آشنایی با ابزارهای ستاره شناسی پایتون می تواند کمک به تجزیه داده ها ستاره شناسی می کند، در این مطلب کمی بیشتر با ابزارهای ستاره شناسی پایتون آشنا می شویم.

NumFOCUS یک موسسه بسیار جالب است که از ابزارهای متن باز شگفت انگیز برای محاسبات علمی و علم داده پشتیبانی می کند. ما در این مطلب قصد داریم درباره 4 مورد از ابزارهای ستاره شناسی پایتون صحبت کنیم که همین موسسه آنها را معرفی کرده است. با ما همراه باشید تا با ویژگی های مختلف این ابزارهای ستاره شناسی پایتون بیشتر آشنا شوید.

ابزارهای ستاره شناسی پایتون

پایتون یک زبان برنامه نویسی عالی برای علوم مختلف و از جمله علم ستاره شناسی است. پکیج های مختلف این زبان برنامه نویسی مانند NumPy، SciPy، Scikit-Image و  Astropy از بهترین ابزارهای ستاره شناسی پایتون به شمار می آیند و در موارد مختلفی مورد استفاده قرار می گیرند. من تقریبا ده سال پیش تحقیقات خود را در زمینه نجوم و ستاره شناسی را شروع کردم و در طول این ده سال با بسیاری از ابزارهای ستاره شناسی پایتون به خوبی آشنا شدم و با آنها کار کردم، یکی از نکات بسیار مهمی که همیشه نظر من را به خود جلب کرده است تکامل این پکیج ها در طول زمان بوده است که نشان دهنده اهمیت آنها است. بسیاری از همکاران من این پکیج ها و ابزارهای ستاره شناسی پایتون را در کارهای تحقیقاتی خود مورد استفاده قرار می دادند.

چند نکته جالب درباره پکیج ها و ابزارهای ستاره شناسی پایتون

من به تازگی متوجه شده ام که در حال حاضر این پکیج ها و ابزارهای ستاره شناسی پایتون به میزان بسیار زیادی پیشرفت کرده اند به طوری که امروزه می توان با استفاده از آنها اسکریپت هایی را نوشت که بتوانند حجم داده ها را کاهش دهند. این کار به آسانی در پایتون قابل انجام است. توجه داشته باشید که در حال حاضر داده های مربوط به ستاره شناسی را می توانید در همه جا پیدا کنید و تقریبا در دسترس عموم مردم دنیا قرار دارد، تنها کاری که شما باید انجام دهید این است که به جستجوی آنها بپردازید.

یک مثال بسیار جالب

به عنوان مثال می توانید ESO را در نظر بگیرید که VLT را اجرا می کند. ESO به شما داده هایی را برای بارگیری در سایت خودتان پیشنهاد می دهد. شما برای استفاده از آن می توانید به آدرس اینترنتی www.eso.org/UserPortal رفت و برای پورتال خودتان یک حساب کاربری ایجاد کنید. اگر شما به دنبال داده هایی از SPHERE هستید می توانید به راحتی مجموعه داده های مد نظر خود را در این سایت پیدا کرده و آن را دانلود کنید. این پروژه یک پروژه فوق العاده است که حجم داده های شما را به میزان زیادی کاهش می دهد و آنها را به راحت ترین روش ممکن در اختیار شما قرار می دهد.

از سایت ESO استفاده کنید

من شما را تشویق می کنم که برای کار با ابزارهای ستاره شناسی پایتون از داده های این وب سایت استفاده کنید تا بتوانید پروژه خود را تکمیل کنید. البته برای این کار نکاتی وجود دارد که در ادامه بیان خواهیم کرد.

نکاتی مهم برای استفاده از داده های سایت ESO

1-      اولین نکته این است که سعی کنید با یک مجموعه داده خوب و مناسب شروع به کار کنید. توصیه ما به شما این است که در ابتدا مقالاتی را درباره سیاره ای که قصد کار کردن بر روی آن را دارید مطالعه کنید و بعد از آن اقدام به جمع آوری اطلاعات کنید.نکته دیگری که باید بدانید این است که برخی از اطلاعات و داده هایی که در این وبسایت وجود دارند با رنگ قرمز و یا سبز علامت گذاری شده اند. داده های قرمز به این معنا هستند که در حال حاضر در دسترس عموم مردم قرار ندارند ولی در تاریخی که زیر آنها بیان شده است در اختیار عموم مردم قرار خواهند گرفت.

