Corso di Radioastronomia 1
Quinta parte: interferometria
Aniello (Daniele) Mennella
Dipartimento di Fisica
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Parte 5, Lezione 2
Interferometria a sintesi di apertura
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Il principio di ricostruzione dell’immagine
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Ricostruire l’immagine di una sorgente dalla funzione visibilità
(1)
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Procedura per ricostruire un’immagine estesa
La sorgente viene osservata con un grande numero di configurazioni dell’interferometro in modo da coprire il piano (u,v) in modo uniforme
Per ogni configurazione l’osservazione viene ripetuta a tempi diversi in modo da sfruttare la rotazione terrestre per aumentare ulteriormente il numero delle baseline
L’insieme delle visibilità viene calibrato mediante l’osservazione di opportune sorgenti di calibrazione per correggere effetti strumentali e variazioni nel segnale atmosferico
Le visibilità vengono trasformate per ottenere l’immagine celeste. Poiché il piano (u,v) non potrà contenere un numero infinito di baseline misurate l’immagine sarà soggetta ad artefatti che possono essere ridotti, in una certa misura, da procedure di “pulizia” dei dati
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
La calibrazione delle visibilità
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Calibrazione delle visibilità
(2)
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Calibrazione delle visibilità – condizioni sulle fasi
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Calibrazione delle visibilità – condizioni sulle fasi
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Calibrazione delle visibilità – condizioni sulle ampiezze
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
La copertura del piano uv
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Come campionare le visibilità per ricostruire l’immagine
Ricordiamo che la ricostruzione della mappa di brillanza richiede il calcolo di una trasformata di Fourier
Gli algoritmi di Fast Fourier Transform (FFT) che vengono utilizzati nel calcolo discreto richiedono che i dati siano campionati in una griglia regolare costituita da un numero di punti che sia una potenza di due
In un interferometro la copertura del piano (u,v) viene effettuata sfruttando due gradi di libertà: la rotazione terrestre e la disposizione delle antenne sul terreno. In generale nessuno di questi gradi di libertà è in grado di generare griglie regolari.
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Il campionamento dato da un interferometro a due antenne
Un interferometro a due antenne può coprire il piano (u,v) con più di una baseline sfruttando la rotazione terrestre
In questo caso la traccia delle coordinate dei vettori bλ è un’ellisse
Lx, Ly e Lz sono le coordinate del centro dell’ellisse rispetto a un riferimento arbitrario e δ0 è l’angolo di declinazione
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempio di campionamento 2D – SMA (Maunakea, Hawaii)
Il Submillimeter Array (SMA) è un radio interferometro di 8 elementi situato sul monte Maunakea nelle Hawaii. Lavora a frequenze fra 180 GHz e 418 GHz. È costituito da specchi di 6 m che possono essere disposti in configurazioni con baseline di lunghezza variabile fino a 509 m. La risoluzione finale è inferiore all’arcosecondo.
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Configurazione “very extended” - δ0 = 22°, f = 345 GHz
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Configurazione “extended” - δ0 = 22°, f = 345 GHz
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Configurazione “compact” - δ0 = 22°, f = 345 GHz
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Copertura completa - δ0 = 22°, f = 345 GHz
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Dirty beam e dirty image
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Il “dirty beam” e la “dirty map”
La trasformata di Fourier della distribuzione delle baseline nel piano (u,v) (funzione di campionamento) è una funzione definita nello spazio reale definita “dirty beam”, in quanto è la funzione con cui viene convoluta la brillanza
Se definiamo S(u,v) la distribuzione delle baseline nel piano (u,v) e disponiamo di N baseline localizzate nei punti (uk, vk), la funzione S(u,v) è definita come:
La distribuzione della brillanza misurata (detta anche “dirty map”) è la trasformata di Fourier della funzione visibilità per la funzione di campionamento:
Brillanza “vera” Dirty beam
Prodotto di convoluzione
Dirty map
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Il “dirty beam” e la “dirty map”
Vediamo il percorso logico che porta alla definizione della “dirty map”, che è la mappa che otteniamo antitrasformando le visibilità misurate
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Il “dirty beam” e la “dirty map”
Vediamo il percorso logico che porta alla definizione della “dirty map”, che è la mappa che otteniamo antitrasformando le visibilità misuratePartiamo dalla mappa del campionamento, costituita dalle coordinate delle varie baseline
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Il “dirty beam” e la “dirty map”
La trasformata di Fourier della mappa di campionamento rappresenta il fascio di antenna dell’interferometro, il cosiddetto “dirty beam”. Il dirty beam è il fascio con cui viene convoluta la distribuzione di brillanza, ovvero la mappa “vera” del cielo
Trasf. Fourier
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Il “dirty beam” e la “dirty map”
