Streak detection in the VST/OmegaCAM archive using deep learning

Technische Samenvatting: Detectie van Streaks in het VST/OmegaCAM-archief met behulp van Deep Learning

Probleemstelling
Grondgebonden astronomische surveys, zoals die uitgevoerd door de VLT Survey Telescope (VST) uitgerust met de OmegaCAM-imager, leggen onbedoeld strepen (streaks) vast van satellieten en ruimteafval die de gezichtsvelden doorkruisen. Hoewel deze incidentele waarnemingen een unieke kans bieden om residentiële ruimteobjecten (RSOs) te karakteriseren zonder dedicated observatietijd, maakt de enorme hoeveelheid archiefdata (meer dan 400.000 exposities) en de aanwezigheid van diverse beeldartefacten handmatige analyse onmogelijk. Bestaande detectiemethoden, zoals matched filtering of Hough/Radon-transformaties, hebben vaak moeite met computationele kosten, vals positieven door lineaire artefacten (bijv. diffractiespikes), of een gebrek aan de vereiste robuustheid voor grootschalige surveys. Commerciële Space Situational Awareness (SSA)-diensten catalogiseren waarnemingen van afvalstukken zelden voor wetenschappelijk gebruik, en toegewijde surveys zijn beperkt door operationele kosten en een smalle trackingcapaciteit. De primaire uitdaging die wordt aangepakt, is de ontwikkeling van een geautomatiseerde, schaalbare pijplijn om deze streaks te detecteren, te classificeren en te karakteriseren binnen het OmegaCAM-archief om de populaties van ruimteafval te monitoren en datacontaminatie te beoordelen.

Methodologie
De auteurs hebben een tweestaps deep-learning pijplijn ontwikkeld die ontworpen is om ruwe OmegaCAM-beelden te verwerken:

1. Streak Detectie (HT-LCNN):

   • De initiële detectie maakt gebruik van een aangepaste Hough Transform Lookup-gebaseerde Convolutional Neural Network (HT-LCNN). Deze architectuur integreert een Hough-transformatie binnen een residuële tak van een CNN om de herkenning van lineaire geometrische kenmerken te verbeteren.
   • Het model verwerkt 512 × 512 pixel subcrops van ruwe 16-bit monochrome beelden om een balans te vinden tussen contextuele informatie en computationele efficiëntie.
   • Na detectie herstelt een "stitching"-procedure de streaks over de volledige CCD-tile door detecties met vergelijkbare Hough-parameters ($\rho$ en $\theta$) te groeperen en de meest verre eindpunten te selecteren. Deze stap filtert singleton vals positieven eruit die niet uitlijnen met naburige detecties.
   • Een verfijningsstap brengt de gedetecteerde streaks horizontaal in lijn, splitst ze op in segmenten en past Moffat-profielen toe op de dwarsdoorsnede van de intensiteit om het centrum en de eindpunten van de streak nauwkeurig te bepalen.

2. Classificatie van Vals Positieven:

   • Om de hoge mate van vals positieven aan te pakken die inherent zijn aan de detectiefase (veroorzaakt door diffractiespikes, verzadigingsbloeding, filterranden en strooilicht), wordt een secundaire classifier gebaseerd op de VGG6-architectuur ingezet.
   • Deze classifier neemt 144 × 14 × pixel crops van de verfijnde streaks en geeft een waarschijnlijkheidsscore voor een ware positieve detectie.
   • De trainingsdataset werd uitgebreid met 224.291 fysiek gesimuleerde streaks, gegenereerd met behulp van Langevin-dynamica om atmosferische scintillatie te modelleren en Moffat-profielen voor seeing-effecten, naast 1.861 handmatig geannoteerde echte streaks.