2-      قبل از آن که اقدام به استفاده از داده ها کنید درباره ابزارهای ستاره شناسی پایتون که قصد استفاده از آن ها را دارید مطالعاتی داشته باشید. شما باید درک اولیه ای از چگونگی بدست آوردن داده ها و کاهش و همینطور نرمال سازی آنها بدست بیاورید. علاوه بر این باید یاد بگیرید که چگونه در این داده ها به جستجو بپردازید و بتوانید نتایج آنها را درک کنید.

3-      شما باید مشکلات استاندارد با داده ها و ابزارهای ستاره شناسی در پایتون را بشناسید و بتوانید به درستی از آنها استفاده کنید. به عنوان مثال موارد زیر را در نظر بگیرید:

1- شما داده ها را در فایل های FITS دریافت می کنید. شما برای این که بتوانید آنها را در آرایه های NumPy داشته باشید باید از pyfits و یا astropy( که خود شامل pyfits است) و جزو ابزارهای ستاره شناسی در پایتون به شمار می آیند استفاده کنید. در برخی از موارد داده ها به صورت آرایه های سه بعدی دریافت می شوند و شما برای تبدیل کردن آنها به آرایه های دو بعدی باید از numpy.median استفاده کنید. برای برخی از داده های SPHERE شما باید دو نقطه مشابه در داده ها را کپی کنید که برای این کار شما باید از روش های indexing و یا slicing استفاده کنید.

2- نکته مهمی که باید به آن توجه داشته باشید این است که تمامی دستوراتی که از آنها استفاده می کنید در واقع دارای تصاویر مشخصی هستند که با نام dark frames شناخته می شود که این بخش شامل تصاویری با شاترهای بسته است. شما می توانید از این ها استفاده کنید تا یک mask از پیکسل های نامناسب را با استفاده از آرایه های mask شده NumPy برای این کار استخراج کنید. این mask از پیکسل های نامناسب بسیار مهم هستند( شما مجبور هستید که یک مسیر از آن ها را در طی پردازش داده ها برای دریافت یک تصویر واضح ترکیب شده در انتخاب نگهداری کنید). در بعضی از مواقع این ابزار حتی می تواند به شما کمک کند تا این master dark را از کل تصاویر خام اولیه کم کنید.

3- این ابزارها همچنین دارای یک master flat frame نیز می باشند که از شما یک تصویر یا گروهی از جریانی از تصاویر همراه با یک منبع نور یکنواخت را دریافت می کند که شما می توانید کلیه تصاویر خام علمی را با استفاده از آن تقسیم بندی کنید.( مجددا برای این کار باید از numpy masked array استفاده کنید که کار شما را راحت تر می کند).

4- برای تصویر برداری از سیاره ها تنکین اصلی این است که سیاره مد نظر خود را در برابر یک ستاره روشن قرار دهید، این روش در حال حاضر روش تصویربرداری دیفرانسیل زاویه ای نامیده می شود. برای انجام این کار شما باید مرکز نوری که بر روی تصویر قرار دارد را شناسایی کنید که این مرحله یکی از دشوارترین مراحل به شمار می آید که برای انجام آن نیز می توانید از skimage.feature.blob_dog کمک بگیرید.

نکته آخر برای کار با ابزارهای ستاره شناسی پایتون

صبور باشید درک فرمت داده ها و کار کردن با ابزارهای ستاره شناسی پایتون نیازمند صرف زمان زیادی است. در صورتی که بتوانید اقدام به کشیدن برخی از نمودارهای هیستوگرام کنید می توانید باعث شوید که سریع تر این موضوع را درک کنید. نکته مهمی که باید بدانید این است که یادگیری کار کردن با این ابزارها ارزش زیادی دارد که برای شما ماندگار است چرا که شما در طول این روند می توانید اطلاعات زیادی درباره تصویربرداری از داده ها و همینطور پردازش آنها بدست بیاورید.

جمع بندی

با استفاده از 4 ابزاری که ما در این مطلب معرفی کردیم یعنی NumPy، SciPy، Astropy و scikit-image شما با کمی پشتکار و صبور بودن می توانید به راحتی داده های ستاره شناسی را تجزیه و تحلیل کنید و نتایج بسیار جالبی را از آنها بگیرید.