Dirty beam
Mappa vera
Dirty mapConvoluzione
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Il “dirty beam” e la “dirty map”
Dirty beam
Mappa vera
Dirty mapConvoluzione
La dirty map è anche la trasformata di Fourier del prodotto fra la funzione visibilità (antitrasformata della mappa vera) e la funzione di campionamento (antitrasformata del dirty beam)
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – due antenne, un campione
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – due antenne, un campione
Funzione di campionamento Dirty beam
Ogni punto rappresenta le coordinate (u,v) di ciascuna baseline
Per un sistema di due antenne ci sono due punti perché ogni baseline può essere caratterizzata da due coppie di coordinate a seconda del verso del vettore
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – tre antenne, un campione
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – quattro antenne, un campione
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – cinque antenne, un campione
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – sei antenne, un campione
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – sette antenne, un campione
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – sette antenne, 10 minuti
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – sette antenne, 20 minuti
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – sette antenne, 1 ora
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – sette antenne, 3 ore
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Esempi di dirty beam – sette antenne, 8 ore
Funzione di campionamento Dirty beam
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Ricostruzione dell’immagine vera
L’algoritmo CLEAN
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Problemi di regolarizzazione della griglia (u,v)
Per poter applicare gli algoritmi di Fast Fourier Transform (FFT) è necessario che le visibilità siano campionate su una griglia regolare, costituita da un numero di punti pari a una potenza di due
La funzione di campionamento misurata, però, non è mai distribuita in modo regolare, per cui è necessario applicare opportune procedure di interpolazione per ricostruire le visibilità nella griglia regolare
Poiché il campionamento presenta, generalmente, disuniformità, esisteranno comunque delle regioni dove non è possibile ricostruire la funzione visibilità per interpolazione. In questi punti la scelta più semplice che può essere fatta è di porre V = 0.
Questa scelta consente di ricostruire una dirty map che viene denominata soluzione principale.
La soluzione principale, però, è spesso un’approssimazione molto grezza dell’immagine vera a causa di artefatti dovuti all’annullamento delle visibilità nei punti in cui non è possibile la ricostruzione per interpolazione
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
L’algoritmo CLEAN – idea di base
Il metodo CLEAN è stato proposto per la prima volta nel 1974 ed è ancora oggi il metodo maggiormente utilizzato per ricostruire la brillanza dalle misure di visibilità
Si basa sull’assunzione che la dirty map possa essere rappresentata come la sovrapposizione dell’emissione da N sorgenti puntiformi + un fondo di rumore statistico. In forma matematica:
Lo scopo finale è quello di ricostruire le ampiezze Ai e un’approssimazione del dirty beam reale, indicato con PD
Dirty map Ampiezza della sorgente i-esima nella posizione (x
i,y
i)
Dirty beam Residuo
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
L’algoritmo CLEAN – procedura
Inizializzazione: definire una mappa residua uguale alla dirty map, creare una lista di componenti CLEAN inizialmente vuota
1) Identificare il picco di intensità nella mappa residua2) Sottrarre una frazione di questo picco utilizzando una versione del dirty
beam riscalata sull’ampiezza della sorgente3) Aggiungere le coordinate del picco e l’ampiezza alla lista delle componenti
CLEAN4) Tornare al punto 1 e iterare 1 4 fino a che non si raggiunge una certa →
condizione
Step finale: creazione dell’immagine ricostruitaCreare un’immagine con tutte le sorgenti puntiformi presenti nella lista delle componenti CLEANConvolvere le sorgenti puntiformi con un fascio gaussiano ellittico ricavato fittando il picco principale del dirty beamAggiungere la mappa residua ottenuta dopo la rimozione di tutte le componenti CLEAN
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
L’algoritmo CLEAN – esempio
STEP 0 - inizializzazione
Dirty map Componenti CLEAN Mappa residua
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
L’algoritmo CLEAN – esempio
Dopo 30 iterazioni
Dirty map Componenti CLEAN Mappa residua
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
L’algoritmo CLEAN – esempio
Dopo 100 iterazioni
Dirty map Componenti CLEAN Mappa residua
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
L’algoritmo CLEAN – esempio
Dopo 300 iterazioni
Dirty map Componenti CLEAN Mappa residua
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
L’algoritmo CLEAN – esempio
Dopo 583 iterazioni
Dirty map Componenti CLEAN Mappa residua
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
L’algoritmo CLEAN – esempio
Ricostruzione della mappa finale
Componenti CLEAN Mappa ricostruita
Convoluzione con fascio gaussiano e aggiunta mappa residua
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
La sensibilità di un interferometro
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Sensibilità di un interferometro
Aniello Mennella Corso di Radioastronomia I A.A. 2018-2019
Sensibilità di un interferometro