Streak detection in the VST/OmegaCAM archive using deep learning

Resumo Técnico: Detecção de Rastros no Arquivo VST/OmegaCAM Usando Aprendizado Profundo

Definição do Problema
Pesquisas astronômicas terrestres, como as conduzidas pelo VLT Survey Telescope (VST) equipado com o imageador OmegaCAM, capturam inadvertidamente rastros de satélites e detritos espaciais que cruzam seus campos de visão. Embora essas observações incidentais ofereçam uma oportunidade única para caracterizar objetos residentes no espaço (RSOs) sem tempo de observação dedicado, o volume massivo de dados de arquivo (mais de 400.000 exposições) e a presença de vários artefatos de imagem tornam a análise manual impossível. Métodos de detecção existentes, como filtragem casada ou transformadas de Hough/Radon, frequentemente enfrentam dificuldades com custos computacionais, falsos positivos provenientes de artefatos lineares (ex: picos de difração) ou falta de robustez necessária para grandes levantamentos. Além disso, serviços comerciais de Consciência Situacional Espacial (SSA) raramente catalogam observações de detritos para uso científico, e pesquisas dedicadas são limitadas por custos operacionais e capacidades de rastreamento estreitas. O desafio primário abordado é o desenvolvimento de um pipeline automatizado e escalável para detectar, classificar e caracterizar esses rastros no arquivo OmegaCAM para monitorar populações de detritos espaciais e avaliar a contaminação de dados.

Metodologia
Os autores desenvolveram um pipeline de aprendizado profundo de dois estágios projetado para processar imagens brutas da OmegaCAM:

1. Detecção de Rastros (HT-LCNN):

   • A detecção inicial utiliza uma Rede Neural Convolucional baseada em Busca de Transformada de Hough adaptada (HT-LCNN). Esta arquitetura integra uma transformada de Hough dentro de um ramo residual de uma CNN para aumentar o reconhecimento de características geométricas lineares.
   • O modelo processa subcrops de 512 × 512 pixels de imagens monocromáticas brutas de 16 bits para equilibrar informação contextual com eficiência computacional.
   • Após a detecção, um procedimento de "costura" (stitching) reconstrói os rastros através do full CCD tile, agrupando detecções com parâmetros de Hough ($\rho$ e $\theta$) semelhantes e selecionando os endpoints mais distantes. Este passo filtra falsos positivos isolados que não se alinham com detecções vizinhas.
   • Um passo de refinamento alinha os rastros detectados horizontalmente, divide-os em segmentos e ajusta perfis de Moffat à intensidade transversal para determinar precisamente o centro e os endpoints do rastro.

2. Classificação de Falsos Positivos:

   • Para lidar com a alta taxa de falsos positivos inerente à etapa de detecção (causados por picos de difração, sangramento de saturação, franjas de filtro e luz espúria), é empregado um classificador secundário baseado na arquitetura VGG6.
   • Este classificador recebe imagens recortadas de 144 × 144 pixels dos rastros refinados e fornece um score de probabilidade para detecção de verdadeiro positivo.
   • O conjunto de treinamento foi aumentado com 224.291 rastros fisicamente simulados gerados usando dinâmica de Langevin para modelar a cintilação atmosférica e perfis de Moffat para efeitos de seeing, juntamente com 1.861 rastros reais anotados manualmente.

3. Calibração Astrométrica e Correlação:

   • Os rastros detectados passam por refinamento astrométrico usando Astrometry.net.
   • Os resultados são cruzados com o catálogo Space-Track, propagando Elementos de Duas Linhas (TLEs) para o tempo de observação e comparando posições previstas com rastros observados com base em separação angular e ângulo de posição.

Principais Contribuições

• Desenvolvimento de Pipeline: A criação de um pipeline robusto e automatizado combinando HT-LCNN para detecção e VGG6 para classificação, especificamente adaptado para o formato de dados brutos de 16 bits de arquivos astronômicos.
• Aumento de Dataset: A geração de um grande dataset fisicamente simulado de rastros de detritos espaciais, incorporando efeitos atmosféricos realistas (cintilação e seeing), para superar a escassez de dados de rastros reais anotados manualmente.
• Análise de Arquivo: A aplicação deste pipeline a um ano de observações VST/OmegaCAM (1.246.048 frames de CCD), representando um aumento significativo na escala de monitoramento automatizado de detritos espaciais a partir de arquivos de pesquisa.

Resultos

• Desempenho de Detecção: Nos conjuntos de validação e teste aumentados, o detector alcançou F1-scores de 0,966 e 0,958, respectivamente, detectando mais de 95% dos rastros artificiais com uma relação sinal-ruído (S/N) > 4.
• Desempenho no Mundo Real: Ao ser aplicado a dados reais de 2023, a precisão apenas de detecção caiu para 0,783 devido à variabilidade da imagem. No entanto, a adição do classificador VGG6 elevou a precisão para 0,990, retendo 97% dos verdadeiros positivos e rejeitando >96% dos falsos positivos.
• Correlação de Catálogo: Aplicado aos dados de 2023, o pipeline identificou 25.335 rastros. Aproximadamente 20% dessas detecções confirmadas não puderam ser correlacionadas com qualquer entrada no catálogo Space-Track, sugerindo a detecção de objetos não catalogados ou não identificados.
• Estatísticas de Contaminação: Ao longo de um ano, 16,9% das imagens continham pelo menos um rastro, embora apenas 1,9% dos CCDs individuais tenham sido afetados.
• Análise de Viés: O pipeline mostrou um viés contra a detecção de detritos de Órbita Terrestre Baixa (LEO) muito pequenos em comparação ao catálogo Space-Track, atribuído à menor sensibilidade do telescópio óptico a objetos pequenos e tênues em comparação com sistemas de radar. Por outro lado, detectou com sucesso objetos variando de 359 km (Starlink) a 88.060 km (SL-6 R/B) e objetos com idades abrangendo de 12 dias a quase 65 anos.

Significância e Alegações
O artigo afirma que o pipeline proposto demonstra desempenho robusto em dados de arquivo reais, descobrindo com sucesso objetos tênues e não catalogados que são tipicamente perdidos por métodos de rastreamento padrão. Os autores destacam o potencial de aproveitar arquivos de pesquisa de acesso aberto para o monitoramento de detritos, oferecendo um método econômico para derivar insights sobre populações de objetos espaciais (como taxas de rotação e curvas de luz) sem tempo de observação dedicado. O estudo ressalta que nenhuma região do céu está livre de interferência óptica induzida por satélites, necessitando de quantificação precisa dos impactos dos rastros nos dados astronômicos. Embora os autores reconheçam limitações na generalização para todas as condições do mundo real devido à vasta diversidade do arquivo e à dificuldade de simular totalmente as morfologias reais dos rastros, eles afirmam que sua abordagem representa um passo significativo no caráterização da população de detritos espaciais e na avaliação da contaminação de dados.