Prétraitement des images

Le prétraitement est fait de manière classique, en utilisant le programme SDFRED1 [Yagi et al., 2002], [Ouchi et al.,2004] fourni par SMOKA, ou en utilisant les procédures et routines stan-dards IRAF destinées à cet effet [Yoshida et al., 2003], [Yoshida and Nakamura, 2007]. Il est réalisé dans le but de reconstituer l’image I (Eq.5.1). Dans tout ce qui suit, les étapes décrites devront être réalisées pavé par pavé pour chacune des deux nuits.

Une image MASTER BIAS, moyenne des régions de recouvrement (overscan), est créée. Cette image est soustraite à toutes les images dites de type objet. Les images sont alors débiaisées. Elles seront tronquées des pixels correspondants à la zone de recouvrement, les images .fits ne seront plus de taille 2.048 × 4.096 mais de 2.046 × 4.090 en pixels.

Il faudra ensuite créer une image MASTER FLAT qui n’est rien d’autre que la médiane des images de type FLAT. Toujours pavé par pavé, les images débiaisées obtenues seront à leur tour divisées une à une par l’image MASTER FLAT pour produire une image prétraitée (débiaisée et ”déflatée”) et scientifiquement exploitable.

CHAPITRE 5. TRAITEMENT DES DONNÉES DU TÉLESCOPE SUBARU : GÉNÉRALITÉS

5.4.2 Détection des astéroïdes

La détection des astéroïdes est sans aucun doute la tâche la plus prenante, amusante et labo-rieuse. Pour ce faire, j’ai utilisé deux méthodes. J’expliciterai ici les deux méthodes et exposerai les avantages et les inconvénients de chacune d’entre elles [Souami et al.,2012c] (AnnexeD).

Méthode de détection à l’œil :

Cette méthode a été introduite de manière indépendante d’une part par [Yoshida et al., 2001] dans le cadre du traitement des données SMBAS-I, et d’autre part par [Millis et al.,2002] pour la recherche d’objets de la ceinture de Kuiper et de Centaures sur des données du Télescope Mayall de 4m au Kitt Peak National Observatory en Arizona. Depuis, cette technique a été utilisée pour le traitement de toutes les données SMBAS [Yoshida et al.,2003] et [Yoshida and Nakamura,2007].

La méthode consiste à additionner et empiler (stack) des images trois par trois (pour détecter les objets dans la bande B) ou cinq par cinq (dans la bande R) et à repérer les objets en mouve-ment. À titre d’exemple, on pourra voir (Fig.5.5) l’image résultante de la combinaison de trois images, deux images en R et une en B. On notera, R_x la xème image dans la bande R. L’image (Fig. 5.5) (de 60 × 100, en pixels), sur laquelle apparaissent deux taches lumineuses (images R) et une tache sombre (image B), est obtenue de la manière suivante :

c1R1− B + c2.R2 (5.2)

Les coefficients c_x sont introduits pour ajuster le niveau du ciel d’une image à l’autre. Ils sont définis comme étant la différence entre la valeur moyenne des pixels de l’image Rx et de cette même quantité pour l’image B. Ici, l’image R₁a été acquise 120s avant l’image B, et l’image R₂120s après l’image B.

Les positions des astéroïdes (en pixels) sont alors extraites à la main, dans un fichier .reg (region file) en utilisant le logiciel DS9 [Joye and Mandel, 2003], et retranscrites dans un fichier pour chaque pavé. La démarche est la même pour les images dans la bande R.

La détection des astéroïdes par cette méthode est très longue. Cependant, elle présente l’avan-tage de donner le temps d’explorer l’image résultante, contrairement à la détection par des clignements (blinks).

Bien que fournissant des résultats remarquables, cette méthode ne peut pas faire face aux grès permanents en matière de Caméra CCD. En effet, il est prévu de remplacer dès l’an pro-chain la caméra Suprime-Cam du SUBARU télescope, qui a servi à l’acquisition des données présentées dans ce chapitre, par une caméra de champ environ dix fois plus large [Kamata et al., 2010] (1◦.8 × 1^◦.8). Le FOV sera couvert par 116 pavés de 2k×4k, et par conséquent, il est in-imaginable de traiter cela l’œil nu. Une détection automatique s’avère nécessaire. La seconde méthode que je présente ici est une méthode automatique.

CHAPITRE 5. TRAITEMENT DES DONNÉES DU TÉLESCOPE SUBARU : GÉNÉRALITÉS

FIG. 5.5: Image obtenue en combinant 3 images (R-B-R). Les deux points brillants corres-pondent à la position de l’astéroïde dans les images R, et le point sombre à celle de l’astéroïde sur l’image B (champ de 12′′.12 × 20^′′.20).

Méthode de détection numérique :

Devant les progrès vertigineux en matière de CCD et de caméras, il devient indispensable d’avoir des logiciels de détection automatique fiables. Il existe plusieurs programmes infor-matiques et logiciels pour la détection d’astéroïdes. Ils sont utilisés notamment pour les grands surveys (tels que SDSS, LINEAR ...). En ce qui concerne le survey SMBAS, un logiciel de ce genre a été utilisé en 2006 par Budi Dermawan dans sa thèse. Il s’est cependant avéré être moins performant que la méthode décrite plus haut (Sect.5.4.2). Néanmoins il a permis la détection d’objets ayant pour limite supérieure une magnitude de 216.

