Guide : Prétraitement des Spectres

Un spectre brut issu d'un télescope n'est pas directement utilisable pour le Machine Learning. Ce guide explique comment le pipeline AstroSpectro nettoie et normalise chaque spectre pour le préparer à l'extraction de features.

Le Module SpectraPreprocessor

Toute la logique de prétraitement est encapsulée dans la classe SpectraPreprocessor du fichier src/pipeline/preprocessor.py. Le pipeline principal, orchestré par le notebook, fait appel aux méthodes de cette classe pour chaque spectre du lot.

Le processus se déroule en deux étapes principales.

Étape 1 : Chargement du Spectre

La première étape consiste à lire le fichier .fits.gz et à en extraire les deux informations essentielles : le flux et la longueur d'onde.

• Extraction du Flux : Le flux (l'intensité lumineuse) est extrait de la première ligne de la matrice de données du fichier FITS.
• Reconstruction de la Longueur d'Onde : L'axe des longueurs d'onde n'est pas stocké directement. Il est reconstruit à partir des mots-clés COEFF0 et COEFF1 présents dans l'en-tête (header) FITS, qui définissent une échelle log-linéaire.

src/pipeline/preprocessor.py - Exemple simplifié de chargement

def load_spectrum(self, hdul):
    flux = hdul[0].data[0]
    
    # Reconstitution de l'axe lambda en Angströms
    header = hdul[0].header
    loglam = header['COEFF0'] + np.arange(len(flux)) * header['COEFF1']
    wavelength = 10**loglam
    
    return wavelength, flux

Étape 2 : Normalisation du Flux

Les étoiles ont des brillances intrinsèques très différentes. Pour les comparer sur une base équitable, il est essentiel de normaliser leurs spectres.

• Méthode : Le pipeline applique une normalisation simple mais robuste en divisant l'ensemble du flux par sa valeur médiane.
• Objectif : Cette opération ramène la majorité des spectres à une échelle de flux autour de 1.0, ce qui atténue les différences de magnitude absolue et met en valeur les variations relatives des raies spectrales par rapport au continuum.

src/pipeline/preprocessor.py - Normalisation

def normalize_spectrum(self, flux):
    median_flux = np.median(flux)
    if median_flux > 0:
        return flux / median_flux
    return flux

Visualisation de l'Impact

Avant / Après Normalisation

L'image ci-dessous illustre l'effet de la normalisation. À gauche, deux spectres bruts d'étoiles de magnitudes différentes. À droite, les mêmes deux spectres après normalisation. On peut maintenant comparer directement la forme de leurs raies.

Pistes d'Amélioration Futures

Le prétraitement actuel est volontairement simple. La Roadmap du projet prévoit des améliorations futures comme : Un ajustement plus fin du continuum. Des filtres de débruitage (denoising) comme Savitzky-Golay. La correction de l'extinction interstellaire.