Де купажирование это: Что такое купажирование? Его… — Центр культури вина Шабо

Что такое купажирование? Его… — Центр культури вина Шабо

Что такое купажирование? Его суть и виды.

Купажирование (смешивание двух или более вин) лежит в основе многих великих вин со всех уголков мира, будь то Бордо, Риоха или Южная Африка.

Процесс купажирования является чрезвычайно полезным инструментом в виноделии. Объединяя сорта винограда, винодел может подчеркнуть и усилить достоинства вина или убрать его слабые стороны.

Существует два основных подхода к купажированию, особенно если мы говорим о красных винах. Первым, является смешивание виноматериалов на раннем этапе, как правило после завершения яблочно-молочного брожения. Обычно это февраль/март. Составление купажей на этом этапе имеет особую важность для дегустаций и закупки вин en primeur (традиционно бордовских). En primeur является неотъемлемой моделью оценки и продаж вин; он даёт возможность купить вино на промежуточной стадии производства. Фактически через полгода после сбора урожая вы сможете оценить потенциал урожая и инвестировать в вино, которое как правило будет в бутылке только через два года.

Второй подход — купажировать виноматериалы после их выдержки в бочках (élevage). Таким образом, виноделы могут отслеживать эволюцию каждого сорта винограда и каждого значительного участка виноградника уже непосредственно в бочках. Бочки дают много возможностей для экспериментов и направлению профиля вина…бочка из французского или американского дуба? или возможно венгерский? новая или старая? Бочка бордовская (225 литров), бургундская (228 литров), на 500 литров или ещё больше? Толщина клёпки? Степень обжарки? Это гораздо более трудоёмкий подход, так как необходимо следить за широким спектром образцов вин как правило в течение почти двух лет. Этот метод используют виноделы Shabo.

Мы склонны думать о винах с точки зрения сорта винограда. Когда мы покупаем бутылку в супермаркете, обычно это Шардоне, Каберне Совиньон, Мерло и т.д. Но огромный процент из примерно 35 миллиардов бутылок, производимых ежегодно в мире, составляют купажи из нескольких сортов винограда. Например, Krug Grande Cuvée Champagne представляет собой купаж из 120 отдельных вин, полученных из разных участков виноградников, и покрывающих 10 или более разных урожаев.

Рассмотрим Каберне Совиньон — один из величайших красных сортов винограда в мире, но в молодом возрасте он может быть очень танинным. Мерло может округлить эти резкие танины, приручить врожденную агрессивность Каберне, сделав его более округлым и сбалансированным.

Купажирование — это сложный технологический процесс, которая даёт виноделу элемент гибкости в работе. Однако цель одна и та же: каждый год делать лучшее вино из лучшего винограда.

#winedebates #shaboculture #Iloveshabo

Купаж — это… Что такое Купаж?

КУПАЖ — (фр., от couper). Подделка вина, состоящая в смешении нескольких сортов. Словарь иностранных слов, вошедших в состав русского языка. Чудинов А.Н., 1910. КУПАЖ смешение нескольких сортов виноградных вин, чтобы получить лучшее. Полный словарь… …   Словарь иностранных слов русского языка

Купаж — Купаж, купажирование (фр. coupage)  это смесь исходных продуктов (материалов) и вкусовых (или пищевых) добавок, взятых в определённом соотношении. Применяется в производстве алкогольных и безалкогольных напитков. Можно говорить о купаже …   Википедия

купаж — смешение Словарь русских синонимов. купаж сущ., кол во синонимов: 2 • купажирование (1) • …   Словарь синонимов

купаж — а, м. coupage m. 1. Такое смешение готовых виноградных вин, чтобы получилось вино лучше каждого из взятых. На практике к. ограничивается часто прибавкой к вину воды и веществ, маскирующих ее присутствие. Павленков 1911. Смешивание нескольких… …   Исторический словарь галлицизмов русского языка

купажёр — а, м. coupageur m. Карусельный купажёр табака. Пищепром 105. Аппарат для купажирования вина. Пищепром …   Исторический словарь галлицизмов русского языка

КУПАЖ — (купажирование) (франц. coupage) смешение различных пищевых продуктов (вин, чая, соков и т. п.) в определенных соотношениях для улучшения качества, получения изделий определенного типа и состава …   Большой Энциклопедический словарь

купаж —      франц. Coupage. Смешивание различных вин в определенном соотношении с целью улучшения их качества для получения вин определенных типов, составов и качества. Термин применим и к крепким алкогольным напиткам (коньяки, виски). * * * (Источник:… …   Кулинарный словарь

купаж — а; м. [франц. coupage] Спец. Смесь различных сортов вин (чая и т.п.) с целью улучшения их вкуса, качества. * * * купаж купажирование (франц. coupage), смешение различных пищевых продуктов (вин, чая, соков и т. п.) в определённых соотношениях для… …   Энциклопедический словарь

купаж — kupažas statusas T sritis chemija apibrėžtis Įvairių rūšių to paties maisto produkto maišymas norint pašalinti kurios nors rūšies trūkumus. atitikmenys: angl. blending rus. купаж …   Chemijos terminų aiškinamasis žodynas

Купаж — м. Результат смешивания различных сортов вин, чая в определённом соотношении с целью улучшения их качества, исправления недостатков и получения вина или чая определённого типа и состава. Толковый словарь Ефремовой. Т. Ф. Ефремова. 2000 …   Современный толковый словарь русского языка Ефремовой

Купаж и ассамбляж — в чем их разница?

Сегодня хотим снова обратиться к винному словарю и рассказать о терминах

“купаж” и “ассамбляж”. Очень часто получаем по ним вопросы, и самый популярный: “В чем их разница?”

Купаж вина

В обоих случаях речь идет о смешивании для вина разных сортов винограда. У нас почему-то многие считают их синонимами, но это в корне неправильно. Если посмотреть определение слова “купаж” в словаре, то вы увидите “смешивание разных сортов винограда для повышения качества напитка”. Само слово имеет французское происхождение — “couper”, что означает разрезать, резать. У французов термин имеет отрицательное значение, так как подразумевается добавление виноматериалов или воды в вино. В большинстве случаев это принято считать фальсификацией напитка.

Однако, в других странах купажирование вина используется именно с целью довести напиток “до ума”. Такой способ позволяет подчеркнуть достоинства и скрыть недостатки вина. Метод применяется к продукции с пометкой “столовое” и “местное”. Еще один важный момент — смешивание виноматериалов может происходить на разных этапах производства напитка. Так, существует понятие “сепаж” — это смешение до процесса ферментации. Купаж делается из готового сырья.

Ассамбляж вина

Термин “ассамбляж” означает смешивание как одного, так и разных сортов винограда, но с одинакового виноградника и обязательно урожая того же года. Как вы уже, наверное, догадались, слово больше применимо к винам более высокой категории — DO, AOC или DOC. Но, стоит отметить, что в России закрепилось употребление термина “купаж” за крепкими напитками, а “ассамбляж” за винами. Также в последнее время стал популярен термин “бленд”. Например, купажированным могут называть смешанный солодовый и зерновой виски. Но на этикетке вы увидите отметку blended, общепринятую по всему миру.

