Modelling the galactic population of very-high-energy gamma-ray sources

Modellierung der Population galaktischer Quellen von sehr hochenergetischer Gammastrahlung

  • The current generation of ground-based instruments has rapidly extended the limits of the range accessible to us with very-high-energy (VHE) gamma-rays, and more than a hundred sources have now been detected in the Milky Way. These sources represent only the tip of the iceberg, but their number has reached a level that allows population studies. In this work, a model of the global population of VHE gamma-ray sources based on the most comprehensive census of Galactic sources in this energy regime, the H.E.S.S. Galactic plane survey (HGPS), will be presented. A population synthesis approach was followed in the construction of the model. Particular attention was paid to correcting for the strong observational bias inherent in the sample of detected sources. The methods developed for estimating the model parameters have been validated with extensive Monte Carlo simulations and will be shown to provide unbiased estimates of the model parameters. With these methods, five models for different spatial distributions of sources have beenThe current generation of ground-based instruments has rapidly extended the limits of the range accessible to us with very-high-energy (VHE) gamma-rays, and more than a hundred sources have now been detected in the Milky Way. These sources represent only the tip of the iceberg, but their number has reached a level that allows population studies. In this work, a model of the global population of VHE gamma-ray sources based on the most comprehensive census of Galactic sources in this energy regime, the H.E.S.S. Galactic plane survey (HGPS), will be presented. A population synthesis approach was followed in the construction of the model. Particular attention was paid to correcting for the strong observational bias inherent in the sample of detected sources. The methods developed for estimating the model parameters have been validated with extensive Monte Carlo simulations and will be shown to provide unbiased estimates of the model parameters. With these methods, five models for different spatial distributions of sources have been constructed. To test the validity of these models, their predictions for the composition of sources within the sensitivity range of the HGPS are compared with the observed sample. With one exception, similar results are obtained for all spatial distributions, showing that the observed longitude profile and the source distribution over photon flux are in fair agreement with observation. Regarding the latitude profile and the source distribution over angular extent, it becomes apparent that the model needs to be further adjusted to bring its predictions in agreement with observation. Based on the model, predictions of the global properties of the Galactic population of VHE gamma-ray sources and the prospects of the Cherenkov Telescope Array (CTA) will be presented. CTA will significantly increase our knowledge of VHE gamma-ray sources by lowering the threshold for source detection, primarily through a larger detection area compared to current-generation instruments. In ground-based gamma-ray astronomy, the sensitivity of an instrument depends strongly, in addition to the detection area, on the ability to distinguish images of air showers produced by gamma-rays from those produced by cosmic rays, which are a strong background. This means that the number of detectable sources depends on the background rejection algorithm used and therefore may also be increased by improving the performance of such algorithms. In this context, in addition to the population model, this work presents a study on the application of deep-learning techniques to the task of gamma-hadron separation in the analysis of data from ground-based gamma-ray instruments. Based on a systematic survey of different neural-network architectures, it is shown that robust classifiers can be constructed with competitive performance compared to the best existing algorithms. Despite the broad coverage of neural-network architectures discussed, only part of the potential offered by the application of deep-learning techniques to the analysis of gamma-ray data is exploited in the context of this study. Nevertheless, it provides an important basis for further research on this topic.show moreshow less
  • Die aktuelle Generation bodengestützter Instrumente hat die Grenzen des uns mit sehr hoch-energetischer (very-high-energy, VHE) Gammastrahlung zugänglichen Bereichs rasch erweitert, so dass inzwischen bereits mehr als hundert Quellen in der Milchstraße entdeckt wurden. Diese Quellen repräsentieren zwar nur die Spitze des Eisbergs, doch ihre Anzahl hat ein Niveau erreicht, das Populationsstudien ermöglicht. In dieser Arbeit wird ein Modell der globalen Population von VHE Gammastrahlungsquellen vorgestellt, das auf den umfassendsten Zensus galaktischer Quellen in diesem Energiebereich, dem H.E.S.S. Galactic plane survey (HGPS), beruht. Bei der Erstellung des Modells wurde ein Populationssynthese-Ansatz verfolgt. Besonderes Augenmerk wurde auf die Korrektur der starken Beobachtungsverzerrung gelegt, die der Stichprobe detektierter Quellen innewohnt. Die für die Schätzung der Modellparameter entwickelten Methoden wurden mit umfangreichen Monte-Carlo-Simulationen validiert und es wird gezeigt, dass sie akkurate Schätzungen derDie aktuelle Generation bodengestützter Instrumente hat die Grenzen des uns mit sehr hoch-energetischer (very-high-energy, VHE) Gammastrahlung zugänglichen Bereichs rasch erweitert, so dass inzwischen bereits mehr als hundert Quellen in der Milchstraße entdeckt wurden. Diese Quellen repräsentieren zwar nur die Spitze des Eisbergs, doch ihre Anzahl hat ein Niveau erreicht, das Populationsstudien ermöglicht. In dieser Arbeit wird ein Modell der globalen Population von VHE Gammastrahlungsquellen vorgestellt, das auf den umfassendsten Zensus galaktischer Quellen in diesem Energiebereich, dem H.E.S.S. Galactic plane survey (HGPS), beruht. Bei der Erstellung des Modells wurde ein Populationssynthese-Ansatz verfolgt. Besonderes Augenmerk wurde auf die Korrektur der starken Beobachtungsverzerrung gelegt, die der Stichprobe detektierter Quellen innewohnt. Die für die Schätzung der Modellparameter entwickelten Methoden wurden mit umfangreichen Monte-Carlo-Simulationen validiert und es wird gezeigt, dass sie akkurate Schätzungen der Modelparameter ermöglichen. Mit diesen Methoden wurden fünf Modelle für verschiedene räumliche Verteilungen von Quellen erstellt. Um die Gültigkeit dieser Modelle zu prüfen, werden ihre Vorhersagen für die Zusammensetzung der Quellen innerhalb des Sensitivitätsbereichs des HGPS mit der beobachteten Stichprobe verglichen. Mit einer Ausnahme werden für alle räumlichen Verteilungen ähnliche Ergebnisse erzielt, die zeigen, dass das beobachtete Longitudenprofil und die Quellenverteilung über den Photonenfluss gut mit der Beobachtung übereinstimmen. Bezüglich des Latitudenprofils und der Quellenverteilung über die Winkelausdehnung zeigt sich, dass das Modell weiter angepasst werden muss, um dessen Vorhersagen mit den Beobachtungen in Einklang zu bringen. Auf der Grundlage des Modells werden Vorhersagen über die globalen Eigenschaften der galaktischen Population von VHE Gammastrahlungsquellen und die Perspektiven des Cherenkov Telescope Array (CTA) vorgestellt. CTA wird unser Wissen über VHE Gammastrahlungsquellen erheblich erweitern, indem es die Detektionsschwelle für die Quellen senkt, vor allem durch einer im Vergleich zu Instrumenten der aktuellen Generation größeren Detektionsfläche. In der bodengebundenen Gammastrahlenastronomie hängt die Empfindlichkeit eines Instruments neben der Detektionsfläche jedoch auch stark von der Fähigkeit ab, Bilder von Luftschauern, die durch Gammastrahlen erzeugt werden, von denen zu unterscheiden, die durch kosmische Strahlung erzeugt werden und einen starken Hintergrund darstellen. Dies bedeutet, dass die Anzahl der detektierbaren Quellen von dem verwendeten Algorithmus zur Hintergrundunterdrückung abhängt und daher möglicherweise auch durch eine Verbesserung der Leistung solcher Algorithmen erhöht werden kann. In diesem Zusammenhang wird in dieser Arbeit zusätzlich zum Populationsmodell eine Studie über die Anwendung von Deep-Learning-Techniken für die Aufgabe der Gamma-Hadron-Trennung bei der Analyse von Daten von bodengestützten Gammastrahleninstrumenten vorgestellt. Auf der Grundlage einer systematischen Untersuchung verschiedener neuronaler Netzwerkarchitekturen wird gezeigt, dass robuste Klassifikatoren konstruiert werden können, die im Vergleich zu den besten bestehenden Algorithmen eine konkurrenzfähige Leistung aufweisen. Trotz des Umfangs der diskutierten neuronalen Netzwerkarchitekturen wird im Rahmen dieser Studie nur ein Teil des Potenzials ausgeschöpft, das die Anwendung von Deep-Learning-Techniken für die Analyse von Daten in der Gammaastronomie bietet. Dennoch bietet sie eine wichtige Grundlage für weitere Forschungen zu diesem Thema.show moreshow less

