Identifiering av nya stjärnors ursprung En bildanalystudie av data från Spitzerteleskopet

Abstract

Denna kandidatuppsats behandlar ett av de mest grundläggande problemen inom astrofysik, hur stjärnor bildas. Förståelsen av stjärnbildning är avgörande för att få insikter i större frågor, så som hur galaxer och stjärnsystem bildas. Stjärnbild ningen sker när molekylära moln kollapsar. Projektets syfte är att analysera data över utstrålat infrarött ljus taget från Spitzerteleskopet för att hitta dessa moln. Datan är omfattande och skulle vara alldeles för tidskrävande att identifiera manu ellt. För att lösa detta problem har kod skrivits för att automatisera identifieringen av molekylära moln, genom att använda bildanalysmetoder som Fourierfiltrering, oskarp maskering och waveletfiltrering. Utöver detta har en maskininlärningsmodell använts för att hitta de infrarött mörka molnen. De olika bildanalysmetoderna har jämförts med varandra för att se vilken som ger bäst resultat. Maskininlärnings metoden utvärderades som att ha bäst prestanda. Kataloger av detekterade moln skapades för varje metod. Katalogen med medianmetoden hittade 25 786 moln, Fou riermetoden hittade 20 036 moln och katalogen med maskinlärningsmetoden hittade 13 505 moln. Maskinlärningsmodellen har högst uppskattad träffsäkerhet där 78,8 % av de detekterade områdena var moln. Detta jämförs med 59,7 % för medianmeto den och 56,5 % för Fouriermetoden. Dessa träffsäkerheter uppmättes från mindre, manuellt annoterade områden och används som uppskattningar av prestandan på hela datamängden. Keywords: image analysis, spitzer, interstellar medium, IRDC, CNN, YOLO, machi ne learning, Fourier background removal, milky way, GLIMPSE