ALMA干涉管道启发式方法
摘要：ALMA干涉数据处理流程中采用的校准和成像启发式策略，截至ALMA 9循环。该流程软件框架采用Python编写，每个数据减少阶段都建立在由Common Astronomy Software Applications提供的任务和工具函数之上。该框架支持各种天文台操作任务，包括科学数据质量保证、观测模式调试和用户重新处理。它支持ALMA和VLA干涉数据，同时也支持ALMA和NRO45m单天线数据，通过不同的阶段和启发式算法。除了生成校准表、校准测量集和清除图像外，该流程还创建了一个WebLog，这是验证台站数据质量保证的主要接口，也是用户查看数据内容的主要接口。自2014年ALMA运营采用该流程以来，启发式算法已经通过每个ALMA观测周期的年度开发周期进行了改进，最终在每个观测周期开始时发布了一个新的流程版本。最初的开发集中在基本的校准和标记启发式算法（2-3循环），然后是成像启发式算法（4-5循环），标记和成像启发式算法的改进和并行处理（6-7循环），增加了动量差异分析以改进连续通道识别（2020版本），增加了谱重整阶段（8循环）和改进了低信噪比校准启发式算法（9循环）。在最近的两个循环中，97%的ALMA数据集都采用了该流程进行校准和成像，确保了长期的自动重现性。最后，我们简要介绍了未来的计划，包括自我校准、多配置成像以及全极化数据的校准和成像。
作者：Todd R. Hunter, Remy Indebetouw, Crystal L. Brogan, Kristin Berry, Chin-Shin Chang, Harold Francke, Vincent C. Geers, Laura G''omez, John E. Hibbard, Elizabeth M. Humphreys, Brian R. Kent, Amanda A. Kepley, Devaky Kunneriath, Andrew Lipnicky, Ryan A. Loomis, Brian S. Mason, Joseph S. Masters, Luke T. Maud, Dirk Muders, Jose Sabater, Kanako Sugimoto, L''aszl''o SzH{u}cs, Eugene Vasiliev, Liza Videla, Eric Villard, Stewart J. Williams, Rui Xue, and Ilsang Yoon
论文ID：2306.07420
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-08-02