J’utiliserai ici un programme initialement écrit en Fortran 77 par Jay Anderson lors de son séjour au SYRTE en août 2011. J’ai adapté ce code en Fortran 90 (plus compréhensible pour moi) compilable en Lahey Fortran, ce qui me permettra de gagner 30% en temps CPU7. L’écriture de ce programme est basée sur la méthode exposée plus haut [Souami et al.,2012c] et présentée dans [Yoshida et al.,2001]. Je prendrai le temps ici de développer certains points. Les images peuvent être introduites, prétraitées ou brutes, et il suffira de changer un paramètre en entrée pour préciser la nature des images utilisées.

Ainsi, le programme commence par l’identification des étoiles non saturées, en lisant les images8 une par une, pixel par pixel. Une fois les étoiles identifiées, leurs positions sur chaque image ainsi que les flux correspondants sont enregistrés. Un modèle de PSF (Point-Spread Function) basé sur le profil gaussien 2-D des étoiles observées est créé.

Les étoiles identifiées seront extraites de chaque image, en utilisant pour chacune d’entre elles

6Les droits sur ce logiciel ont été depuis transférés à une société AstroArts Inc., qui en a fait un programme interactif “Stellar Hunter Professional“. Malheureusement, il n’est disponible qu’en version japonaise.

7Tout gain en temps CPU est plus que bienvenu du fait du manque de ressources informatiques. Faire tourner le programme sur une nuit de données, comme explicité ici, nécessite douze jours de calculs. En adaptant le programme au compilateur lhay fortran, le temps de calcul est réduit à environ 8,5 jours. De plus, la parallélisation du programme conduit à une réduction considérable en temps CPU, qui atteint environ vingt et une heures si j’utilise dix cœurs de calculs.

CHAPITRE 5. TRAITEMENT DES DONNÉES DU TÉLESCOPE SUBARU : GÉNÉRALITÉS le modèle de PSF pré-établi et le flux moyen calculé. Un modèle du ciel est lui aussi soustrait à chaque image. Pour identifier les astéroïdes potentiels, les images résultantes sont alors convo-luées avec un noyau 5 × 3 (taille typique des astéroïdes recherchés), de manière à mettre en valeur les détections (voir AnnexeD.2).

Une liste des détections pas trop proches des étoiles et avec une valeur significative (supérieure au seuil de saturation) de DN (Digital Number), est alors établie. Nous additionnons maintenant les images afin de visualiser les traînées résultantes des mouvements d’astéroïdes.

Nous pouvons maintenant mesurer ces traînées et calculer les vitesses des objets en pixels/s suivant les deux directions x et y.

Ayant passé beaucoup de temps à analyser ces deux méthodes de détection, il m’a paru néces-saire de leur consacrer ce chapitre. Dans le prochain chapitre, je décrirai l’application de ces méthodes au champ FIELDA et comparerai les résultats obtenus.

CHAPITRE 6

T

RAITEMENT DES DONNÉES DU

SUBARU

TÉLESCOPE

: A

PPLICATIONS

Le traitement des données SUBARU obtenues dans le cadre du survey SMBAS-III présenté dans le chapitre précedent va permettre plusieurs études qui feront l’objet de diverses publica-tions dans les mois à venir. Dans un premier article [Souami et al.,2012c]¹, nous avons présenté les méthodes qui sont utilisées dans la suite pour le traitement de ces données. Ce chapitre est consacré entre autre à l’application des méthodes de détections décrites dans le chapitre5. La richesse des résultats obtenus par observation d’un seul champ par nuit nous permet, en plus de la détection des astéroïdes, d’estimer leurs éléments orbitaux (a,i) et de définir ainsi un plan orbital préliminaire.

L’observation dans la bande R plus de 90% du temps, nous permet pour quelques astéroïdes d’obtenir des courbes de lumière, dont nous déduirons les périodes de rotation. De plus, l’ob-servation dans les deux bandes R et B nous permet une classification taxonomique grossière. Si la différence des magnitudes B-R est inférieur à 1,1, l’astéroïde est de classe D ou S, alors que si B-R est supérieur à 1,1, l’astéroïde est de type C ou M.

J’ai tenu à séparer la partie d’analyse des résultats de la présentation des méthodes (Chapitre 5). En effet, le développement des méthodes utilisées à ce jour est aussi important que l’analyse des résultats.

L’an prochain, le remplacement de la Caméra Suprime-Cam, utilisée pour l’acquisition des données traitées ici, par une caméra d’un champ dix fois plus grand [Kamata et al., 2010] va contraindre d’automatiser les méthodes de traitement. Il apparaissait donc évident de consacrer un chapitre à l’identification des lacunes éventuelles par souci d’optimisation de la détection. Les résultats présentés dans ce chapitre doivent être considérés comme des résultats d’applica-tions directes afin de tester les programmes, et non comme les résultats définitifs du traitement des données SMBAS-III.

1soumis dans le cadre des proceedings qui font suite à la conférence ACM, qui s’est déroulée en mai dernier à Niigata, Japon.

CHAPITRE 6. TRAITEMENT DES DONNÉES DU SUBARU TÉLESCOPE :