Цель ассамбляжа — это получение особенных органолептических свойств вина и выдающегося напитка. Метод используется для создания более полного и богатого вкуса. Каждый сорт имеет свои вкусовые характеристики и может дополнить напиток, добавить ему индивидуальности. Ассамбляж также применяется и с более практичными целями. Дело в том, что у одной виноградной лозы урожай созревает быстро и не боится прохладных дождей, другая из-за раннего цветения будет бояться весенних заморозков, третья менее устойчива к болезням и так далее. Разнообразие сортов на винограднике — это страховка виноделов от нестабильной погоды и неурожая, что позволит даже в плохой год сделать удачное вино.

Ассамбляж также бывает двух видов:

• В первом случае могут быть смешаны не только разные сорта винограда, но и разнородные виноматериалы, то есть виноград, например, с добавлением фруктов. Делается это до брожения. Метод используется как любителями, так и профессиональными виноделами. Тут основная цель — получить напиток определенного состава.
• Во втором случае смешиваются обязательно готовые виноматериалы от одного или разных сортов. Целью является как раз создание вина превосходного качества и получение соответствующей категории.

Кстати, для игристых вин и, особенно, шампанского существует отдельный термин — “кюве”, также подразумевающий смешивание разных сортов винограда.

Еще большой винной терминологии вы можете найти в наших предыдущих и будущих статьях. Оставайтесь с нами, чтобы больше узнать про искусство виноделия и любимое вино.

Поделитесь информацией:

методы и способы купажирования пива

Купажирование стало так же популярно в пивоварении, как и в виноделии. Патрик Доусон в журнале All About Beer описывает основные методы и способы купажирования пива. Pivo.by публикует перевод материала.

Если взглянуть на современное производство пива, зачастую оно является отлаженным технологическим процессом. У производителя есть стандартный рецепт, разработанный на основе практически неизменного состава ингредиентов, а сам процесс пивоварения нередко полностью механизирован. Следовательно, Fat Tire, которое вы пьёте сегодня, с большой вероятностью будет совпадать по вкусу с его аналогом пятилетней давности и с тем, которым вы насладитесь, скажем, через пять месяцев.

В недавнем прошлом практически всё производство пива было подчинено принципу единообразия. Однако с развитием в мировой пивной индустрии вкусовых аспектов, возрос спрос на новые вкусы и ароматы. В ответ на эту растущую тенденцию многие пивоварни начали экспериментировать с технологиями пивоварения для удовлетворения требований любопытных и взыскательных потребителей. Независимо от специфики их производства — мелкосерийное, эксклюзивное или с выдержкой в бочках, все эти относительно новые классы пива объединяет одна вещь: 

купажирование.

Как и в случае с производством марочных вин, для достижения желаемого купажа пивовары вынуждены тщательно смешивать пиво из различных партий и бочек. Независимо от конечной цели — объединить достоинства пива одной партии, смешать молодое и старое пиво для демонстрации их лучших качеств или соединить абсолютно разные сорта (стаут и барливайн, например) для создания уникального бленда — купажирование в современной пивной индустрии явно на подъёме.

Несмотря на то что купажирование пива в прошлом веке было практически несуществующей практикой, оно является отнюдь не новым понятием в пивоварении. В XVIII веке в Лондоне многие трактирщики и держатели пабов нередко смешивали молодой коричневый эль с его выдержанными и более кислыми аналогами для получения вкуснейшего пива с характерными вкусом разной степени сложности. Не стоит забывать и о гёзах, старинном бленде, который производится по сей день. Это превосходная смесь одно-, двух- и трёхлетних ламбиков, о популярности которой судите сами: многие фанаты пива готовы выложить кругленькую сумму, чтобы попасть в самое сердце производства этого напитка — долину реки Сенна — и насладиться там его оригинальным вкусом.

Прежде чем мы погрузимся в интереснейший мир купажирования пива, необходимо сперва разобраться в основах основ этого процесса. Для чего купажируют пиво? Каковы лучшие технологии и методы? Какие основные задачи стоят перед ними? Какие современные виды пива и пивоварни могут служить примером каждого бленда? Рассмотрим для начала практику виноделия и производства спиртных напитков, где купажирование является краеугольным камнем производственного процесса.

Купажирование в виноделии

Анализируя практику винной индустрии и её стародавние традиции купажирования, можно выделить две основные технологии: смешивание вин из одного сорта винограда из разных бочек и соединение вин из нескольких сортов винограда из разных бочек.

(Последний способ считается истинным процессом купажирования в виноделии, что, однако, не умоляет популярность односортового «блендинга», используемого для получения идеального вкуса вина, ведь один и тот же сорт винограда зачастую выращивается на разных участках виноградника, каждый из которых имеет собственный микроклимат, что во многом определяет конечный вкус напитка, не говоря уже о возможности смешивания вин одного сорта, но разного урожая.)

Независимо от того, какой конечный продукт получен — одно- или многосортовой, процесс купажирования развивается по одинаковому сценарию. Купажисты берут образцы каждого вина, которое они планируют добавить в смесь, и создают различные пробные бленды небольшого объёма, например, определив точное количество пти вердо, лёгкие фруктовые нотки которого позволят смягчить танинный характер каберне-совиньон. Как только будет найден идеальный купаж, будут подготовлены более крупные партии продукта, купажированного в установленном соотношении, после чего ключевую роль в этом процессе сыграют условия последующего хранения. Как отмечает Ксения Костик Хаус, винодел из компании Ovum (штат Орегон), которая возвела в культ односортовое купажирование: 

«В каждом сосуде для ферментации создаётся особая среда, которая в дальнейшем определяет особенности текстуры, аромата и вкуса напитка. На этапе купажирования эти особенности и отличия служат в качестве фундамента для придания конечному продукту многогранной сложности».

Купажирование в производстве спиртных напитков

Производство спиртных напитков — ещё одна отрасль с глубокими традициями купажирования, используемого для создания оригинальных вкусовых решений. Крупные производители, как правило, следуют конкретной формуле, не особенно-то колдуя над блендом, в результате чего конечный продукт представляет собой установленную смесь разных винтажей. Иными словами, цель заключается в том, чтобы вкус Jim Beam этого года был идентичен его прошлогоднему аналогу. Однако производители нового поколения вслед за своими коллегами из пивной отрасли постепенно выводят купажирование на качественно новый уровень, используя такие оригинальные методики, как выдержка продукта в бочках различного типа (например, из древесины свежесрубленного дуба, а также специальные бочки для бренди и бурбона) для получения более широкого диапазона вкусов, которые послужат основой для разнообразных вариантов купажа.

Мэгги Кэмбелл, главный специалист по дистилляции в Privateer, компании по производству рома, которая уделяет большое внимание купажированию в технологическом процессе, объясняет: «На самом деле, купажирование во многом определяется самим дистиллятом. От его вкусовых характеристик зависит тип бочки, в которую он будет помещен. Например, чтобы не перегрузить букет рома с деликатными составляющими вкуса и аромата используется бочка для бренди». Определившись с типом бочек, далее производители крепких спиртных напитков следуют тому же процессу, что и их коллеги в винодельческой отрасли: экспериментируют с пробными блендами ограниченного объёма, а затем, найдя идеальный купаж, приступают к производству партии продукта, который вновь помещают на непродолжительное время в бочки перед бутилированием.

