[論文レビュー] The QuickReduce data reduction pipeline for the WIYN One Degree Imager

Ralf Kotulla|arXiv (Cornell University)|Oct 18, 2013

Astronomy and Astrophysical Research被引用数 3

ひとこと要約

QuickReduceパイプラインは、WIYN One Degree Imager (ODI) のための高速で Python で構築されたデータ還元システムであり、並列処理とマルチコア処理により観測中のリアルタイムでの品質評価を可能にする。全キャリブレーションを実行する — 交差チャージ補正、フレア除去、2MASS を用いた位置決め解法、および光度ゼロポイントキャリブレーションを含む — 200 Mpixel フレームあたりの還元時間は1分未満に達し、望遠鏡オペレータインターフェースおよび ODI ポータルに統合されており、生データのダウンロードなしにクラウドベースで即時処理が可能である。

ABSTRACT

Optimizing one's observing strategy while at the telescope relies on knowing the current observing conditions and the obtained data quality. In particular the latter is not straight forward with current wide-field imagers, such as the WIYN One Degree Imager (ODI), currently consisting of 13 detectors, each of them read out in 64 independent cells. Here we present a fast data reduction software for ODI, optimized for a first data inspection during acquisition at the the telescope, but capable enough for science-quality data reductions. The pipeline is coded in pure python with minimal additional requirements. It is installed on the ODI observer's interface and publicly available from the author's webpage. It performs all basic reduction steps as well as more advanced corrections for pupil-ghost removal, fringe correction and masking of persistent pixels. Additional capabilities include adding an accurate astrometric WCS solution based on the 2MASS reference system as well as photometric zeropoint calibration for frames covered by the SDSS foot-print. The pipeline makes use of multiple CPU-cores wherever possible, resulting in an execution time of only a few seconds per frame. As such this QuickReduce pipeline offers the ODI observer a convenient way to closely monitor data quality, a necessity to optimize the observing strategy during the night.

研究の動機と目的

• WIYN望遠鏡における ODI 観測中のリアルタイムでのデータ品質監視を提供すること。
• 最小限の計算リソースおよびソフトウェア依存性で、迅速かつ科学的品質の高いデータ還元を可能にすること。
• 数秒以内にキャリブレート済みで、位置決めおよび光度補正済みのフレームを提供することで、効率的な観測戦略を支援すること。
• ODI ポータル、パイプライン、アーカイブ (PPA) を通じたクラウドベース処理により、ローカルでのデータダウンロードの必要性を排除すること。
• 公開可能で IRAF を不要とする、Pythonネイティブのパイプラインとして、広視野イメージャのデータ還元を実現すること。

提案手法

• パイプラインは13台のOTAごとに並列処理を実行し、各OTAの64セルを1つの4K×4K画像に統合する。
• 連続したノイズ除去処理を実施：交差チャージ補正、オーバースキャン減算、バイアスおよびダーク減算、非線形性補正、フラットフィールド補正。
• 飽和および持続的ピクセルは、現在および過去のフレームからのカタログを用いてマスクし、電荷のズレや尾跡を補正する。
• フレア補正には静的マップと、Snodgrass & Carry (2013) の手法から導かれた時間変動係数を用いる。
• 位置決めキャリブレーションは、ODI の源カタログを 2MASS にマッチングさせ、rms < 0.2 アーキセコンドを達成する。光度キャリブレーションには SDSS のクロス識別を用いる。
• ピupil-ghost の除去は、ロータリーアングル依存のテンプレート生成により実現され、検出器およびセル間のギャップを解消する。

実験結果

リサーチクエスチョン

• RQ1 200 Mpixel フレームを1秒未満で還元するには、13台の独立した検出器からなるマルチデバイス広視野イメージャのリアルタイムデータ品質評価をどのように実現できるか？
• RQ2 13台の独立した検出器からなる200 Mpixel フレームを、数秒以内に最適にキャリブレーションおよび還元するにはどのようなアプローチが適しているか？
• RQ3 最小限の依存関係を有する純粋な Python パイプラインは、従来の IRAF ベースのパイプラインに比べ、速度と使いやすさで優れていると言えるか？
• RQ4 大容量マルチチップ機器に対して、位置決めおよび光度解を安定して得るにはどのような手法が有効か？
• RQ5 地上望遠鏡の分野において、クラウドベース処理は、ローカルでのデータダウンロードの必要性をどの程度まで排除できるか？

主な発見

• QuickReduce は、高速 I/O を備えた6コアマシン上で、200 Mpixel の ODI フレームを20〜60秒で還元する。処理ステップに応じて所要時間が変動する。
• パイプラインは、ODI の源カタログを 2MASS 参照システムにマッチングさせることで、0.2 アーキセコンド未満の rms で位置決め精度を達成する。
• SDSS のスターリストとのクロス識別を用いることで、SDSS のフィールド内に位置するフレームに対して光度ゼロポイントキャリブレーションが可能になる。
• フレア補正は効果的かつ適応的であり、信頼性の高い手法（Snodgrass & Carry 2013）から導かれた時間変動係数を用いる。
• パイプラインは ODI ポータルに正常に統合され、生データをダウンロードせずにクラウドベースで即時還元が可能になった。
• コードは公開されており、IRAF を必要とせず、標準的な Python 科学パッケージと multiprocessing を用いた並列処理に依存する。