3. Astrometrische Kalibratie en Correlatie:

   • Gedetecteerde streaks ondergaan astrometrische verfijning met behulp van Astrometry.net.
   • De resultaten worden gecorreleerd met de Space-Track catalogus door Two-Line Elements (TLEs) te propageren naar het tijdstip van de waarneming en de voorspelde posities te vergelijken met de geobserveerde streaks op basis van hoekafstand en positiehoek.

Belangrijkste Bijdragen

• Pijplijnontwikkeling: De creatie van een robuuste, geautomatiseerde pijplijn die HT-LCNN combineert voor detectie en VGG6 voor classificatie, specifiek afgestemd op het 16-bit ruwe dataformaat van astronomische archieven.
• Dataset Augmentatie: De generatie van een grootschalige, fysiek gesimuleerde dataset van ruimteafval-streaks, waarbij realistische atmosferische effecten (scintillatie en seeing) zijn opgenomen, om het tekort aan handmatig geannoteerde real-world data te overwinnen.
• Archiefanalyse: De toepassing van deze pijplijn op één jaar aan VST/OmegaCAM-observaties (1.246.048 CCD-frames), wat een significante opschaling betekent in geautomatiseerde monitoring van ruimteafval vanuit survey-archieven.

Resultaten

• Detectieprestaties: Op de uitgebreide validatie- en testsets behaalde de detector F1-scores van 0,966 en 0,958 respectievelijk, waarbij meer dan 95% van de kunstmatige streaks met een signaal-ruisverhouding (S/N) > 4 werd gedetecteerd.
• Prestaties in de echte wereld: Bij toepassing op echte 2023-data daalde de precisie van de detectie alleen naar 0,783 door beeldvariabiliteit. Echter, de toevoeging van de VGG6-classifier verhoogde de precisie naar 0,990, terwijl 97% van de ware positieven behouden bleef en >96% van de vals positieven werd afgewezen.
• Cataloguscorrelatie: Toegepast op 2023-data identificeerde de pijplijn 25.335 streaks. Ongeveer 20% van deze bevestigde detecties kon niet worden gecorreleerd met een vermelding in de Space-Track catalogus, wat wijst op de detectie van ongecatalogeerde of ongeïdentificeerde objecten.
• Contaminatiestatistieken: Over de periode van één jaar bevatte 16,9% van de beelden ten minste één streak, hoewel slechts 1,9% van de individuele CCD's werd getroffen.
• Bias-analyse: De pijplijn vertoonde een bias tegen het detecteren van zeer kleine Low Earth Orbit (LEO) afvalstukken vergeleken met de Space-Track catalogus, toegeschreven aan de lagere gevoeligheid van de optische telescoop voor kleine, zwakke objecten vergeleken met radarsystemen. Daarentegen detecteerde het succesvol objecten variërend van 359 km (Starlink) tot 88.060 km (SL-6 R/B) en objecten met leeftijden variërend van 12 dagen tot bijna 65 jaar.

Betekenis en Claims
Het artikel beweert dat de voorgestelde pijplijn een robuuste prestatie levert op echte archiefdata en succesvol zwakke, ongecatalogeerde objecten blootlegt die door standaard trackingmethoden meestal worden gemist. De auteurs benadrukken het potentieel om open-access survey-archieven te benutten voor monitoring van ruimteafval, wat een kosteneffectieve methode biedt om inzichten te verkrijgen in populaties van ruimteobjecten (zoals rotatiesnelheden en lichtcurves) zonder dedicated observatietijd. De studie onderstreept dat geen enkel gebied aan de hemel vrij is van optische interferentie door satellieten, wat een nauwkeurige kwantificering van de impact van streaks op astronomische data noodzakelijk maakt. Hoewel de auteurs de beperkingen erkennen om te generaliseren naar alle real-world condities vanwege de enorme diversiteit van het archief en de moeilijkheid om de werkelijke morfologie van streaks volledig te simuleren, stellen zij dat hun aanpak een belangrijke stap voorwaarts is in het karakteriseren van de populatie van ruimteafval en het beoordelen van datacontaminatie.