In-flight star calibration and simulation methodology for the Metis coronagraph on board solar orbiter
Notice bibliographique
Résumé
Stellar in-flight calibration plays a pivotal role in improving the reliability of scientific data acquired by space optical instruments. Changes in sensitivity and performance of the image quality, caused by factors such as optical component degradation or misalignment, can be discovered and tracked by employing in-flight star images and comparing them with on-ground measurements. In this work, we introduce two simulation processes useful for this purpose and apply them to the Metis coronagraph aboard the ESA/NASA Solar Orbiter spacecraft. The first simulation process is a methodology for predicting star visibility in the Field of View (FoV) of the instrument. The second one improves the former code, integrating characteristics on the source, such as star magnitude, and the instrumental features, including reflectivity/transmission of the optical elements, and detector characteristics, e.g. bias, dark current,... The ultimate aim of the simulation is to generate an estimation of the intensity, in Digital Numbers, expected for each pixel of the detector, thus offering valuable insights into the instrument’s response to varying input flux conditions. This innovative approach will provide a comprehensive tool to anticipate and understand the coronagraph’s behavior in response to different celestial scenarios (e.g. from minimum to solar maximum conditions), contributing to more effective in-flight calibrations. Indeed, Metis operates in proximity to the Sun, in a challenging environment marked by high temperatures and significant temperature variations. Although the current results are preliminary, further work is needed to refine and fully understand the simulation outcomes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».