Presentation is loading. Please wait.

Presentation is loading. Please wait.

X線CCD新イベント抽出法の 「すざく」データへの適用

Similar presentations


Presentation on theme: "X線CCD新イベント抽出法の 「すざく」データへの適用"— Presentation transcript:

1 X線CCD新イベント抽出法の 「すざく」データへの適用
河手香織・蔵本哲也 (松本班)

2 目次 原理 検出器 イベント抽出法 天体データ Fitting法の適用 X線判定条件の決定 解析結果 課題と展望

3 原  理

4 X線CCD X線 電極 空乏層 (Si) 電子雲 光電吸収

5 前面照射型(FI)と裏面照射型(BI)

6 XIS (X-ray Imaging Spectrometer)
すざく衛星に搭載されているX線CCDカメラ (XIS-0,2,3‥FI, XIS-1‥BI) 視野 17.8′×17.8′ エネルギー帯域 0.2~12keV 有効画数 1024×1024 1画素のサイズ 24μm×24μm

7 較正用線源 Fe XISには、カメラ毎に較正用線源が取り付けられている。 Mn - Kα : 5.9 keV
55

8 イベント抽出について X線 X線イベント バックグラウンド (宇宙線など) 非X線イベント こうなることを出来るだけ少なくしたい。
実際に入射したもの 判定結果 X線 X線イベント バックグラウンド (宇宙線など) 非X線イベント こうなることを出来るだけ少なくしたい。

9 Grade法 その他 スプリット閾値を超えたピクセルの分布パターンによってX線か否かを判定 X線イベント 中心ピクセル
PHがスプリット閾値以上のピクセル(波高計算に用いる。) PHがスプリット閾値以上のピクセル(波高計算に用いない。)

10 Fitting法 ( ) 直接的に電子雲の広がりを測定 ・対称Gaussian : ・電子雲の広がり : 分散 ・エネルギー : 合計波高値
( ) (x – b) + (y – c) ・対称Gaussian : gauss (x,y) = a×exp 2 2d ・電子雲の広がり : 分散 ・エネルギー   : 合計波高値 PH 2次元対称Gaussian イメージ図 5×5 pixel

11 × Fitting法で期待されること ・ 5×5ピクセルで評価できる。
・ Grade法ではスプリット閾値を経験的に決める しかないが、Fitting法では直接的に電子雲を 評価できる。 ・ エネルギー依存性を考慮できる。 ・ Grade法で除去されやすい   高エネルギーの広がったX   線を拾う。  Fitting ○ CCDのピクセルを小さくしたほうが解像度がいい⇒より多くのピクセルに広がる。 空乏層が3倍くらいになる⇒広がる。 CCD⇒電子雲の広がりが大きい × Grade 

12 解析の目的 ・ 地上実験では検出効率が数パーセント上がることが確かめられている。 ・ 天体データにFitting法を適用してみる。
                       修士論文 村上弘志 (1999)                               河野誠   (2001)                               山口弘悦  (2005) ・ 天体データにFitting法を適用してみる。

13 今回利用した天体データ(1) E0102-72 座標 RA : 15.9884 deg DEC : - 72.0403 deg 観測時間
4.1598×10 sec 確定されている輝線   OⅤⅡ Kα線 (0.57keV)   OⅤⅢ Kα線 (0.65keV) 3

14 今回利用した天体データ(2) GC SOUTH
座標 RA : deg DEC : deg 観測時間 1.2958×10  sec 確定されている輝線   SⅩⅤ Kα線  (2.45keV)   ArⅩⅤⅡ Kα線 (3.13keV) 5

15 Fitting法の適用

16 Fitting法カウント数-Grade法カウント数
解析の手順 1.天体データにフィッティング法を適用する。 2.較正用線源などのX線による  電子雲の広がり求め、X線判定条件を決定する。 3.X線イベントを抽出し、スペクトルを作る。 4.イベント増加率とエネルギー分解能を計算し、   Grade法と比較する。 Fitting法カウント数-Grade法カウント数 イベント増加率= Grade法カウント数

17 Fitting法におけるX線判定条件 Fitting法では、Gaussianの分散の大きさで X線か否かを判定。
エネルギーによって、広がりはかわってくるはず。 → エネルギー依存性も考慮。 FI : 高エネルギーで広がりが大きい。       BI : 低エネルギーで広がりが大きい。

18 FIのX線判定条件 GC SOUTH (FI) 3.13keV 5.9keV σ [pixel] 0.1 1 8 E [keV]

19 FIのX線判定条件 Count σ [pixel]

20 FIのX線判定条件 GC SOUTH (FI) σ [pixel] X線イベント 0.1 1 8 12 E [keV]

21 BIのX線判定条件 GC SOUTH (BI) σ [pixel] X線イベント 0.5 0.1 1 8 12 E [keV]

22 GC SOUTHのFI型のスペクトル ArⅩⅤⅡKα線 (3.13keV) 6.9% SⅩⅤKα線 (2.45keV)
11.4% 2.0%  3.8% % 7.6% ArⅩⅤⅡKα線 (3.13keV) 6.9% SⅩⅤKα線                                                                    (2.45keV) Cal Source Fe 55 (5.9keV,6.5keV)