Способы купажирования пива

Практически все технологии купажирования, используемые виноделами и производителями крепких спиртных напитков, могут быть полностью заимствованы пивной индустрией, учитывая схожесть технологических процессов во многих аспектах. Так, можно провести параллель между ускользающими тонами хмеля в выдержанном барливайне и сочными фруктовыми нотками молодого вина, которые медленно тают в аромате дуба. А крафтовая пивоварня Founders Brewing Co. ежегодно купажирует пиво KBS (Kentucky Breakfast Stout) из сотни бочек для получения превосходного продукта неизменно высокого качества подобно тому, как крупный производитель крепких спиртных напитков выпускает партии стабильно качественного продукта, полученного на основе тщательного смешивания напитков из многочисленных бочек.

Ознакомившись с феноменом купажирования, далее мы более подробно рассмотрим четыре наиболее распространенных способа купажирования пива в современной практике пивоварения.

Одновинтажное купажирование. Основное назначение этой методики заключается в обеспечении однородности характеристик различных партий продукта, выпускаемого зачастую один раз в год.

По статистике это самая распространенная и наиболее простая технология купажирования. Следуя указанной методике, пиво готовят по проверенному временем рецепту, затем выдерживают в бочках, после чего смешивают, сохраняя однородность характеристик конечного продукта.

Ярким примером является стаут Bourbon County Brand Stout, выпускаемый пивоваренной компанией Goose Island. Ежегодно партия этого популярного среди ценителей пива напитка выдерживается в бурбоновых бочках с проведением регулярных дегустаций для определения степени готовности продукта. Затем несколько образцов из произвольно выбранных бочек купажируют, после чего группа экспертов, полагающихся на свою профессиональную память, записи с предыдущих оценок и дегустаций и результаты лабораторного анализа, оценивает полученный бленд для обеспечения соответствия его профиля характеристикам предыдущего винтажа.

Далее содержимое каждой бочки тщательно анализируют на предмет отсутствия в ней посторонних вкусов и ароматов, которые могут привести к отклонениям от предустановленных и ожидаемых характеристик пива. Содержимое из отдельных бочек дегустируют, однако, учитывая масштабы производства, пиво из большинства бочек подвергается лабораторному анализу (аналогичных подход применяется крупными виноделами), по результатам которого бочки с пивом, которое не соответствует заданным требованиям, отбраковывают (для пива, производимого Bourbon County, этот процент ничтожно мал), а одобренный продукт смешивают и бутилируют.

Мультивинтажное купажирование. Смешивая пиво разного возраста, купажисты создают более сложные комбинации напитка.

Со временем пиво утрачивает свою свежесть и истинно пивные характеристики, такие как солодовая сладость, хмелевой вкус и аромат. Однако если пиво крепкое (8% и выше) или имеет высокий уровень кислотности, то по мере его созревания оно обретает определённые «винтажные» характеристики, которые могут стать основой для широкого диапазона уникальных вкусов и ароматов. Так, в процессе выдержки изначальная крепость барливайна придаст ему сладкие, приторно карамельные нотки, а повышенная кислотность ламбика смягчится, оставляя за собой едва уловимый ансамбль приятных фруктовых тонов.

Именно для этих целей и используется методика мультивинтажного купажирования: молодое и зрелое пиво, соединённые в одном бленде, идеально дополнят друг друга. В некоторых случаях пиво выдерживают в течение нескольких лет до его полного созревания и раскрытия букета, а затем смешивают с молодым пивом для придания яркого акцента конечному продукту.

Гёзе является классическим тому примером, будучи миксом пива разных лет, сваренного по одному рецепту. Жан Ван Рой, главный специалист по купажированию (и не только) в Cantillon, одной из ведущих в мире пивоваренных компаний, производящих гёзе, даёт лаконичное объяснение: «В гёзе молодой ламбик придаёт яркий тон купажу». Поскольку на основе ламбика ежегодно можно получать довольно широкую гамму вкусов и ароматов, купажисты отбирают ограниченное количество образцов пива разного возраста из бочек различного типа, затем смешивают их, экспериментируя с пропорциями, чтобы найти идеальный купаж. Определившись с его составом, объём купажа увеличивают до размеров одной партии продукта, готового к производству.

Пивоварня Firestone Walker из Пасо-Роблес (штат Калифорния) позаимствовала методику мультивинтажного купажирования у соседней винодельни более семи лет тому назад, начав производство выдержанного в бочках пива с высоким содержанием алкоголя. Выдержанные в бочках барливайн Sucaba и императорский стаут Parabola получают на основе пива из самых первых партий, что придаёт им глубокую насыщенность, сложность и питкость.

Гибкое купажирование. Эта методика призвана подчеркнуть лучшие характеристики и достоинства каждой отдельной партии продукта без учёта их однородности.

Существует множество мелких виноделен бутикового типа, которые вместо смешивания определённого набора вин для получения однородного конечного продукта, делают акцент на индивидуальных достоинствах каждого конкретного урожая, создавая соответствующий купаж, чтобы их подчеркнуть.

Современная пивная индустрия также насчитывает большое количество «бутиковых» пивоваров и купажистов, которые применяют аналогичный подход. Многие из них в процессе производства добавляют дикие дрожжевые культуры и (или) «приправляют» пиво сезонными ингредиентами, в результате чего получают партии продукта, отличающиеся друг от друга по вкусовым свойствам. При этом роль купажиста заключается в том, чтобы определить, какие именно характеристики делают каждую партию уникальной, и, руководствуясь своим профессиональным видением и вкусом, раскрыть потенциал конечного продукта.

Небольшая пивоварня Casey Brewing & Blending из Гленвуд-Спрингс (штат Колорадо) своим названием громко заявляет о своей ориентированности на купажирование. Её владелец Трой Кейси обеспечивает быстрый рост популярности своих продуктов в национальном масштабе, создавая отборные бленды на основе своего сэзона; каждая партия отличается своей многосторонней сложностью. «Купажирование — это лучшая часть нашей работы, — заявляет Кейси. — Это искусство сложения разных составляющих по формуле „один плюс один равно три“. Оно заключается не в том, чтобы что-то убрать и в итоге получить больше, а в том, чтобы создать нечто абсолютно новое. В своей работе мы отталкиваемся от того, чтобы наше пиво говорило само за себя».

Кейси делится особенности гибкого купажирования. «Мы отбираем образцы готового зрелого продукта из каждой бочки. В процессе дегустации мы определяем степень готовности каждого из них и ведём подробные записи. Затем мы экспериментируем, смешивая различные вкусы и ароматы, пока не найдём то, что нам нравится». Специфика этой методики заключается в определении количества пива, которое пойдёт на производство конечного продукта. «Объём купажа зависит не от производственных целей, а от вкусовых характеристик и количества готового пива. Мы не боимся отбраковать большинство бочек или сократить объём производства, если пиво не готово».

Многосортовое купажирование.  Наиболее сложная методика, которая заключается в смешивании абсолютно разных видов пива для получения оригинального и превосходного вкуса.

