[论文解读] AMIsurvey, chimenea and other tools: Automated imaging for transient surveys with existing radio-observatories

T. D. Staley, G. E. Anderson|arXiv (Cornell University)|May 29, 2015

Radio Astronomy Observations and Technology被引用 1

一句话总结

本文提出 AMIsurvey，一种利用现有射电望远镜进行瞬变射电巡天的端到端自动化数据压缩流水线。它引入了 chimenea 算法，这是一种与望远镜无关的成像算法，通过迭代均方根（RMS）估计和自动源检测来减少 Clean-偏差，同时 drive-ami 和 drive-casa 实现了通过 pexpect 进行终端仿真来控制 CASA 和传统流水线的 Python 接口。

ABSTRACT

In preparing the way for the Square Kilometre Array and its pathfinders, there is a pressing need to begin probing the transient sky in a fully robotic fashion using the current generation of radio telescopes. Effective exploitation of such surveys requires a largely automated data-reduction process. This paper introduces an end-to-end automated reduction pipeline, AMIsurvey, used for calibrating and imaging data from the Arcminute Microkelvin Imager Large Array. AMIsurvey makes use of several component libraries which have been packaged separately for open-source release. The most scientifically significant of these is chimenea, which implements a telescope-agnostic algorithm for automated imaging of pre-calibrated multi-epoch radio-synthesis data, of the sort typically acquired for transient surveys or follow-up. The algorithm aims to improve upon standard imaging pipelines by utilizing iterative RMS-estimation and automated source-detection to avoid so called `Clean-bias', and makes use of CASA subroutines for the underlying image-synthesis operations. At a lower level, AMIsurvey relies upon two libraries, drive-ami and drive-casa, built to allow use of mature radio-astronomy software packages from within Python scripts. While targeted at automated imaging, the drive-casa interface can also be used to automate interaction with any of the CASA subroutines from a generic Python process. Additionally, these packages may be of wider technical interest beyond radio-astronomy, since they demonstrate use of the Python library pexpect to emulate terminal interaction with an external process. This approach allows for rapid development of a Python interface to any legacy or externally-maintained pipeline which accepts command-line input, without requiring alterations to the original code.

研究动机与目标

• 通过当前射电望远镜实现完全机器人化、自动化的成像，用于瞬变天空巡天。
• 通过引入一种与望远镜无关的、迭代的 RMS 估计方法，解决标准成像流水线中的 Clean-偏差问题。
• 开发可重用的开源软件库，以简化与现有射电天文流水线的集成。
• 在不修改其源代码的前提下，实现通过 Python 自动化控制 CASA 和传统命令行工具。
• 展示基于 pexpect 的终端仿真在科学工作流中与外部、传统软件接口的更广泛应用性。

提出的方法

• AMIsurvey 使用开源库构建模块化流水线架构：drive-ami、drive-casa 和 chimenea。
• chimenea 通过迭代 RMS 估计对预校准的多epoch射电综合数据执行自动化成像，以优化噪声模型。
• 该算法应用自动源检测以指导成像并减少偏差，避免对弱源的过度减去。
• 图像合成使用 CASA 子程序完成，确保与既定射电成像标准的兼容性。
• drive-ami 和 drive-casa 使用 pexpect 库模拟与外部进程的终端交互，从而通过 Python 控制 CASA 和其他命令行工具。
• 该方法允许快速开发对任何接受终端输入的命令行流水线的 Python 接口，且无需修改其源代码。

实验结果

研究问题

• RQ1 自动化成像流水线如何减少来自瞬变巡天的多epoch射电综合数据中的 Clean-偏差？
• RQ2 与望远镜无关的成像算法在自动化缩减工作流中，能在多大程度上提升源检测能力和动态范围？
• RQ3 基于 pexpect 的终端仿真能否为将传统射电天文软件集成到现代 Python 流水线中提供一种可靠且可维护的方法？
• RQ4 端到端自动化流水线（如 AMIsurvey）在处理真实瞬变巡天数据时，其性能和鲁棒性如何？
• RQ5 开源、模块化的库（如 drive-casa）在不同科学工作流中，能多大程度上实现对 CASA 子程序的自动化？

主要发现

• chimenea 通过迭代优化噪声估计并利用自动源检测指导成像，成功减少了 Clean-偏差。
• 该流水线在预校准数据上实现了稳健的成像性能，无需针对特定望远镜进行调优。
• drive-casa 实现了对 CASA 子程序的完整程序化控制，便于集成到自动化工作流中。
• 基于 pexpect 的接口模式实现了对传统命令行工具的快速、非侵入式自动化，且无需修改其源代码。
• AMIsurvey 及其组件库的模块化设计支持在不同射电望远镜和巡天类型中的复用。
• 整个流水线为开源且可复用，其组件已分别发布，以促进在射电天文学及其他领域的广泛应用。