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.
| Identifer | oai:union.ndltd.org:theses.fr/2019AIXM0144 |
| Date | 23 May 2019 |
| Creators | Reyes Gomez, Juan Pablo |
| Contributors | Aix-Marseille, Universidad de los Andes (Mérida, Venezuela). Facultad de Ciencias, Fouchez, Dominique, Hernandez-Hoyos, Marcela |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | English |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0023 seconds