Последний в нашем повествовании и наиболее интересный способ купажирования — это многосортовой. Подобно тому как винодел, производящий бордо, смешивает разные сорта винограда — «каберне-совиньон» и «каберне-фран» — для создания уникального вина, находчивые пивовары смешивают два сорта пива или более для получения совершенного нового продукта.

Ярчайшим примером служит пивоваренная компания с говорящим названием Side Project, расположенная в пригороде Сент-Луиса, во главе которой стоит Кори Кинг, он же — глава пивоваренного производства в Perennial Artisan Ales. Кинг всегда мечтал о создании широкого портфеля выдержанного в бочках пива (не базового шестибутылочного набора) и мечту свою воплотил в жизнь. Кинг довольно быстро осознал, что выдержка пива в бочках и купажирование — взаимодополняющие процессы. «Я считаю, что в производстве моего пива ключевым компонентом является купажирование; именно оно и определяет разницу между пивом, выдержанным в бочках, и превосходным пивом, выдержанным в бочках, — говорит Кинг. — Я очень надеюсь, что в один прекрасный день я буду известен не столько своими успехами в пивоварения, сколько благодаря своему умению купажировать».

Когда Кинг решил применять методику многосортового купажирования, он полностью окунулся в этот процесс, результат чего стало знаменитое Pulling Nails. В состав первой партии входили четыре разных вида пива: фландрийский красный эль, пшеничный сэзон, красный сэзон с сухим охмелением и пиво а-ля ламбик спонтанного брожения. Добиться этой нетривиальной комбинации оказалось нелегко. «Pulling Nails стал для меня настоящим вызовом, поскольку это игра без правил: каждый раз на выходе мы получаем абсолютно новый купаж из самых разных видов пива, при этом я никогда заранее не выбираю сорта, которые буду смешивать. Обычно решение принимается в процессе: я дегустирую пиво, и, если оно имеет насыщенный и сложный вкус, который необходимо облегчить, я добавляю в него другой сорт с более ярким или терпким букетом, которому, наоборот, не хватает насыщенности или другой характеристики. Таким образом, отсутствие любого вкусового компонента я корректирую путём добавления пива, в котором такой компонент присутствует… Это достаточно утомительный процесс, который зачастую занимает у меня несколько недель, прежде чем я буду доволен полученным результатом».

Будущее купажирования пива

Современная практика пивоварения испытывает новую волну интереса к купажированию. На его стороне — многочисленная когорта ценителей пива, которые неизменно рады новым и интересным вкусам и ароматам, поэтому для удовлетворения требований искушённого потребителя производителям необходимо создавать разнообразные купажи и бленды, которые станут креативными, передовыми решениями. Сегодня растёт число компаний, выпускающих пиво с учётом этих тенденций, благодаря чему в скором будущем появятся новые технологии и методы пивоварения, а пивовары смогут проторить собственный уникальный путь без оглядки на традиции виноделия и производства спиртных напитков.

Обеспечение кондиционности вина — vinocenter.ru

Смешивание. Обработанные виноматериалы не всегда по сво­им кондициям (содержание спирта, сахара, кислотность и т. д.) и органолептической характеристике удовлетворяют требованиям, предъявляемым к качеству готовой продукции. Для устра­нения недостатков вина эгализируют, ассемблируют и купажи­руют.

Эгализация (от франц. egalisation — выравнивание) — сме­шивание виноматериалов одного и того же сорта и типа с целью выравнивания состава по одному какому-либо показателю: цве­ту, аромату, кислотности, экстрактивности и т. д.

Эгализация нивелирует состав и качество однородных по сорту и месту про­исхождения вин, на которые повлияли те или иные природные факторы. Эгализация особенно необходима в годы с неблагопри­ятными условиями для созревания винограда.

Некоторые винодельческие фирмы Западной Европы предпочитают часть уро­жая винограда снимать до наступления технической зрелости с тем, чтобы заранее с помощью последующей эгализации пре­дусмотреть нормализацию кислотности и экстрактивности сто­ловых виноматериалов, полученных из частично перезрелого винограда.

Операцию проводят в крупных резервуарах-смесителях, ра­бочий объем которых в несколько раз превышает вместимость резервуаров, предназначенных для эгализации. Как правило, эгализацию совмещают с осветлением, деметаллизацией и ста­билизацией вин к помутнениям.

Ассамблирование (от франц. assemblage — соединение, сбор) — смешивание партий виноматериалов одного сорта, но полученных с различных участков виноградников, районов и микрорайонов с целью получения крупных однородных партий. Эта операция обычно проводится в шампанском производстве и совмещается с осветлением и стабилизацией шампанских ви­номатериалов к помутнениям.

Купажирование, купаж — это смешивание в определенных пропорциях различных виноматериалов и других компонентов (вакуум-сусла, бекмеса, спирта) с целью получения кондицион­ного и типичного продукта, улучшения состава и качества вина.

При купажировании смешивают виноматериалы, полученные из разных сортов винограда, часто из урожая винограда разных лет. В купажи могут входить виноматериалы различного типа: сухие, крепленые, белые и красные. Купажированием могут быть исправлены вина с недостатками, после устранения болез­ней и пороков, окисленные вина.

Многие выдающиеся марочные столовые (бордоские), крепкие (херес) и десертные (марсала, малага) вина готовятся с обязательным купажированием исходных виноматериалов. Купаж шампанских виноматериалов, полученных из различных сортов винограда, составляет основу высокого качества и типичности большинства игристых вин.

Купажирование как творческий процесс. При купажирова­нии математическая сторона решения кондиционности вина по спирту, сахарам и другим количественным показателям имеет второстепенное значение, подчиняясь главному: формированию высокого качества, постоянного типа данной марки вина.

Купажи бывают межсортовые и межгодовые.

В целях сохранения характерных свойств высококачествен­ных, давно зарекомендовавших себя марочных вин в образцо­вых винодельческих хозяйствах мира от каждого купажа остав­ляют 10—30%, создавая так называемый резервный купаж. Он играет роль стабилизатора типичности, поддерживая вкусовые свойства выпускаемых вин. Добавление резервного купажа к молодому купажу ускоряет его созревание.

Творческий купаж распространяется и на подбор сортов ви­нограда при создании новых наименований и типов вин. Извест­но правило построения купажа по принципу «золотого сечения», при котором основной компонент (основной сортовой виномате­риал) берется в количестве 61%, а остальные взятые все вме­сте — 39%.

Этим пропорциям отвечают прославленные купажно-сепажные вина Негру де Пуркарь, Алушта, Портвейн красный Массандра, Портвейн белый Карданахи, Черный доктор и мно­гие другие вина.

Иногда купаж составляется из одного сорта винограда, пере­работанного на различные купажные виноматериалы. Так, в Армении готовят марочный портвейн Айгешат из сорта Воскеат, в Молдавии — купажное столовое вино Каушанское розовое из сорта Мерло, в Туркмении — купажную мадеру Копетдаг из сорта Тербаш.

Расчет компонентов купажа. Расчет выполняют, используя мнемоническую формулу «звездочка», составляя при необходи­мости систему уравнений с двумя или тремя неизвестными, а также графическим путем в координатной системе двух-трех расчетных показателей.

