AIROPA IV: Validating point spread function reconstruction on various science cases
Notice bibliographique
Résumé
We present an analysis of six independent on-sky datasets taken with the Keck-II/NIRC2 instrument. Using the off-axis point spread function (PSF) reconstruction software AIROPA, we extract stellar astrometry, photometry, and other fitting metrics to characterize the performance of this package. We test the effectiveness of AIROPA to reconstruct the PSF across the field of view in varying atmospheric conditions, number and location of PSF reference stars, stellar crowding, and telescope position angle (PA). We compare the astrometric precision and fitting residuals between a static PSF model and a spatially varying PSF model that incorporates instrumental aberrations and atmospheric turbulence during exposures. Most of the fitting residuals we measure show little to no improvement in the variable-PSF mode over the single-PSF mode. For one of the data sets, we find photometric performance is significantly improved (by ∼10 × ) by measuring the trend seen in photometry as a function of off-axis location. For nearly all other metrics we find comparable astrometric and photometric precision across both PSF modes, with a ∼13 % smaller astrometric uncertainty in variable-PSF mode in the best case. We largely confirm that the spatially variable PSF does not significantly improve the astrometric and other PSF fitting residuals over the static PSF for on-sky observations. We attribute this to unaccounted instrumental aberrations that are not characterized through afternoon adaptive optics (AO) bench calibrations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».