Aller au contenu principal

Interprétation physique de la PCA

Cette page présente l'interprétation astrophysique des résultats de l'Analyse en Composantes Principales (PCA) appliquée aux 183 descripteurs spectroscopiques de N = 43 019 spectres LAMOST DR5 × Gaia DR3. Elle documente la signification physique de chaque axe principal, confirmée par croisement avec les paramètres Gaia DR3 indépendants.

Résumé des deux axes principaux​

PC1
Axe Thermique
Temperature effective dominante
16.9%
variance · λ=30,19
+0.831
ρ(Teff)
-0.768
ρ(GBP−GRP)
Top loading absolu
W(Hα)
+0.173
Contribution par famille
Balmer (H) 31.5%
Ca II 22.4%
Fer & métaux 15.3%
Mg / α 10.8%
Lick/SDSS 9.7%
Continuum 10.3%
PC2
Axe Métallicité
Composition chimique + contamination SNR
12%
variance · λ=21,39
-0.548
ρ([Fe/H])
-0.310
ρ(SNR_r)
Top loading absolu
[Fe/H]proxy
+0.205
Contribution par famille
Balmer (H) 8.2%
Ca II 12.1%
Fer & métaux 43.3%
Mg / α 18.4%
Lick/SDSS 11.6%
Continuum 6.4%
⚠️ ρ(SNRr) = −0,310 : PC2 contient une part de variance instrumentale — ce n'est pas un axe de métallicité pur.

Fondements mathématiques de la PCA​

La PCA cherche les directions orthogonales wk∈Rp\mathbf{w}_k \in \mathbb{R}^p qui maximisent successivement la variance projetée des données centrées X∈RN×p\mathbf{X} \in \mathbb{R}^{N \times p}. Ce problème est équivalent à la diagonalisation de la matrice de covariance empirique :

C=1N−1X⊤X∈Rp×p\mathbf{C} = \frac{1}{N-1}\mathbf{X}^\top\mathbf{X} \in \mathbb{R}^{p \times p}

Le théorème spectral garantit C=WΛW⊤\mathbf{C} = \mathbf{W}\mathbf{\Lambda}\mathbf{W}^\top avec λ1≥⋯≥λp≥0\lambda_1 \geq \cdots \geq \lambda_p \geq 0. La projection sur les K premières composantes donne les scores Z=XWK\mathbf{Z} = \mathbf{X}\mathbf{W}_K.

En pratique, la SVD tronquée est préférée : X≈UKΣKWK⊤\mathbf{X} \approx \mathbf{U}_K\mathbf{\Sigma}_K\mathbf{W}_K^\top (algorithme de Lanczos pour N=43019N = 43 019, p=183p = 183). Le théorème d'Eckart-Young garantit que cette troncature est la meilleure approximation de rang K au sens de la norme de Frobenius :

XK=arg⁡min⁡rang(M)≤K∥X−M∥F\mathbf{X}_K = \underset{\text{rang}(M) \leq K}{\arg\min} \|\mathbf{X} - M\|_F

Variance expliquée​

Seuils caractéristiques et erreur de reconstruction​

La variance expliquée cumulée révèle la haute dimensionnalité intrinsèque de l'espace des 183 descripteurs : le spectre des valeurs propres décroît régulièrement, sans coude net — contrairement à ce qu'on observe sur les flux bruts.

Variance individuelle — PC1 à PC20
PC1
PC2
5
10
15
20
PC1 — Axe thermique (16.9%)
PC2 — Axe métallicité (12%)
Seuils de variance cumulée requérant K composantes
V(K) ≥ 80%
K = 51/ 183
28% des composantes utilisées
V(K) ≥ 90%
K = 73/ 183
40% des composantes utilisées
V(K) ≥ 95%
K = 91/ 183
50% des composantes utilisées
V(K) ≥ 99%
K = 100/ 183
55% des composantes utilisées
↪ UMAP et t-SNE utilisent les 91 premières composantes (seuil 95 %) comme entrée.
K = 2
0.696
MSE(K)
30.4% capturée
K = 10
0.494
MSE(K)
50.6% capturée
K = 50
0.196
MSE(K)
80.4% capturée
K = 91 ★
0.050
MSE(K)
95% capturée

Les 2 premières composantes ne capturent que 28,8 % de la variance totale (PC1 : 16,9 %, λ1=30,19\lambda_1 = 30,19 ; PC2 : 12,0 %, λ2=21,39\lambda_2 = 21,39). Il faut 91 composantes pour atteindre 95 %, ce qui indique que la variété des spectres occupe un espace effectif d'au moins une dizaine de dimensions.

Ce constat a une implication pratique importante : UMAP et t-SNE sont appliqués aux 91 premières composantes PCA (seuil 95 %) plutôt qu'aux 183 descripteurs bruts. Cette pré-réduction élimine le bruit des composantes tardives tout en préservant l'essentiel de la structure.

Eigenspectra PCA sur flux bruts​

En complément des descripteurs ingéniérisés, la PCA a également été appliquée directement aux flux bruts de 10 000 spectres LAMOST (3 921 canaux). Les vecteurs propres obtenus — les eigenspectra — sont interprétables comme des spectres de base dans l'espace des flux.