Техника купажирования. При составлении купажа сначала в лабораторных условиях готовятся пробные варианты купажа. Выбрав лучший из них, винодел-технолог рассчитывает пропор­ции производственного купажа и выполняет его, используя спе­циальные крупные резервуары — купажеры. После тщательного перемешивания отбирается средняя проба купажа для ана­лиза.

Купаж считается законченным после совпадения результа­тов анализа и органолептической оценки с расчетными данными и составом пробного купажа.

После купажирования нарушается физико-химическое рав­новесие и требуется определенное время или дополнительная обработка для его восстановления.

Вина Шардоне — описание вкуса и винограда

Шардоне – этакий двойник каберне совиньона среди белых сортов винограда. Его популярность продолжает расти с каждым годом. Разбираемся, чем же этот бургундец привлекает любителей вина.

Родственные связи

Шардоне (chardonnay) родом из Франции, а точнее из Бургундии. Его родители – пино нуар и почти утерянный сегодня сорт гуэ блан (gouais blanc). Гуэ блан получил от генетиков прозвище «казанова», так как он является «папой» множества современных сортов винограда, таких как рислинг, алиготе, гаме, фурминт и блауфранкиш. Название сорта происходит от старофранцузского слова «gou», означающего «вызывающий усмешку и презрение». Немцы тоже пренебрежительно назвали его «Heunisch», то есть «гуннский», «дикий», «неблагородный». Все эти эпитеты возникли из-за того, что гуэ давал вина с высокой кислотностью, низким алкоголем, слишком простые и невыразительные.

Ученые считают, что сорт появился на территории нынешней Франции благодаря римскому императору Пробу, который в III веке нашей эры даровал галлам саженцы винограда из своей родной Паннонии. Союз местного пино нуар и центральноевропейского пришельца оказался невероятно плодовитым. Генетическими братьями шардоне являются алиготе, мелон де бургонь и гаме нуар. Свое название новорождённый сорт получил в честь бургундской деревушки Шардоне, находящейся на юге региона, в Маконнэ.

Основные характеристики

Шардоне – сорт довольно неприхотливый. Он хорошо себя чувствует на широком спектре почв и в разных климатических условиях. Он созревает рано, поэтому не боится осенних дождей, и дает стабильно хороший урожай. Однако, и почки он распускает рано, поэтому в прохладных регионах бывает подвержен весенним заморозкам.

Шардоне называют «сортом винодела». Сам по себе он имеет нейтральный характер, не обладает яркой ароматикой, поэтому винодел, используя различные техники, может из такого винограда, как из пластилина, вылепить нужный ему стиль вина. Для того чтобы сделать хрустящее, легкое вино, винификацию проводят в емкостях из нержавеющей стали.

Если же стоит задача получить вино более маслянистое и насыщенное, энолог использует выдержку на дрожжевом осадке в дубовых бочках с периодическим перемешиванием (батонажем). В последние годы появились и оранжевые вина из шардоне, сделанные путем мацерации виноградного сусла на кожице.

Классика

Во Франции шардоне выращивают во многих регионах, но классикой считаются лишь два – Бургундия и Шампань. Он входит в классический шампанский ассамбляж вместе с пино нуаром и менье или выступает соло в категории «блан де блан». Игристому вину шардоне придает элегантность, стройность и оттенки меда и белых цветов.

Бургундские шардоне условно можно разделить на два стиля: звонкие, хрустящие шабли (Chablis) и маслянистые, плотные мерсо (Meursault) и монраше (Montrachet). Такое деление действительно схематично, так как многое зависит от стиля конкретного производителя, однако позволяет обозначить экстремумы, между которыми существует множество промежуточных вариантов. В Шабли климат намного более прохладный, поэтому вина получаются более нервными, кислотными, с ароматами зеленых яблок, цитрусовых и мокрого камня.

Кот д’Ор находится значительно южнее, виноград здесь вызревает лучше, и в эталонных винах региона мы найдем нотки спелых косточковых фруктов и лесных орехов. Здесь намного больше работают с дубовыми бочками и выдержкой на осадке, которые добавляют вину оттенки сливочного масла, бриоши и укрепляют его структуру и стать. На юге в Бургундии, в Маконнэ, климат еще жарче, что дает винам тропическую пышность и почти новосветскую открытость.

История успеха

Еще в 1970-е годы шардоне выращивали в основном в родной для него Бургундии и соседней Шампани. Площади виноградников в Калифорнии и Австралии были крошечными. Однако, в 1980-е с развитием винодельческой отрасли в странах Нового Света мир настиг бум шардоне. Дженсис Робинсон называет это «обрядом инициации»: каждый уважающий себя винодел захотел сделать у себя на родине шардоне в бургундском стиле. Глобальная «шардонизация» настигла США, Австралию, Чили и ЮАР.

Сегодня шардоне занимает второе место в мире по посадкам среди белых технических сортов и вскоре, вероятно, обгонит айрен, испанскую «рабочую лошадку», который используется не только для производства вина, но также бренди и уксуса. В США шардоне, вообще, лидирует среди всех технических сортов, а в Австралии уступает только ширазу и каберне совиньону.

Калифорникейшн

Мощнейшим стимулом развития американского культа шардоне выступил уже ставший притчей во языцех «суд Парижа». В слепой дегустации калифорнийское Château Montelena обошло мерсо, батар- и пюлиньи-монраше от великих производителей. Французские критики, участвовавшие в дегустации, не могли поверить в то, что сами сделали выбор в пользу «американских выскочек». Калифорнийцы же ликовали.

Посмотрите фильм «Bottle Shock» («Удар бутылкой», «Шоковый эффект»), прекрасно описывающий это историческое для мира вина событие. Позднее винные эксперты стали говорить о том, что американцы выиграли благодаря тому, что вина дегустировались очень молодыми. В 2-3 летнем возрасте калифорнийские вина, благодаря более теплому климату, были намного более открытыми и готовыми к употреблению, чем французские соперники.

Новый и не очень свет

Сегодня шардоне можно найти почти в любой винодельческой стране. В США, помимо Калифорнии, сорт очень популярен в Орегоне, где климат прохладнее и немного схож с бургундским, поэтому именно шардоне и пино нуар прижились там особенно хорошо. Неизведанные терруары Орегона привлекли даже некоторых бургундских виноделов, таких как, например, Друэны (Drouhin).

Австралия занимает третье место по площадям посадок шардоне в мире. Большая часть винограда идет на производство недорогого и не слишком изысканного вина. На пике популярности сорта производители даже испытывали недостаток сырья, поэтому шардоне начали ассамблировать с более дешевым виноградом сортов семийон и коломбар. Вообще, шардоне редко купажируют для производства тихих вин, поэтому австралийская практика, скорее, исключение из правил.

Италия, хоть и не Новый свет, но шардоне никогда не был здесь «своим». Сегодня страна занимает четвертое место по площади виноградников сорта. Его активно используют для производства игристых вин, таких как франчакорта (Franciacorta) и Trento DOC. Тихие вина из шардоне распространены в Альто-Адидже, Фриули, Умбрии, Тоскане и на Сицилии.

