9% delle immagini conteneva almeno una scia, sebbene solo l'1,9% dei singoli CCD fosse affetto.
• Analisi del Bias: La pipeline ha mostrato un bias contro il rilevamento di detriti in orbita terrestre bassa (LEO) molto piccoli rispetto al catalogo Space-Track, attribuito alla minore sensibilità del telescopio ottico verso oggetti piccoli e deboli rispetto ai sistemi radar. Al contrario, ha rilevato con successo oggetti che vanno da 359 km (Starlink) a 88.060 km (SL-6 R/B) e oggetti con età che spaziano da 12 giorni a quasi 65 anni.

Significatività e Rivendicazioni
L'articolo afferma che la pipeline proposta dimostra prestazioni robuste sui dati d'archivio reali, riuscendo a scoprire oggetti deboli e non catalogati che tipicamente sfuggono ai metodi di tracciamento standard. Gli autori sottolineano il potenziale di sfruttare gli archivi di survey ad accesso aperto, offrendo un metodo efficace in termini di costi per derivare informazioni sulle popolazioni di oggetti spaziali (come tassi di rotazione e curve di luce) senza tempi di osservazione dedicati. Lo studio evidenzia che nessuna regione del cielo è libera dall'interferenza ottica indotta dai satelliti, rendendo necessaria una quantificazione precisa dell'impatto delle scie sui dati astronomici. Sebbene gli autori riconoscano i limiti nella generalizzazione a tutte le condizioni del mondo reale a causa della vasta diversità dell'archivio e della difficoltà di simulare completamente le morfologie delle scie reali, essi sostengono che il loro approccio rappresenti un passo avanti significativo nella caratterizzazione della popolazione di detriti spaziali e nella valutazione della contaminazione dei dati.