Contraste avec les descripteurs​

PCA sur flux bruts
3 921 canaux spectraux · 10 000 spectres
Composantes pour 95 % variance
K = 3
Top 3 cumulent
91.3%
PC1
Pente de couleur — T_eff
46.6%
✓
PC2
Montée infrarouge — étoiles K-M
31.8%
✓
PC3
Coupure instrumentale LAMOST
12.9%
⚠
✓ Physiquement : les pixels adjacents (Δλ~2 Å) sont fortement corrélés — longueur de cohérence ~10 Å. 3 composantes suffisent !
PCA sur 183 descripteurs
Features ingéniérisées · 43 019 spectres
Composantes pour 95 % variance
K = 91
Top 3 cumulent
38.4%
PC1
Axe thermique ρ(Teff)=+0,831
16.9%
✓
PC2
Axe métallicité + SNR instrumental
12%
✓
PC3
Structure spectrale mixte
9.5%
✓
→ Les descripteurs éliminent la redondance spectrale mais introduisent une information orthogonale réelle : 91 composantes pour 95 %.
Interprétation du contraste : Les 183 descripteurs éliminent la redondance des pixels adjacents mais introduisent une information physique réellement orthogonale (température, métallicité, gravité, activité chromosphérique…). Résultat : la dimensionnalité intrinsèque passe de ~3 à ~91 — ce n'est pas un signe d'inefficacité, mais la preuve que les features encodent des dimensions physiques distinctes.

Interprétation physique des 3 premiers eigenspectra​

PC1 (46,6 % de la variance des flux) — Pente de couleur (Teff) : Dominée par un continuum quasi-uniforme dans le bleu (3700–6500 Å) qui s'effondre vers le rouge. C'est la pente globale du continuum, directement reliée à la température effective. Les étoiles chaudes (types A-F) contribuent positivement ; les étoiles froides (types K-M) négativement.

PC2 (31,8 %) — Montée infrarouge (étoiles froides) : Capture la montée progressive du flux vers le proche infrarouge (> 6500 Å). C'est la signature distinctive des étoiles froides de type K-M dont l'émission de corps noir est déplacée vers le rouge.

PC3 (12,9 %) — Transition instrumentale bleue/rouge : Isole une transition abrupte autour de 6500–7000 Å, correspondant à la coupure instrumentale de LAMOST entre les bras bleu et rouge du spectrographe. C'est un artefact instrumental, non une propriété physique.

Artefact PC3

La présence d'un artefact instrumental dans PC3 (coupure LAMOST 6500–7000 Å) illustre une limite fondamentale de la PCA non supervisée : elle maximise la variance totale, incluant les variations instrumentales qui peuvent masquer les signaux physiques. Ce problème ne disparaît pas dans les 183 descripteurs, mais est dilué sur les composantes tardives.

Référence figure : pca_eigenspectra.png

Projection PC1/PC2 et interprétation physique​

Corrélations de Spearman avec les paramètres Gaia DR3​

Le tableau suivant quantifie l'alignement entre les axes principaux et les paramètres astrophysiques indépendants de Gaia DR3 (N = 43 019). L'intensité de couleur est proportionnelle à |ρ| — survoler une cellule pour l'interprétation.

Intensité de couleur ∝ |ρ| :
fort positif
fort négatif
modéré
faible
Paramètre Gaia DR3
Unité
ρ(PC1, ·)
ρ(PC2, ·)
Teff
K
+0.831
+0.156
log g
dex
-0.155
+0.081
[Fe/H]
dex
-0.548
-0.082
G_BP − G_RP
mag
-0.768
-0.025
SNR_r
+0.071
-0.310
A_G
mag
-0.070
+0.196
PC1 = axe thermique — dominé par Balmer (31,5 %) + Ca II (22,4 %). Gradient continu de Teff (étoiles chaudes A-F à droite, froides K-M à gauche).
PC2 = axe métallicité — dominé par métaux (43,3 %). ⚠️ Partiellement contaminé par SNR (ρ = −0,310) : artefact instrumental inhérent à la PCA non supervisée.

Lecture des résultats :

La corrélation ρ(PC1, Teff) = +0,831 n'est pas anodine : elle signifie que la température effective est la source de variance dominante dans l'espace des 183 descripteurs. C'est cohérent avec le schéma de classification MK — la force des raies de Balmer et la pente du continuum varient massivement entre les types O et M, bien au-delà des effets de métallicité.

La corrélation ρ(PC1, [Fe/H]) = −0,548 indique une corrégulation naturelle : les étoiles froides (K-M) tendent à être plus riches en métaux que les étoiles chaudes (A-F), ce que la PCA linéaire mélange dans le même axe.

Projection PC1/PC2 colorée par Teff​

La coloration par Teff dans l'espace PC1/PC2 confirme visuellement la nature thermique de PC1 : les étoiles chaudes (> 7 000 K, types A-F) occupent le côté positif de PC1 ; les étoiles froides (< 5 000 K, types K-M) le côté négatif ; avec un gradient continu le long de la séquence principale.

