[论文解读] SpectRes: A Fast Spectral Resampling Tool in Python

Adam C. Carnall|arXiv (Cornell University)|May 15, 2017

Spectroscopy and Chemometric Analyses被引用 86

一句话总结

SpectRes 是一个 Python 函数，将光谱通量密度（及不确定性）重新采样到任意波长网格，同时在保持总积分通量的前提下实现快速性能和协方差处理。

ABSTRACT

I present a fast Python tool, SpectRes, for carrying out the resampling of spectral flux densities and their associated uncertainties onto different wavelength grids. The function works with any grid of wavelength values, including non-uniform sampling, and preserves the integrated flux. This may be of use for binning data to increase the signal to noise ratio, obtaining synthetic photometry, or resampling model spectra to match the sampling of observed data for spectral energy distribution fitting. The function can be downloaded from https://www.github.com/ACCarnall/SpectRes.

研究动机与目标

• 需要在任意波长网格上实现快速、准确的光谱重新采样以提升效率的动机。
• 提供在带有相关不确定性的光谱重新采样过程中保持总通量的方法。
• 实现快速应用，如分箱以提高信噪比、合成光度以及将模型光谱与观测数据匹配以进行 SED 拟合的快速应用。

提出的方法

• 计算矩阵 P_ij，表示原始区间 i 落在新区间 j 下的分数。
• 估计新的通量 f_lambda_j 作为加权和 f_lambda_j = sum_i c_ij f_lambda_i，其中 c_ij = P_ij w_i / sum_i P_ij w_i。
• 传播不确定性以得到 sigma_j^2 = sum_i c_ij^2 sigma_i^2（假设独立）。
• 用 Y_j = sum_i c_ij X_i 构建新区间之间的协方差矩阵，Cov(Y_j, Y_b) = sum_i c_ij c_ib sigma_i^2，突出区间协方差。
• 注：SpectRes 提供了用于加速的优化实现，并且在提供时也可以返回 resampledErrs。
• 代码和数值示例在大型模型光谱（如 Bruzual & Charlot 2003 model suite）上的速度提升显著，并具备如快速光度红移计算等实际应用。

实验结果

研究问题

• RQ1 如何在保持总通量守恒的前提下，将光谱数据重新采样到任意波长网格？
• RQ2 在光谱重新采样过程中，如何传播不确定性并处理重新采样区间之间的协方差？
• RQ3 SpectRes 在大型光谱数据集上的速度表现如何，实际应用场景有哪些（如光度红移、SED 拟合）？

主要发现

• 对一个大型 Bruzual & Charlot 模型网格（221 个模型 × 6917 个点）重新采样到统一的 5 Å 网格大约需要 ~40 ms。
• 将单个模型重新采样到统一的 20 Å 网格以用于光度拟合大约需要 ~10 ms。
• 该方法保持了积分通量，并为每个重新采样的区间提供不确定性传播。
• 导出协方差矩阵以量化由于共享原始数据而导致的重新采样光通量之间的相关性。
• SpectRes 可在 GitHub 上下载使用。