一般分析处理流程：
ROI=7.2
E=300,300000 MeV
1.gtselect 筛选子事件
2.gtmktme 筛选好时间
筛选条件采用fermi团队推荐的：(DATA_QUAL>0)&&(LAT_CONFIG==1)
3.gtbin 创建光子计数图
注意点：图的尺寸为ROI圆外接正方形！保证整个ROI都处于图中
r=7.2，所以正方形面积大小为14.4*14.4，由于处理超新星遗迹，每个像素设置大小为0.05度，则x=y=288
图来源：fermi官方网站
4.gtbin 能量分箱
（1）每10个能量倍数分10个箱
log(300000/300)=3
所以分箱数=3*10=30个
（2）图的尺寸为ROI内接正方形！保证图中的每个点都是ROI内的点。
r=7.2,所以内接正方形边最大值为：s=7.2*1.414=10.18=10度。
像素大小仍为0.05,则画布大小x=y=200
图片来源：fermi官方网站
5.gtltcube 实时曝光
该步骤耗时较长，但相同时间范围内可以通用。
6.gtexpcube2 生成全天空曝光图
7.LATSourceModel
生成model文件
生成后要先将河内背景辐射的自由参数固定，只放开归一化参数！！然后检查自由参数数量，不能太多（少于80个），否则gtlike可能无法收敛。
可考虑方法：1.缩小放开自由参数的范围free_radius=5 改为free_radius=3
2.放开范围不变，固定范围内较远距离源的谱参数，只放开归一化因子。例如free_radius=5不变，生成model后，修改3-5度之间的自由参数。
8.gtsrcmap
制作srcmaps 生成每个源的映射图
只要改动model都需要重新运行制作srcmaps.fits
9.gtlike 似然拟合
一般进行两次似然拟合。第一次:使用生成的model和DRMNFB算法 进行初步运算
第二次：使用第一次拟合生成like1.xml文件和NewMinuit或Minuit算法 进行精确运算
利用print(like2obj.getRetCode()) 查看是否收敛。
一个评估拟合质量的参数：gll_iem_v07 的归一化参数Prefactor 在0.85-1.1之间
10.gttsmap 制作tsmap
遵循一个原则：model里有哪些源，tsmap中没有哪些源。
画图前：固定所有自由参数！将所有free=1改为free=0 ！
=========================================================================
处理伽马射线空间延展源时，首先进行空间模板的分析。测试寻找最佳空间模板
点/均匀盘/2维高斯/射电模板 等等
空间分析：
1.利用LATSouceModel中的add_source功能，可以将新的源添加到model文件中，
在添加时，可以指定谱型、谱参数、RA、DEC等等。一般先预设该源为简单的powerlaw，且能谱参数使用自动添加的默认值。该默认值被fermi官方认为是一般是合理的。
需要注意的是，利用自制射电模板或其他波段模板时，要在model中声明该源为延展源,格式参考该工具利用14年延展源源表所生成的内容。
2.使用disk或gaus模板时，需要利用fermipy找出r68%和最佳拟合位置
fermipy需要配置一个config.yaml文件
config文件中要用到的model：extension.xml，使用第二次gtlike产生的文件like2.xml，将
所有谱参数固定，只放开归一化参数。得到所需要的extension.xml
拟合出最佳位置和r68后，利用公式：
disk:r68/0.82=Radius
gaus:r68/1.51=sigma
计算出model里需要更改的Radius或sigma
然后修改第一次gtlike使用的model文件中的R/sigma，RA和DEC
后进行第一次和第二次gtlike拟合！
得到各自模型的似然值：log(likelihood) 值！
利用AIC准则，判断模型优劣。
AIC=2k-2lnL
k是模型自由度的个数，lnL 则是最大似然值
AIC越小，则说明该模型越合适
能谱分析：
空间分析得到最佳空间模板后，就可以进行能谱分析了。伽马射线源的能谱在fermi官方网站中，列举了十余种：FSSC: Fermi Data » Data Analysis » Analysis Threads » Source Model Definitions for gtlike
一般，从最简单的做起，就假设该源的能谱就是最简单的powerlaw 。
使用空间分析中，得到的最佳空间模板，将能谱谱型设为powerlaw，进行拟合，得到log likelihood值
接着尝试使用稍微复杂的logparabola，拟合得到一个 loglikelihood
因为个人是刚刚接触，还未使用过其他谱型，或许需要使用其他程序软件判断能谱是否有拐折等等复杂情况，从而采用更加复杂的谱型！
不同能谱测试后，利用AIC准则，得到最佳能谱模型！
SED
做SED（能谱分布）的第一个关键在于通过对源TS值的判断，合理将能量按对数分段！
此分段过程需要尝试，找到一个合适的分段数。
如果能段范围太大，对流量的计算将误差较大。如果分段范围过小，每个bin的TS值可能会很小，也就是光子数量不够多，也得不到较准确的流量
SED的做法：
每个能段都要从gtselect开始做：gtselect-gtmktime-gtbin-gtexpcube-gtsrcmaps-gtlike
注意：
做SED过程中所使用的model文件，不再是由LATSourceModel生成，而是类似利用fermipy寻找R68和最佳拟合位置中使用的extension.xml文件——由最佳能谱模板gtlike拟合得到的like2.xml文件，固定所有自由谱参数，只放开归一化参数得到。
每个能量bin，我们都会得到一个like.flux和like.fluxError 。利用python输出时，必须声明能段！！！！否则将输出此能量及以下所有能量bin的总流量！
like4.flux('SourceName',emin=emin4,emax=emax4)
输出数值的单位是 photons/cm^2/s
此为该能段的积分光子流量 E dN/dE
是由微分光子流量 dN/dE photons/cm^2/s/Mev 对能量bin的上下限进行积分得到
利用该积分光子流量 E dN/dE，我们可以计算得到该能量bin的积分能流，也就是SED所需要的数值
SED=flux*(Emax*Emin)/(Emax-Emin)
单位： Mev/cm^2/s 转换为erg/cm^2/s 直接*1.602e-6即可
当能量bin的Ts值小于5时，此时计算flux误差较大，改为计算能量上限upper limit
整体能谱：
根据谱型，利用不同谱的dN/dE关系计算。
以LogPb为例：
直接计算F(E)=(dN/dE )* E^2 即可
def f1(E):
return n1 * np.power((E / Eb1), -(alpha1 + beta1 * np.log(E / Eb1))) * np.power(E,2)
在做SED的时候，要注意检查每个能量bin的拟合情况：
1.gll是否在1附近
2.每个能量bin拟合是否收敛？
检查放开自由参数的源，它们的Ts值是否为负数或过小（TS<1或者2）？如果是，要将这些源删除后重新再拟合。
特别是在高能段，光子数量少，这些源会大大影响拟合质量！
扫一扫
624
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