La coloration par log g révèle une branche distincte des sous-géantes et géantes (log g < 3,5) dans la partie haute de la projection — PC2 encode partiellement la classe de luminosité.

Référence figures : pca_scores_classes.png, pca_scores_grid.png, pca_correlation_heatmap.png

Contribution par famille spectroscopique aux axes PCA​

La décomposition de la variance de PC1 et PC2 par famille de descripteurs révèle les contributions relatives de chaque groupe de raies. Les barres ★ identifient la famille dominante de chaque axe.

Famille
PC1 — Axe thermique
PC2 — Axe métallicité
0%──────────→ 50%
0%──────────→ 50%
Raies de Balmer
H α–θ
31.5%
★ dom.
8.2%
Calcium ionisé
Ca II H&K + IR
22.4%
★ dom.
12.1%
Fer & métaux
Fe, Cr, V, Ni…
15.3%
43.3%
★ dom.
Magnésium / α
Mg b, [Mg/Fe]
10.8%
18.4%
★ dom.
Indices Lick
Lick IDS, SDSS
9.7%
11.6%
Continuum
pentes, couleurs
10.3%
★ dom.
6.4%
PC1 thermique : Balmer (31,5 %) + Ca II (22,4 %) = 53,9 % — les indicateurs de température dominent sans ambiguïté.
PC2 composition : Fer & métaux (43,3 %) — seule famille dominant clairement PC2. Le reste est distribué entre Mg (18,4 %) et Ca II (12,1 %).

Les 5 premiers loadings absolus de PC1 et PC2​

Les loadings wkjw_{kj} mesurent la corrélation entre le jj-ième descripteur et la kk-ième composante principale. Plus ∣wkj∣|w_{kj}| est grand, plus ce descripteur contribue à définir l'axe. Les barres signées montrent la direction (positive = vers étoiles chaudes pour PC1, vers métaux pour PC2) et l'amplitude.

PC1
axe thermique · 16,9 % de variance · ρ(Teff) = +0,831
interprétation
Température T_eff
#
Descripteur
← négatif · · · · positif →
w
1
W(Hα)
+0.173
2
Asymétrie continuum
+0.172
3
W(Mg b)
-0.171
4
B−V synthétique
-0.163
5
fbleu / frouge
+0.161
PC2
axe métallicité · 12,0 % de variance
interprétation
Métallicité [Fe/H]
#
Descripteur
← négatif · · · · positif →
w
1
[Fe/H]proxy
+0.205
2
Idx métal combiné
+0.198
3
Idx α
+0.194
4
Idx métal pauvre
-0.193
5
W(Fe λ5270)
+0.174

PC1 — W(Hα) en tête : la largeur équivalente de Hα est l'un des indicateurs de température les plus robustes de la classification spectrale MK. Son signe positif signifie que les étoiles chaudes (Hα fort) ont un score PC1 élevé.

PC2 — tous des indices de métallicité : les cinq premiers loadings de PC2 sont tous des indices de composition chimique — confirmation cohérente de l'interprétation comme axe de composition.

Référence figures : pca_loadings_pc1.png, pca_loadings_pc2.png, pca_loadings_heatmap.png

Diagramme HR coloré par PC1​

La corrélation ρ(PC1, Teff) = +0,831 peut être visualisée directement sur le diagramme de Hertzsprung-Russell (Teff vs log g). Le gradient de couleur de PC1 suit parfaitement la séquence principale de droite (froide, PC1 négatif) à gauche (chaude, PC1 positif), validant visuellement l'interprétation thermique de PC1.

Les étoiles évoluées (log g < 3) présentent des valeurs de PC1 intermédiaires — elles ont quitté la séquence principale et leur spectre présente une combinaison de caractéristiques thermiques et de gravité qui n'est pas capturée linéairement par PC1 seul. C'est une limite concrète de l'estimateur linéaire optimal qu'est la PCA.

Référence figures : hr_diagram_pca_pc1.png, hr_diagram_pca_pc2.png

Limites de la PCA​

Linéarité. La PCA est aveugle à toute structure non linéaire. Les relations entre Teff, log g et [Fe/H] dans l'espace spectral ne sont pas strictement linéaires — c'est pourquoi UMAP et t-SNE révèlent des structures supplémentaires (clusters de sous-géantes, bifurcation naines/géantes) que la PCA aplatit en une projection continue.

Optimalité L₂ seulement. Le théorème d'Eckart-Young garantit que la troncature PCA est la meilleure approximation de rang K au sens de la norme de Frobenius — pas au sens de la préservation des voisinages locaux ou de la séparation des clusters.

Sensibilité aux outliers sur les composantes tardives. PC1 et PC2 sont robustes car elles maximisent la variance globale. En revanche, les composantes tardives (PC80–PC183) sont sensibles aux spectres aberrants qui maximisent la variance résiduelle.

Mélange physique dans PC1. La corrélation ρ(PC1, [Fe/H]) = −0,548 (modérée) révèle que PC1 n'est pas un axe de température pur : la covariation naturelle Teff/[Fe/H] (les étoiles froides K-M sont généralement plus riches en métaux que les A-F) est inévitablement absorbée dans le premier axe.