Estimation de paramètres physiques à partir de leur description par une base de mesure de très grande dimension

Estimation of physical parameters through their representation by a high dimensional database

• Auteur / Autrice : Victor Watson
• Direction : Frédéric Paletou, Jean-François Trouilhet
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, acoustique et optimisation
• Date : Soutenance le 12/07/2018
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en astrophysique et planétologie (Toulouse ; 2011-....)

Mots clés

Mots clés contrôlés

Bases de données

Statistique

Spectroscopie astronomique

Étoiles -- Atmosphères

Mots clés libres

Traitement statistique de donnée

Spectroscopie stellaire

Paramètres fondamentaux

SIR

Statsitical data-processing

Stellar spectroscopy

Fundamental parameters

SIR

Résumé

Cette thèse contribue au développement de diverses méthodes permettant la détermination des paramètres stellaires fondamentaux (température effective, gravité de surface et "métallicité" i.e., la composition chimique globale), ainsi que de la vitesse de rotation projetée (vsini), à partir de l'analyse de spectres à haute résolution. Plusieurs méthodes seront présentées, et leurs performances respectives en terme d'extraction des paramètres fondamentaux seront discutées. Nous mettrons en particulier l'accent sur une mise en œuvre originale de la méthode dite Sliced Inverse Regression (SIR, Watson et al. 2017).

This thesis contributes to the development of various methods for the determination of the stellar fundamental parameters (effective temperature, surface gravity and "metallicity" ie, the overall chemical composition), as well as the projected rotation speed (vsini), from the analysis of high resolution spectra. Several methods will be presented, and their respective performances in terms of extraction of the fundamental parameters will be discussed. In particular, we will focus on an original implementation of the Sliced Inverse Regression method (SIR, Watson et al., 2017).