В Новой Зеландии шардоне тяжело тягаться с вездесущим совиньоном, но на Северном острове, в регионах Гисборн и Хоукс Бэй, встречаются действительно интересные образцы. Новозеландцы аккуратно работают с дубовой бочкой, поэтому вина здесь получаются сбалансированные, с освежающей кислотностью и уравновешенной ароматикой цитрусовых и тропических фруктов.

В Австрии многие виноделы по старинке называют шардоне «мориллон». Это один из немногих, употребляемых до сих пор, синонимов сорта. В коммерческом плане такое решение, конечно, совершенно не выгодно, ведь «шардоне» – один из самых сильных брендов в винном мире. Австрийцы, однако, продают большую часть своего вина внутри страны, поэтому сохранение исторического названия – это дань уважения истории местного виноделия.

Много шардоне и в Восточной Европе. Маленькая Молдавия, например, занимает восьмое место в мире по площадям посадок сорта. Молдавские виноделы добились даже международного признания. В 2017 году редкое сладкое шардоне из ботритизированного винограда от винодельни Château Vartely получило платиновую медаль на престижном конкурсе Decanter World Wine Awards как лучшее сладкое вино Центральной и Восточной Европы.

ABC

В начале 2000-х популярность шардоне сыграла с ним злую шутку. Кампания ABC (Anything but Chardonnay – «все, что угодно, только не шардоне») прокатилась по главному мировому винному рынку – Соединенным Штатам, а затем и по другим англоязычным странам. Сомелье и продвинутые потребители протестовали против засилья безликих, сделанных по шаблону, зачастую заметно сладковатых вин, которыми американские домохозяйки наслаждались во время глажки белья и уборки дома. Заказать шардоне в баре стало считаться отсутствием винного вкуса.

Чтобы прослыть модником, нужно было пить гарганегу, альбариньо, ассиртико или, на худой конец, совиньон блан. Однако, как и любой тренд, мода на «не-шардоне» быстро сошла на нет. Неопытным потребителям тяжело было запоминать новые сложнопроизносимые названия, а винные энтузиасты никогда и не подвергали сомнению величие главного белого бургундца. 

Слева направо: Louis Roederer Brut Blanc de Blancs 2011; Chablis Sainte Claire Jean-Marc Brocard 2018; Puligny-Montrachet Olivier Leflaive Frères 2016

Louis Roederer Brut Blanc de Blancs 2011

Вина из 100% шардоне встречаются в Шампани нечасто, они составляют всего 5% производства региона. После вторичной ферментации в бутылке вино выдерживается на дрожжевом осадке в течение 5 лет. Это придает ему тонкие ароматы свежей выпечки, лесного ореха и цветочного меда, подкрепленные элегантной текстурой и тонким перляжем. Классический «блан де блан» прекрасно справится с лобстером «Термидор» или мясом кролика в сливочном соусе с пряными травами. 

Chablis Sainte Claire Jean-Marc Brocard 2018

Эталонный пример шардоне из холодного климата, это то шабли, которое, несмотря на протесты сомелье, хочется назвать минеральным. Оно строгое, стальное, пахнет мокрым камнем и освежает, как минеральная вода с газом. Семья Брокар – пионеры биодинамики в регионе и противники дубовых бочек. Их вина – это чистое выражение терруара. Шабли станет отличным аккомпанементом к свежим устрицам, севиче из сибаса или сашими из гребешка.

Puligny-Montrachet Olivier Leflaive Frères 2016

Название деревушки Пюлиньи имеет римские корни, когда-то это место принадлежало некому Пуллиусу. Монраше (в переводе с французского «лысая гора») – главный виноградник деревни. Семья Лефлев одними из первых в Пюлиньи стали бутилировать вина под собственным именем. Используя знания полученные в семейном домене, Оливье Лефлев в 1984 году основал свой негоциантский дом.

Виноград покупают только у проверенных поставщиков, винифицируют и выдерживают на собственной винодельне. Пюлиньи-Монраше – это роскошное, многослойное вино с ароматами спелого персика, хлебной корочки и мускатного ореха. Оно заслуживает сложного и изысканного сопровождения, например, тюрбо, запеченной в белом вине с ароматными травами.

Слева направо: Wente Chardonnay Riva Ranch Single Vineyard 2017; Крю Лермонт Шардоне Фанагория 2017

Wente Chardonnay Riva Ranch Single Vineyard 2017

В 1912 года Эрнест Венте привез саженцы шардоне из французского университета Монпелье. После снятия Сухого Закона, когда землевладельцам вновь разрешили выращивать виноград, многие брали посадочный материал у Венте. Говорят, сегодня около 80% посадок калифорнийского шардоне – это потомки тех французских лоз. Хрестоматийное шардоне из «золотого» штата выдержано в дубовых бочках в течение 9 месяцев.

Это «большое» вино, богатое ароматами ананаса, манго и ванили. Оно составит удачную пару блюдам из курицы и свинины, а также сливочным сырам, таким как Бри и Камамбер.

Крю Лермонт Шардоне Фанагория 2017

Гамма вин «Крю Лермонт» российской винодельни «Фанагория» посвящена поэту Михаилу Лермонтову, который во время службы на Кавказе посетил Таманский полуостров, где сегодня располагаются виноградники хозяйства.

Лучшее по мнению многих экспертов российское шардоне по соотношению цены и качества, «Крю Лермонт» будет выигрышно смотреться со сложносочиненными салатами, пастой в сливочном соусе и жульеном из курицы.

Фото: архив SWN.

Статьи по теме:

Какой алкоголь привезти из Франции?

«In vino veritas, in aqua sanitas» / «В вине истина, в воде здоровье»

 

А вы знали вторую часть приведенной латинской поговорки, пока не наткнулись на эту статью? Для одних – истина (и истинное удовольствие) в вине, другие предпочитают напитки покрепче, но правда в том, что во Франции можно попробовать самые вкусные и изысканные из существующих в мире алкогольных напитков, причем одним красным или белом вином ваш выбор не ограничится. Из нашей статьи вы узнаете, какой алкоголь стоит привезти из Франции и где его лучше всего покупать.

Подробным и полезным офлайн гидом для вас по Парижу и Франции станет наше приложение, скачать его можно тут.

Для начала познакомимся с популярными спиртными напитками Франции, чтобы понять, на что стоит обратить внимание в магазинах Парижа и других французских городов и что следует хотя бы попробовать, например, заказав в ресторане.

Вино (Le vin)

Ох, Франция! Страна виноградников и крупнейший производитель вина в мире. Каждый регион, да что там регион, практически каждый французский городок может похвастаться уникальным сортом вина. Вся прелесть французского вина в том, что с вероятностью 99% оно окажется хорошим, независимо от цены за бутылку (в среднем, от 4 евро до 20 евро в супермаркетах и до бесконечности в специализированных магазинах). В рейтинге лучших ежегодно лидируют вина из Бордо, обратите внимание на Château Montrose, Château Léoville-Las Cases или Château Duhart-Milon.

Если вы любите вино, советуем посетить парижский cалон виноделов, заказать «прогулку по виноградникам Франции», это можно сделать по этой ссылке.

