[论文解读] The unpopular Package: a Data-driven Approach to De-trend TESS Full Frame Image Light Curves

Soichiro Hattori, Daniel Foreman-Mackey+6 more|arXiv (Cornell University)|Jun 29, 2021

Stellar, planetary, and galactic studies参考文献 5被引用 4

一句话总结

本文介绍了 *unpopular*，一个开源的 Python 软件包，通过数据驱动的线性回归和岭回归方法对 TESS 全帧图像（FFI）光曲线进行去趋势处理，以消除散射光（来自地球和月球）以及航天器抖动等系统性效应。该方法可生成与现有成熟处理流程相当的高保真光曲线，已在系外行星、超新星和快速旋转恒星等多种天体源中得到验证。

ABSTRACT

The majority of observed pixels on the Transiting Exoplanet Survey Satellite (TESS) are delivered in the form of full frame images (FFI). However, the FFIs contain systematic effects such as pointing jitter and scattered light from the Earth and Moon that must be removed before downstream analysis. We present unpopular, an open-source Python package to de-trend TESS FFI light curves based on the causal pixel model method. Under the assumption that shared flux variations across multiple distant pixels are likely to be systematics, unpopular removes these common (i.e., popular) trends by modeling the systematics in a given pixel's light curve as a linear combination of light curves from many other distant pixels. To prevent overfitting we employ ridge regression and a train-and-test framework where the data points being de-trended are separated from those used to obtain the model coefficients. We also allow for simultaneous fitting with a polynomial model to capture any long-term astrophysical trends. We validate our method by de-trending different sources (e.g., supernova, tidal disruption event, exoplanet-hosting star, fast rotating star) and comparing our light curves to those obtained by other pipelines when appropriate. We also show that unpopular is able to preserve sector-length astrophysical signals, allowing for the extraction of multi-sector light curves from the FFI data. The unpopular source code and tutorials are freely available online.

研究动机与目标

• 开发一种稳健、开源的工具，用于去除 TESS 全帧图像（FFI）光曲线中的系统性噪声。
• 解决 TESS FFI 数据中的系统性效应，包括来自地球和月球的散射光以及航天器指向抖动。
• 为现有去趋势方法提供一种数据驱动的替代方案，尤其适用于 FFI 数据中非预选源的处理。
• 在多种天体物理源上验证该方法，确保其可靠性不仅限于系外行星探测。

提出的方法

• 该方法利用线性回归，基于像素通量变化和航天器指向数据，对 FFI 光曲线中的系统性趋势进行建模。
• 采用岭回归对解进行正则化，以减少在噪声较大或数据稀疏情况下的过拟合。
• 该方法基于自归一化平场校准原理，假设系统性通量变化与源在探测器上的位置相关。
• 该软件包处理以目标源为中心的 FFI 截取区域，提取光曲线，并通过在系统性矢量上进行回归实现去趋势处理。
• 其采用数据驱动框架，无需预先了解源的类型，从而具备广泛适用性。
• 实现基于标准科学计算 Python 库（如 NumPy、Scikit-learn），并与现有的 TESS 数据处理工具无缝集成。

实验结果

研究问题

• RQ1 无需依赖预选源信息，基于数据驱动的回归方法是否能有效对 TESS FFI 光曲线进行去趋势处理？
• RQ2 该方法在去除系统性效应方面的性能与 eleanor 和 lightkurve 等成熟处理流程相比如何？
• RQ3 在去趋势过程中，该方法在多大程度上能够保留如凌星、耀斑或超新星光曲线等天体物理信号？
• RQ4 在噪声较大或数据稀疏的 FFI 数据中，岭正则化在多大程度上提升了方法的鲁棒性？
• RQ5 该方法是否能统一应用于多种源类型，包括系外行星宿主星、快速旋转恒星和暂现源事件？

主要发现

• *unpopular* 软件包成功去除了 TESS FFI 光曲线中的散射光和指向抖动，显著降低了系统性噪声。
• 在相同目标上应用时，*unpopular* 处理后的去趋势光曲线与 eleanor 和 lightkurve 等成熟流程的结果高度一致。
• 该方法能够保留天体物理信号（如凌星和耀斑），对光曲线形态的失真极小。
• 岭回归显著提升了稳定性并减少了过拟合，尤其在信噪比较低或系统性效应较强的区域表现更优。
• 在多种源上的验证（包括一颗 Ia 型超新星（ASASSN-18tb）、一次潮汐撕裂事件和一颗快速旋转恒星）证明了该方法的广泛适用性和可靠性。
• 该软件包为开源，附带教程，使天文界更广泛群体能够实现可重复且易于访问的去趋势处理。