Cette thèse présente plusieurs contributions au software developé pour le traitement d’images dans le cadre du LSST. Notre objectif est d'utiliser le code et les algorithmes LSST existants, afin de créer un pipeline dédié à la détection des supernovae de type Ia. Pour la détection des supernovae nous utilisons une technique appelée soustraction optimale d'images qui implique la construction de coadditions. Nous étudions aussi le comportement des différents objets dans le temps et construisons des courbes de lumière qui représentent leur cycle de vie en fonction de l'intensité lumineuse de chaque détection sur plusieurs nuits. Enfin, pour analyser un nombre excessif de candidats, nous utilisons des algorithmes d'apprentissage machine.Notre première contribution concerne le développement des taches de coaddition automatisée adaptées pour construire des images de référence et de science avec un haut rapport signal-sur-bruit. La contribution suivante est lié à l’addition de mesures et l’étude de résidus des images d’analyse de différence, y-compris la sélection des seuils adaptés et l'étiquetage basée sur les valeurs quantitativess des résidus pour identifier les mauvaises détections, les artéfacts et les flux réellement significatifs. Notre suivante contribution est un algorithme pour sélectionner et générer les courbes de lumière candidates. Finalement, on applique une classification machine learning pour trouver des type Ia supernovae en utilisant la méthode random forest. Ces résultats ont permis l’identification des supernovae de type Ia simulées et réelles parmis les candidats avec une haute précision. / This thesis will present several contributions to the software developed for the LSST telescope with the purpose of contributing to the detection of type Ia supernovae. Our objective is to use the existing LSST code and algorithms, in order to create a type Ia supernovae detection dedicated pipeline.Since detecting supernovae requires a special type of processing, we use a technique known as the Optimal Image Subtraction which implies the construction of coadditions. Afterwards, we study the behavior of the different objects through time and build light curves that represent their life cycle in terms of the light intensity of each detection on several nights. Lastly, in order to analyze an excessive number of candidates, we employ machine learning algorithms to identify what curves are more probable to be type Ia supernovae. Our first contribution concerns the development of adapted and automatized coaddition tasks for building high signal-to-noise reference and science images. The next contribution is related to the addition of measurements and study of the residuals on difference image analysis, including the selection with adapted thresholding and the assignation of labels. We also propose, as contributions, an algorithm to select and generate the different candidate light curves through the selection of objects with recurrent detections through time and in the different bandpasses. Finally, we apply the machine learning classification approach to find type Ia supernovae by means of using a random forest classifier and based strictly on geometrical features that are present in the light curves.

This dissertation presents two chemo-dynamical analyses of metal-poor stars found within the Milky Way. 115 metal-poor candidate stars, including 28 confirmed very metal-poor stars, selected from the narrow-band Pristine photometric survey are presented based on CFHT high-resolution ESPaDOnS spectroscopy. An additional 30 confirmed very metal-poor stars selected from Pristine are examined based on Gemini/GRACES spectroscopy. Chemical abundances are determined for a total of 19 elements (Li, Na, Mg, K, Ca, Sc, Ti, Cr, Mn, Fe, Ni, Cu, Zn, Y, Zr, Ba, La, Nd, Eu) across these studies, which are combined with Gaia DR2 parallaxes and proper motions to paint a chemically diverse map of ancient stars in the Galaxy. Abundance patterns similar to those seen in "normal" metal-poor Galactic halo stars are found in a majority of the stars studied here, however new discoveries of a handful of chemically unique and kinematically intriguing metal-poor stars are presented. The chemo-dynamics of these novel stellar relics point towards chemical signatures of unique and potentially unstudied stellar yields, in addition to stars with origins in accreted dwarf galaxies and the ancient progenitors of the proto-Milky Way. The success of these relatively small studies heralds the great contributions to Galactic archaeology expected from the next generation of large multi-object spectroscopic surveys. Contained within are two other projects that introduce data products related to Gemini Observatory instruments. A version of the convolutional neural network StarNet, tuned to medium-resolution R~6000 H-band spectra is presented. This model was trained on synthetic stellar spectra containing a range of data augmentation steps to more accurately reflect the observed spectra expected from medium-resolution instruments, like the Gemini-North Near-Infrared Integral Field Spectrometer (NIFS) or GIRMOS. In an era when spectroscopic surveys are capable of collecting spectra for hundreds of thousands of stars, fast and efficient analysis methods are required to maximize scientific impact, and StarNet delivers on these expectations over a range of spectral resolutions. Finally, a python package called Nifty4Gemini, and its associated Pyraf/Python based pipeline for processing NIFS observations is included. Nifty4Gemini reduces NIFS raw data and produces a flux and wavelength calibrated science cube with the full signal-to-noise, ready for science analysis. / Graduate

