ランダムフォレスト機械学習を用いた Tomo-e Gozen突発現象アラートシステムの開発

東京大学大学院理学系研究科附属天文学教育研究センター(ja), 東京大学大学院理学系研究科附属天文学教育研究センター(ja), 東京大学大学院理学系研究科附属天文学教育研究センター(ja), 東京大学大学院理学系研究科附属天文学教育研究センター(ja), 東京大学大学院理学系研究科附属天文学教育研究センター(ja), 国立天文台(ja), 東京科学大学(ja), 京都大学(ja), 東北大学(ja)
Institute of Astronomy, School of Science, The University of Tokyo(en), Institute of Astronomy, School of Science, The University of Tokyo(en), Institute of Astronomy, School of Science, The University of Tokyo(en), Institute of Astronomy, School of Science, The University of Tokyo(en), Institute of Astronomy, School of Science, The University of Tokyo(en), National Astronomical Observatory of Japan(en), Institute of Science Tokyo(en), Kyoto University(en), Tohoku University(en)

出版者

宇宙航空研究開発機構 (JAXA)(ja)
Japan Aerospace Exploration Agency (JAXA)(en)

bibliographic_information

ja : 宇宙航空研究開発機構研究開発報告: 宇宙科学情報解析論文誌: 第15号
en : JAXA Research and Development Report: Journal of Space Science Informatics Japan: Volume 15

巻 JAXA-RR-25-003, p. 37-48, 発行日 2026-02-17

抄録

内容記述タイプ

Other

内容記述

東京大学木曽観測所では、1.05 m シュミット望遠鏡に搭載された広視野 CMOS カメラ Tomo-e Gozenを用いて高頻度の可視光広域サーベイを毎晩行っており、一晩あたり約 10 件の突発現象を捉えている。その一方で、主に画像の差分処理の失敗に起因する 10 万件を超える大量の誤検出が混入することが問題となっている。そこで、Tomo-e Gozen では、画像ベースのCNN 機械学習モデルを用いることで誤検出を大幅に低減している。我々はTomo-e Gozen の検出と同一の半夜のうちに追観測を可能にするような突発現象アラートの実現のため、更なる精度改善を目的とし、天文学的なカタログと観測データの利用に着目した。本研究では、CNN 機械学習モデルに直列に接続する、特徴量ベースのランダムフォレスト機械学習モデルを作成した。結果、80 % 以上の真陽性率と5 % 以下の偽陽性率をほぼ満たす正誤判定モデルの構築に成功した。これにより、誤検出の数は一晩あたり数件程度まで減少した。加えて本研究では、ランダムフォレストモデルを用いた突発現象の分類器の作成も行い、検出された突発現象候補に対し、超新星、激変星、フレア星などの分類の確率を出力することが可能となった。

言語

抄録

内容記述タイプ

Other

内容記述

At the Kiso Observatory of the University of Tokyo, we conduct a high-cadence, wide-field optical survey every night using Tomo-e Gozen, a wide-field mosaic CMOS camera mounted on the 1.05-meter Schmidt telescope, detecting approximately 10 transient candidates per night. However, a major challenge arises from the contamination of over 100,000 false detections per night, primarily due to failures in the image subtraction process. To address this, Tomo-e Gozen has reduced the number of false detections by employing an image-based CNN classification model. We focused on methods that utilize astronomical catalogs and observational data with the aim of improving the accuracy for realizing real-time transient alerts. In this study, we developed a feature-based random forest model connected in series to the CNN model. As a result, we successfully constructed a Real/Bogus discriminator achieving a true positive rate of about 80 % and a false positive rate of about 5 %. Consequently, we reduced the number of false detections to only a few events per night. Additionally, we developed a random forest-based classifier for transient categorization, enabling the output of classification probabilities into types such as supernovae, cataclysmic variables, and flare stars for each detected transient candidate.

言語

内容記述

内容記述タイプ

Other

内容記述

形態: カラー図版あり

言語

内容記述

内容記述タイプ

Other

内容記述

Physical characteristics: Original contains color illustrations

言語

ISSN ONLINE

収録物識別子タイプ

EISSN

収録物識別子

2433-2216

出版タイプ

VoR

出版タイプResource

http://purl.org/coar/version/c_970fb48d4fbd8a85

日付

2025-11-13

日付タイプ

Submitted

資料番号(Local)

Versions

Ver.1

2026-02-09 04:59:17.311006

Show All versions

Cite as

Other

エクスポート

OAI-PMH

JPCOAR 2.0
JPCOAR 1.0
DublinCore
DDI

Other Formats

インデックスリンク

インデックスツリー

アイテム