Introduction and application of a new blind source separation method for extended sources in X-ray astronomy
Introduction et application d'une nouvelle méthode de séparation de source à des sources étendues observées en rayons X
Résumé
Some extended sources, among which we find the supernovae remnants, present an outstanding diversity of morphologies that the current generation of spectro-imaging telescopes can detect with an unprecedented level of details. However, the data analysis tools currently in use in the high energy astrophysics community fail to take full advantage of these data : most of them only focus on the spectral information without using the many spatial specificities or the correlation between the spectral and spatial dimensions. For that reason, the physical parameters that are retrieved are often widely contaminated by other components. In this thesis, we will explore a new blind source separation method exploiting fully both spatial and spectral information with X-ray data, and their correlations. We will begin with an exposition of the mathematical concepts on which the algorithm rely, and particularly on the wavelet transforms. Then, we will benchmark its performances on supernovae remnants models, and we will investigate the vast question of the error bars on non-linear estimators, still largely unanswered yet essential for data analysis and machine learning methods. Finally, we will apply our method to the study of three physical problems : the asymmetries in the heavy elements distribution in the supernova remnant Cassiopeia A, the filamentary structures in the synchrotron of the same remnant and the X-ray counterpart to optical filamentary structures in the Perseus galaxy cluster.
Certaines sources étendues, telles que les vestiges de supernovae, présentent en rayons X une remarquable diversité de morphologie que les téléscopes de spectro-imagerie actuels parviennent à détecter avec un exceptionnel niveau de précision. Cependant, les outils d’analyse actuellement utilisés dans l’étude des phénomènes astrophysiques à haute énergie peinent à exploiter pleinement le potentiel de ces données : les méthodes d’analyse standard se concentrent sur l’information spectrale sans exploiter la multiplicité des morphologies ni les corrélations existant entre les dimensions spatiales et spectrales ; pour cette raison, leurs capacités sont souvent limitées, et les mesures de paramètres physiques peuvent être largement contaminées par d’autres composantes.Dans cette thèse, nous explorerons une nouvelle méthode de séparation de source exploitant pleinement les informations spatiales et spectrales contenues dans les données X, et leur corrélation. Nous commencerons par présenter son fonctionnement et les principes mathématiques sur lesquels il repose, puis nous étudierons ses performances sur des modèles de vestiges de supernovae. Nous nous pencherons ensuite sur la vaste question de la quantification des erreurs, domaine encore largement inexploré dans le milieu bouillonnant de l’analyse de données. Enfin, nous appliquerons notre méthode à l’étude de trois problèmes physiques : les asymétries dans la distribution des éléments lourds du vestige Cassiopeia A, les structures filamentaires dans l’émission synchrotron du même vestige, et la contrepartie X des structures filamentaires visibles en optique dans l’amas de galaxies Perseus.
Origine : Version validée par le jury (STAR)