Resumen de Tfaw: noise filtering through the use of the wavelet transform in astronomy photometric data
El descubrimiento del exoplaneta gigante 51 Pegasi b (detectado por Mayor y Queloz en 1995), mediante el método de las velocidades radiales, promovió el desarrollo de una nueva técnica de detección. Esta técnica, conocida como el método del tránsito, detecta exoplanetas midiendo el pequeño oscurecimiento del flujo estelar cuando el planeta pasa entre la estrella y el observador. El método del tránsito es, actualmente, el modo más eficiente y sensible para detectar planetas extrasolares. Muchas misiones han seguido este modo de observación, aquellas basadas en tierra, como MEarth, SuperWASP, KELT, HAT-South, TFRM-PSES, NGTS o el Evryscope; así como aquellas misiones espaciales como COnvection ROtation and planetary Transits (CoRoT), Kepler, TESS y la futura misión PLATO.
La precisión fotométrica y la exactitud conseguida por una misión es un factor clave en la detección y caracterización de una señal correspondiente a un tránsito o a cualquier otro tipo de variabilidad.
Las wavelets tienen unas propiedades que las hacen ideales para analizar señales de naturaleza no estacionaria. La forma irregular de las wavelets permite analizar señales con discontinuidades, singularidades o cambios bruscos mientras que su naturaleza compacta permite la localización temporal de las características de la señal.
En este trabajo presentamos el Wavelet-based Trend Filtering Algorithm (TFAW). TFAW es un algoritmo totalmente genérico, desarrollado y paralelizado en Python basado en el Trend Filtering Algorithm (TFA) desarrollado por Kovács, Bakos y Noyes (2005). El algoritmo es útil para mejorar el rendimiento en la detección, reconstrucción y caracterización de señales astrofísicas. TFAW difiere de otros métodos de filtrado de ruido basados en wavelets en que no requiere ningún modelo de ajuste paramétrico o cualquier otro método computacional. TFAW estima la contribución de ruido de la señal a partir de su Stationary Wavelet Transform (SWT) y el filtrado se realiza eliminando esta contribución de la señal. Además, TFAW es capaz de hacer el filtrado de la señal sin modificar ninguna de sus características intrínsecas a diferencia de otros métodos como los umbrales calibrados de los coeficientes wavelet que pueden dar lugar a distorsiones de la señal o introducir oscilaciones o perturbaciones artificiales alrededor de discontinuidades. En curvas de luz simuladas, TFAW mejora la detección de tránsitos en un factor 2.5 para señales con bajo SNR. TFAW proporciona una mejor representación y caracterización de señales simuladas y reales (provenientes de las misiones TFRM-PSES, Evryscope, CoRoT y Kepler) afectadas por ruido. Así mismo, proporciona mejores probabilidades a posteriori y una disminución del bias y las incertidumbres de los parámetros ajustados mediante MCMC.