Или даже отправиться в путешествие по винным хозяйствам Бордо вместе с русскоговорящим экскурсоводом, подробная информация и запись доступны здесь.

Среди вин Франции стоит также выделить божоле́-нуво́ (beaujolais nouveau), которое поступает в продажу через шесть недель после сбора урожая, в третий четверг ноября каждого года. Оно имеет прозрачный красный цвет, достаточно резкое на вкус, но при этом обладает смородиновым, вишневым или малиновым послевкусием. Это вино не предназначено для долговременного хранения, обычно его употребляют до начала весны следующего за сбором урожая года.

Шампанское (Le vin de Champagne)

Мало к какому напитку предъявляется столько требований, как к французскому шампанскому! Это игристое вино производят исключительно в Шампани из трех сортов винограда (Шардоне, Пино Нуар и Пино Менье), кроме того существует специальный порядок подрезки виноградной лозы, степень отжима винограда, минимальный срок выдержки на осадке и многие другие требования. Самое популярное шампанское во Франции – брют (brut) и экстра-брют (extra brut или brut nature), отличающиеся низким содержанием сахара. Знаменитые производители шампанского: Veuve Clicquot Ponsardin и Moët & Chandon. Кстати, во Франции вы можете посетить производства игристого вина и спуститься в погреба ведущих производителей.

Бутылка шампанского стоит 25 евро, но, конечно, в зависимости от марки, цены взлетают до небес.

Креман (Cremant)

Игристое вино креман называют младшим братом шампанского. Этот продукт производят в 10 разных регионах (8 на территории Франции и по одному в Бельгии и Люксембурге) из самых разнообразных сортов винограда. Стоит выделить Cremant d’Alsace (Эльзас), Cremant de Bordeaux (Бордо) и Cremant de Bourgogne (Бургундия), напитки из этих регионов обладают сливочным послевкусием. Содержание алкоголя от 7 до 14%.

Когда цена шампанского начинается с 15 евро, его собрат креман вы найдете и за 5.

Сидр (Le cidre)

Сидр – игристый напиток, происходящий из яблочных и грушевых садов Нормандии и Бретани. По содержанию сахара выделяют сладкий (doux), полусладкий (demi-sec) и сухой (sec), содержание алкоголя составляет от 2,5 до 5%. Это  доступный алкоголь, стоимость бутылки сидра – от 1.5 до 5 евро.

О-де-ви (L’eau-de-vie)

О-де-ви или «вода жизни» – это французское название бренди. Строго говоря, это крепкий алкоголь, произведенный на основе вина. Даже не так. Самогонка это, фруктовая и французская. К о-де-ви относятся коньяк, арманьяк и кальвадос, речь о которых пойдет ниже, а также напитки, изготовленные на основе фруктов:

• Mirabelle – слива мирабель;
• Kirsh – вишня;
• Myrtille – черника;
• Fraise – клубника;
• Poire Williams – груша.

Не стоит путать этот напиток со сладкими ликерами, фруктовые о-де-ви – бесцветные, сухие на вкус и очень крепкие (40-55%) напитки.

Коньяк (Le cognac)

 

Знаменитый на весь мир французский коньяк производят в департаменте Шаранта, в городке Коньяк и его окрестностях. Крепость напитка – 40%. Знаменитые марки – Hennessy, Rémy Martin и Augier.

Цена бутылки зависит от выдержки. VSOP вы найдете и за 30-40 евро. А за XO придется отдать 150-200 евро. И как в случае и с другим элитным алкоголем, цена бутылки может доходить до стоимости картины Ван Гога.

Пино де Шарант (Pineau des Charentes)

Пино де Шарант или просто Пино – напиток, который практически неизвестен за пределами Франции. Его производят из виноградного сока и коньячного спирта. Пино, которое бывает белым и красным, в зависимости от сорта винограда, выдерживают в дубовой бочке в течение определенного времени, в результате получая сладковатый напиток с цветочным ароматом и примерной крепостью 16-22%.

Грубо говоря, пино – это французский вид порто. Но это все же очень грубо говоря.

Стоимость бутыли 10-20 евро.

Арманьяк (L’Armagnac)

 

Некоторые считают, что арманьяк – это «младший брат» коньяка, однако, гасконский напиток появился в 12 веке, а шарантский продукт известен с 16 века. Арманьяк крепостью не менее 40% готовится из виноградного сока путем перегонки с последующей выдержкой в дубовой бочке. В зависимости от производителя, напиток может обладать ванильным, карамельным, миндальным и даже шоколадным послевкусием.

Средняя стоимость бутылки арманьяка (700 мл) – 40-70 евро, известные марки: Dartigalongue, Chateau du Tariquet VSOP, Baron De Sigognac, Janneau Grand Armagnac VSOP.

Флок де Гасконь (Floc de Cascogne)

Если арманьяк для вас слишком крепкий напиток, советуем обратить внимание на Floc de Cascogne или «букет цветов Гаскони», который производят из арманьячного спирта и свежевыжатого виноградного сока (крепость 16-18%).

Кальвадос (Le calvados)

 

Кальвадос – это бренди, который производят исключительно на северо-западе Франции, в Нормандии, путем двойной перегонки сидра. Бывает яблочный (наиболее распространенный) и грушевый, крепость напитка от 37.5 до 45% алкоголя.

Бутылка хорошего кальвадоса стоит 25-35 евро. Но цена легко может доходить до 60-70 евро.

Поммо де Норманди (Pommeau de Normandie)

Поммо де Норманди – смесь из молодого кальвадоса и яблочного сока (4 к 1). После купажирования напиток выдерживают в дубовых бочках 14 месяцев, крепость продукта составляет около 17 %.

L’esprit du malt – уникальный виски из Шампани

L’esprit du malt или «Дух солода» производится в центре региона Шампань, в лесу Верзи. Говорят, что напиток делают по смешанной технологии, основанной на традициях изготовления солодового виски и шампанского.

Каждый год разливают не более 50 000 бутылок, стоимость составляет от 80 до 800 евро. На вкус напиток напоминает коньяк, но с хлебным ароматом и послевкусием.

Шартрез (La chartreuse)

Шартрез – это ликеры, которые производятся в Вуароне при помощи монахов монастыря Гранд Шартрез. Рекомендуем обратить внимание на зеленую версию ликера, основанную на настое из 130 трав. Крепость – 55%. Напиток легко пьется как сам по себе, так и в составе коктейлей.

Стоимость за 700 мл – около 36 евро.

Пастис (Pastis)

Пастисом называют анисовую настойку (помните, «анисовая? ключница делала?») В состав французской анисовки входят 50 растений и пряностей. Этот напиток пришел на смену запрещенному абсенту. Как правило, пастис (крепостью 40-45%) разбавляют водой в 5-6 раз и пьют как аперитив.

Вкус для нашего человека странный, напоминающий скорее лекарство, чем алкоголь. Но французы пьют с удовольствием.

Цена за бутылку – от 15 евро.

Французское пиво

Французы употребляют в больших количествах не только вино, но и пиво. Если хотите попробовать что-то необычное, то обратите внимание на пиво Mor Braz из Бретани, изготавливаемое на основе морской воды, или северные сорта, такие как Ch’ti – пиво, близкое к бельгийскому.

