#49: CLEAN och jakten på skärpa i radioteleskopens bilder

Av Jan Högbom

Vi radioastronomer studerar strålningen, ”radiobruset”, därutifrån på våglängder som är miljoner gånger större än ljusets. Den maximala upplösningen, skärpan, i de radiobilder vi kan få fram beror, liksom för vanliga optiska teleskop, på hur stor teleskopöppningen är uttryckt i våglängder. För att observera detaljer i radiobrusets fördelning över himlen lika skarpt som ögat ser med sin pupill på ett par mm, skulle vi alltså behöva en antenn, till exempel en parabol, med en diameter på ett par miljoner millimeter – det vill säga ett par kilometer!

Radioastronomer hade tidigt förstått att teorin för hur ett teleskop fungerar erbjöd en möjlighet att komma till samma resultat genom att kombinera många observationer tagna med mindre antenner hopkopplade parvis till interferometrar. Var det dags att lägga ut rader av mindre antenner över sjöar, berg och hav, koppla ihop dem till interferometrar, och räkna fram radiobilder med en skärpa motsvarande paraboler stora som kontinenter eller som hela jordklotet? Inte så realistiskt kanske, men i vissa fall kan det räcka med att parvis koppla i hop antenner som redan finns på observatorier runt om i världen. I alla fall behövdes en metod, en algoritm, för att kombinera observationerna så att dessa högupplösta radiobilder skulle kunna skapas. CLEAN är en sådan metod.

Historien om CLEAN började 1968 när jag fick observationstid med ett speciellt instrument vid radioobservatoriet vid Green Bank i USA. Jag arbetade vid den tiden i Holland, i en internationell grupp ingenjörer, tekniker och astronomer för att där bygga ett stort radioteleskop. Men de tre antennerna i Green Bank var något helt annat. De kunde kombineras två och två som interferometrar.  Jag var intresserad av antennteori och ville försöka skapa detaljerade radiobilder av en del kända radiokällor genom att använda observationer med dessa interferometrar.

När observationerna var gjorda for jag tillbaka till Holland med data i bagaget. De bilder jag kunde räkna fram var oanvändbara, fulla med irrelevanta detaljer, krafs, som maskerade nästan allt som var intressant. Egentligen var det inte förvånande. Enligt strikt teori för hur bilder genereras skulle jag ha behövt mycket fler mätningar än de jag kostat på mig. Men ändå… Jag visste saker som den strikta teorin inte kände till – till exempel att radiokällor är positiva. Det finns inga negativa radiokällor! Och att de radiokällor som jag hade observerat var ganska små och rätt ensamma i sin omedelbara omgivning. Kunde sådan a priori information användas för att komplettera de annars otillräckliga observationerna?

Jag försökte några sätt att komma runt problemen. Till slut kom jag till en metod, en algoritm, som verkade fungera, en metod som senare döptes med det talande namnet CLEAN. Metoden ”tvättade” bort det störande krafset från mina första bilder, därav de termer som senare har kommit i bruk: De första oanvändbara bilderna kallades ”dirty maps”. Efter att ha behandlats med CLEAN-algoritmen blev de uppgraderade till ”clean maps”.

Ett sätt att beskriva en ”dirty map” är att radiokällan observerats, inte med ett perfekt teleskop, utan med ett ofullständigt teleskop som gör att varje detalj på radiokällan blir avbildad tillsammans med ett mycket störande mönster av sidlober. Detta är en direkt konsekvens av frånvaron av de observationer som aldrig utfördes. CLEAN-algoritmen lyfter ut detalj efter detalj med tillhörande störande mönster från bilden, tar bort störningsmönstren och sätter sedan tillbaka de nu ”tvättade” detaljerna på bilden.

Naturligtvis måste man alltid ha tillräckligt många observationer för att detta skall fungera. CLEAN-algoritmen hamnar snabbt i problem om radiokällan i verkligheten är större och mer komplicerad än man trott. Då hjälper bara fler observationer!