Date : 2015
Editeur / Publisher : [Lieu de publication inconnu] : [éditeur inconnu] , 2015
Type : Livre / Book
Type : Thèse / ThesisLangue / Language : français / French
Résumé / Abstract : Je présente des améliorations sur la détection d'événements transitoires et la classification des supernovae(SNe) dans l'analyse différé de SNLS. La détection des événements transitoires peut fournir de nombreuses fausses détections, tandis que la classification photométrique des SNe la est généralement contaminé par d'autres types de supernovae. Réduire le nombre de fausses détections et les SNe mal classés tout en maintenant l'échantillon du type la sont des questions importantes pour les investigations présentes et futures. Afin de réduire les artefacts qui fournissent des fausses détections, j'ai développé un traitement pour réduire le nombre d'événements qui ne se ressemblent a SNe en utilisant Morphological Component Analysis. Cette technique exploite la diversité morphologique des objets à détecter pour extraire le signal d'intérêt. Lors d'un essai sur le données SNLS3 cette procédure diminue le nombre de détections par un facteur de 2, tout en ne perdant -10 % d'événements qui se ressemblent au SNe. Etudes des MC montrent une bon efficacité, tandis que ta résolution de coordonnées est légèrement améliorée. L'analyse différé utilise uniquement des informations photométriques pour classer les Me. Je présente ici une nouvelle classification en utilisant redshifts photométriques de SNe optimisées par une stratégie de classification avec machine learning. Cet algorithme fournit des redshifts pour tous les événements avec une meilleure précision moyenne et inférieure erreurs catastrophiques que l'analyse avec photométrique redshifts de la galaxie hôte. Cette nouvelle classification fournit un échantillon des SNe la avec une contamination de <10% selon les études de MC.
Résumé / Abstract : I present improvements on the detection of transient avents and the classification of supernovae (SNe) using supernova photometric redshifts in the SNLS deferred analysis, Detectron of transitent .vents can provide numerous fasse détections, while the photometric classification of type la SNe la usually contaminated by other types of SNe, Reducing the number of false détections and the misclassifled while maintaining the type la SN semple are important Issues for both présent and future surveys, In order to reduee the artlfacta that provide false detections, I developed a eubtracted image etack treatment to reduce the number of non SN-like avents using morphological component analysis, This technique exploits the morphological diversity of objects to be detected to extract the signal of interest MC generated images were used to study detection efficiency and coordinate resolution, When tested on SNLS3 data this procedure decreases the number of détections by a factor of 2, while losing only 10% of SN-like avents, almost ail feint unes, IVIC resulte show that SNIa good detection efficlency, while the coordinate resolution is slightly improved,The deferred pipeline uses only photometric informatIon to classify SNe, I present hors a new classification using photometric SN redshifts optimized by a machine learning classification strategy. This algorithm provides redshifts for ail evente with a better average precislon and lower catastrophe errors than the host galaxy photometric redshift catalogue used in the SNLS3 analysis. This new photometric SNaredshift classification provides a type la SN sa le with a contamination of less than 10% according to Monte-Carlo studies.