Tfaw: noise filtering through the use of the wavelet transform in astronomy photometric data
Ser Badia, Daniel del · 2018
El descubrimiento del exoplaneta gigante 51 Pegasi b (detectado por Mayor y Queloz en 1995), mediante el metodo de las velocidades radiales, promovio el desarrollo de una nueva tecnica de deteccion. Esta tecnica, conocida como el metodo del transito, detecta exoplanetas midiendo el pequeno oscurecimiento del flujo estelar cuando el planeta pasa entre la estrella y el observador. El metodo del transito es, actualmente, el modo mas eficiente y sensible para detectar planetas extrasolares. Muchas misiones han seguido este modo de observacion, aquellas basadas en tierra, como MEarth, SuperWASP, KELT, HAT-South, TFRM-PSES, NGTS o el Evryscope; asi como aquellas misiones espaciales como COnvection ROtation and planetary Transits (CoRoT), Kepler, TESS y la futura mision PLATO. La precision fotometrica y la exactitud conseguida por una mision es un factor clave en la deteccion y caracterizacion de una senal correspondiente a un transito o a cualquier otro tipo de variabilidad. Las wavelets tienen unas propiedades que las hacen ideales para analizar senales de naturaleza no estacionaria. La forma irregular de las wavelets permite analizar senales con discontinuidades, singularidades o cambios bruscos mientras que su naturaleza compacta permite la localizacion temporal de las caracteristicas de la senal. En este trabajo presentamos el Wavelet-based Trend Filtering Algorithm (TFAW). TFAW es un algoritmo totalmente generico, desarrollado y paralelizado en Python basado en el Trend Filtering Algorithm (TFA) desarrollado por Kovacs, Bakos y Noyes (2005). El algoritmo es util para mejorar el rendimiento en la deteccion, reconstruccion y caracterizacion de senales astrofisicas. TFAW difiere de otros metodos de filtrado de ruido basados en wavelets en que no requiere ningun modelo de ajuste parametrico o cualquier otro metodo computacional. TFAW estima la contribucion de ruido de la senal a partir de su Stationary Wavelet Transform (SWT) y el filtrado se realiza eliminando esta contribucion de la senal. Ademas, TFAW es capaz de hacer el filtrado de la senal sin modificar ninguna de sus caracteristicas intrinsecas a diferencia de otros metodos como los umbrales calibrados de los coeficientes wavelet que pueden dar lugar a distorsiones de la senal o introducir oscilaciones o perturbaciones artificiales alrededor de discontinuidades. En curvas de luz simuladas, TFAW mejora la deteccion de transitos en un factor 2.5 para senales con bajo SNR. TFAW proporciona una mejor representacion y caracterizacion de senales simuladas y reales (provenientes de las misiones TFRM-PSES, Evryscope, CoRoT y Kepler) afectadas por ruido. Asi mismo, proporciona mejores probabilidades a posteriori y una disminucion del bias y las incertidumbres de los parametros ajustados mediante MCMC.