Download full text files

  • SHA-512:da7e97afcbb20c418d1d308afbc78f8a1137304d37c6878567c1fd8bcfa3c7367dbbe4b8f5d2c64e62ec5a1699a42c8f7d61af3fd5cedba64684a0236937007d

Export metadata

Additional Services

Share in Twitter Search Google Scholar Statistics
Metadaten
Author details:Constantin Beverly SteppaORCiD
URN:urn:nbn:de:kobv:517-opus4-549478
DOI:https://doi.org/10.25932/publishup-54947
Reviewer(s):Christian StegmannGND, Martin PohlORCiDGND, Christopher van EldikORCiDGND
Supervisor(s):Christian Stegmann, Philipp Richter
Publication type:Doctoral Thesis
Language:English
Publication year:2022
Publishing institution:Universität Potsdam
Granting institution:Universität Potsdam
Date of final exam:2022/03/29
Release date:2022/05/12
Tag:Gammaastronomie; galaktische Population; sehr hohe Energien
galactic population; gamma astronomy; very-high energy
Number of pages:106
RVK - Regensburg classification:US 1670, US 3460
Organizational units:Mathematisch-Naturwissenschaftliche Fakultät / Institut für Physik und Astronomie
DDC classification:5 Naturwissenschaften und Mathematik / 53 Physik / 530 Physik
License (German):License LogoCC BY-NC - Namensnennung, nicht kommerziell, 4.0 International
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.