L'étalonnage photométrique des imageurs grand champ est à ce jour la principale limitation pour plusieurs mesures de cosmologie, parmi lesquelles celle des paramètres cosmologiques à l'aide des supernovae de type Ia. Afin d'obtenir l'exactitude de l'ordre de 0.1% nécessaire pour les relevés futurs, les collaborations actives dans ce domaine explorent la possibilité de nouvelles techniques de calibration à l'aide d'instruments dédié comme alternative à celle traditionnelle à l'aide d'étoiles standard spectrophotométriques. Le groupe du LPNHE a conçu SNDice, un système d'illumination innovant et très stable qui a été installé dans la dôme du télescope Canada-France-Hawaii pour calibrer l'imageur MegaCam et en suivre les performances. Le but est de démontrer la faisabilité d'une calibration instrumentale absolue exacte à 0.1% ou mieux. Dans la première partie de la thèse, un bref aperçu du modèle standard de la cosmologie et des principales sondes étudiées pour en contraindre les paramètres est suivi par la description de MegaCam et SNDice. La seconde partie s'attache à présenter la construction d'un modèle optique de MegaCam et d'une modélisation géométrique permettant de connaître les attitudes de MegaCam et SNDice dans le dôme. Ces deux modèles ont été implémentés dans un logiciel traceur de rayons, créé à l'aide des librairies ROOT, de façon à simuler l'éclairement du plan focal. Cette simulation permet de distinguer l'illumination directe des contributions dues aux réflexions issues des surfaces du correcteur grand champ. Enfin, est présentée l'application de ces outils pour la première analyse des poses de calibration SNDice: la détermination de la bande passante rM de MegaCam.

L'étalonnage photométrique des imageurs grand champ est à ce jour la principale limitation pour plusieurs mesures de cosmologie, parmi lesquelles celle des paramètres cosmologiques à l'aide des supernovæ de type Ia. Afin d'obtenir l'exactitude de l'ordre de 0.1% nécessaire pour les relevés futurs, les collaborations actives dans ce domaine explorent la possibilité de nouvelles techniques de calibration à l'aide d'instruments dédiés comme alternative à celle traditionnelle à l'aide d'étoiles standard spectrophotométriques. Le groupe du LPNHE a conçu SnDICE, un système d'illumination innovant et très stable qui a été installé dans la dôme du télescope Canada-France-Hawaii pour calibrer l'imageur MegaCam et en suivre les performances. Le but est de démontrer la faisabilité d'une calibration instrumentale absolue exacte à 0.1% ou mieux. Dans la première partie de la thèse, un bref aperçu du modèle standard de la cosmologie et des principales sondes étudiées pour en contraindre les paramètres est suivi par la description de MegaCam et SnDICE. La seconde partie s'attache à présenter la construction d'un modèle optique de MegaCam et d'une modélisation géométrique permettant de connaître les attitudes de MegaCam et SnDICE dans le dôme. Ces deux modèles ont été implémentés dans un logiciel traceur de rayons, créé à l'aide des librairies ROOT, de façon à simuler l'éclairement du plan focal. Cette simulation permet de distin- guer l'illumination directe des contributions dues aux réflexions issues des surfaces du correcteur grand champ. Enfin, est présentée l'application de ces outils pour la première analyse des poses de calibration SnDICE : la détermination de la bande passante rM de MegaCam.