23 E0102のFI型のスペクトル 42.6% 13.3% 2.6% OⅤⅡKα線 Cal Source Fe (0.57keV)
42.6% %   % OⅤⅡKα線                                                                    Cal Source Fe 55 (0.57keV) (5.9keV,6.5keV) OⅤⅢKα線                                                                    (0.65keV)

24 FI型のエネルギー分解能 Fitting : 25.1eV Grade : 19.6eV (@ 1keV)
エネルギー分解能 [%] Fitting : 25.1eV Grade : 19.6eV 1keV) Fitting : 68.5eV Grade : 68.7eV 6.5keV)

25 GC SOUTHのBI型のスペクトル 18.4% % % 4.4% 6.3% 7.0%

26 E0102のBI型のスペクトル 2.9% %          2.1%

27 BI型のエネルギー分解能 Fitting : 28.7eV Grade : 28.1eV (@1keV)
エネルギー分解能 [%] Fitting : 61.0eV Grade : 55.5eV 6.5keV)

28 イベント増加率のエネルギー依存 高エネルギー側で       増加率が高い

29 まとめ(Grade法との比較) ・ イベント検出数はFI型、BI型ともにあがる。 1~8keVでは検出数が数%増加している。
    高エネルギーほどイベント増加率が大きい。 ・ Grade法とあまりかわらないエネルギー分解能  が得られる。     FI型の低エネルギー側で分解能が落ちて いる。               

30 課題と展望

31 Fitting法の課題 E0102のFI型データ

32 Fitting法の課題(原因) ・ 一方向に広がっているイベントを捨て切れない。  ・ 宇宙線等によるバックグラウンド  ・ 複数のX線が入射

33 Fitting法の課題(対策) ・ 非対称なGaussianでフィットする。

34 御清聴 ありがとうございました。

35 以下、おまけ。

36 一方向のイベントを抜いたFI型スペクトル
E0102のFI型データ

37 X線判定条件の決め方(補足) CCDのcalibration Source部分に対して Fitting法を適用

38 X線判定条件の決め方(補足)

39 X線判定条件の決め方(補足) 2.45keV 3.13keV 5.9keV 6.5keV

40 X線判定条件の決め方(補足) 5.9keV 6.5keV 0.65keV 0.57keV

41 X線判定条件の決め方(補足)

42 X線判定条件の決め方(補足) σ = ×E + 0.259

43 X線判定条件の決め方(補足)

44 X線判定条件の決め方(補足) σ = - ×E + 0.469

45 X線判定条件の決め方(補足)

46 BI型の分解能 GC SOUTH BI型 6.5keV 5.9keV 3.13keV 2.45keV Grade法 6.21% 2.72%
2.28% 3.86% Fitting法 5.02% 3.08% 3.85% E0102 BI型 6.5keV 5.9keV 0.65keV 0.57keV Grade法 2.29% 2.33% 7.74% 10.1% Fitting法 2.34% 2.31% 8.59% 9.60%

47 BI型の分解能 GC SOUTH BI型 6.5keV 5.9keV 3.13keV 2.45keV Grade法 [eV] 174.8
68.3 30.4 52.4 Fitting法 [eV] 138.0 68.8 40.8 44.9 E0102 BI型 6.5keV 5.9keV 0.65keV 0.57keV Grade法 [eV] 63.6 58.8 22.0 25.0 Fitting法 [eV] 63.9 58.1 24.3 22.3

48 FI型の分解能 GC SOUTH FI型 6.5keV 5.9keV 3.13keV 2.45keV Grade法 6.62% 2.76%
2.84% 3.86% Fitting法 5.70% 2.96% 3.61% 3.85% E0102 FI型 6.5keV 5.9keV 0.65keV 0.57keV Grade法 2.31% 2.38% 6.04% 4.83% Fitting法 2.29% 2.34% 7.20% 20.5%

49 FI型のエネルギー分解能 GC SOUTH FI型 6.5keV 5.9keV 3.13keV 2.45keV Grade法 [eV]
186.2 69.2 37.8 40.4 Fitting法 [eV] 131.5 69.7 46.5 38.4 E0102 FI型 6.5keV 5.9keV 0.65keV 0.57keV Grade法 [eV] 64.0 59.7 16.8 11.7 Fitting法 [eV] 63.9 58.8 19.4 41.5

50 FI型のエネルギー分解能 Fitting : 19.4eV Grade : 16.8eV (@ 0.65keV)

51 BI型のエネルギー分解能 Fitting : 24.3eV Grade : 22.0eV (@ 0.65keV)

52 Fitting法の課題(3) イベント増加率 2%前後

53 GC SOUTHのBI型のスペクトル 分散を一定にした場合(b<=0.39)

54 GC SOUTHのFI型のスペクトル 分散を一定にした場合(b<=0.41)


Download ppt "X線CCD新イベント抽出法の 「すざく」データへの適用"

Similar presentations


Ads by Google