Где покупать алкоголь во Франции?       

Большинство из перечисленных выше алкогольных напитков вы найдете в супермаркетах, таких как Auchan или Monoprix. Бутылку вина, креман или сидра вы сможете приобрести практически в любом продовольственном магазине Франции. За некоторыми сортами шампанского, коньяка и арманьяка придется сходить в специализированные винные магазины. И не забывайте про зону дьюти-фри французских аэропортов. В аэропорту Парижа вы всегда найдете шампанское, коньяк, арманьяк и другие виды алкоголя, популярного во Франции. Но лучшее место для покупок – небольшие магазинчики, в названии которых есть слово cave – их владельцы сами отбирают и составляют коллекции напитков. Здесь вы найдете не индустриальную продукцию, а редкий утонченный продукт.

Какой из спиртных напитков Франции вас заинтересовал? У вас есть любимая марка французского вина, коньяка или шампанского? Делитесь впечатлениями в комментариях!

Автор: Анастасия Сергиевская

Смешивание и расщепление при сборе и обработке сейсмических данных

В современных методах сбора сейсмических данных источники срабатывают с большими временными интервалами, чтобы избежать интерференции между откликами последовательно срабатывающих источников, измеряемыми приемниками. Это приводит к трудоемкому и дорогостоящему обследованию. Теоретически время ожидания между двумя последовательно включенными источниками должно быть бесконечным, поскольку волновое поле никогда не исчезает полностью. Однако на практике это время ожидания варьируется от нескольких секунд до 30 секунд.Это означает, что ответы источника по истечении времени ожидания незначительны. Например, в интервале времени в 200 с 40 местоположений источников могут быть активированы с временем ожидания 5 с, или 20 местоположений источников могут быть активированы с временем ожидания 10 с. Поскольку принятие решений на уровне бизнеса обычно основано на минимизации затрат на приобретение, исходная область обычно плохо отбирается, чтобы ограничить продолжительность опроса, что вызывает пространственное искажение (Mahdad et al., 2011). С другой стороны, изменение времени ожидания обеспечивает гибкость выборки источника и времени обследования.Концепция одновременного или смешанного сбора данных направлена ​​на решение вышеупомянутых проблем путем либо сокращения времени ожидания между источниками возгорания, что ведет к снижению затрат на сбор данных, либо путем увеличения количества источников за одно и то же время съемки, что приводит к более высокому качеству данных. Обратите внимание, что комбинация двух подходов объединяет эти преимущества. Цена, уплачиваемая за достижение более высокого качества данных при более низкой стоимости сбора, связана с искаженными данными, называемыми смешанными данными, которые собираются при смешанном сборе.Однако, чтобы предшествовать дальнейшей обработке и алгоритмам построения изображений, необходимо сначала разбить смешанные данные на их исходные компоненты (ответы из одного источника) с помощью этапа обработки, называемого разбиением. Это попытка получить данные, как если бы они были получены обычным, несмешанным способом. В этой статье мы представляем концепцию одновременного сбора данных и исследуем три метода расщепления: 1) Метод наименьших квадратов (псевдодеблендинг), который идеально предсказывает смешанные данные, но его решение страдает от помех, связанных с источниками помех в наблюдения, так называемые смешанные шумы (перекрестные помехи).Эти шумы имеют разные характеристики в разных областях данных. Например, в области общей средней точки (CMP) они некогерентны и похожи на шипы, и поэтому с ними можно бороться с помощью алгоритма шумоподавления. 2) Подавление шума многонаправленным векторно-медианным фильтром (MD-VMF). Это обобщение хорошо известного обычного медианного фильтра от скалярной реализации до векторной формы. Более конкретно, векторный медианный фильтр применяется во многих пробных направлениях, а затем выбирается медианный вектор.3) Регуляризация матрицы деблендеров. Устранение проблем само по себе является недооцененной и поэтому некорректно поставленной проблемой; Это означает, что существует бесконечно много решений проблемы разрушения. Следовательно, для ее решения необходимы ограничения. Возможный способ — это пространственно-ограничивающие ограничения, которые полезны при плотной выборке источников. Было показано, что при таких ограничениях матрица оператора разделения смеси может быть регуляризована, чтобы сформировать оператор прямого разделения с хорошим поведением.Наконец, наблюдая за волновым полем на основе детализированных синтетических и полевых данных, мы заключаем, что регуляризация матрицы оператора изгиба надежна из-за ее точности в подавлении шума и сохранения сигнала и скорости алгоритма.

Разделение 4-компонентных данных из одновременного источника — Пример двухмерного OBC в Малайзии | Международная выставка и ежегодное собрание SEG

Резюме

При съемке с помощью кабеля морского дна (OBC) значительная часть времени исследования посвящена съемке с источника.Съемка с одновременным использованием источника, которая допускает наложение времени между снимками, открывает путь к повышению производительности сбора данных или более качественной выборке волнового поля (Hampson et al., 2008). Однако смешанные наборы данных требуют специальной обработки перед обработкой с использованием обычных методов (Davies et al., 2013). В этой статье мы представляем работу по расчленению, выполненную на смешанном 2D 4-компонентном (4C) наборе данных OBC о мелководье, полученном в Малайзии с временным смещением между источниками. Процесс разделения, основанный на комбинации итеративного извлечения сигнала и ослабления импульсного и интерференционного шума, описывается вместе с процедурами контроля качества, выполняемыми перед переходом.Этот поток предназначен для устранения расщепления как продольных, так и обменных волн.

Введение

Недавняя работа продемонстрировала сильный потенциал одновременной съемки источников в съемках OBC для уменьшения продолжительности съемки или увеличения плотности взрыва (Abma et al., 2013). Временное сглаживание почти синхронных источников обычно вводится для разделения выстрелов (Moore et al., 2008). Это обеспечивает рандомизацию перекрестных помех от одновременных источников, влияющих на данные в областях пространственной сортировки (таких как общий приемник или CMP).Временная задержка между источниками также может быть связана с естественными изменениями скорости судна-источника в случае полностью независимых одновременных источников, снимающих на месте.

В настоящее время используются две основные группы методов для разделения одновременных источников помех. Первая группа основана на использовании методов ослабления импульсного шума для устранения перекрестных помех большой амплитуды, влияющих на смешанные наборы данных (Wang et al., 2014). Методы, принадлежащие ко второй группе, основаны на моделировании данных и схеме вычитания для выполнения разделения (Mahdad et al., 2011), которые могут быть встроены в схему инверсии (Peng et al., 2013). Моделирование обычно выполняется в области, где данные имеют разреженное представление, такое как область Фурье, кривой или Радона (Ibrahim et al., 2014), или с использованием декомпозиций по словарям сигналов, построенных путем машинного обучения (Zhou et al ., 2013).

В случае разделения на основе инверсии продвижение разреженных моделей в определенных областях является способом минимизировать влияние перекрестных помех одновременных источников на модель.

Метод POCS для итеративного разбиения, ограниченного маской смешивания

Все более высокий спрос на визуализацию недр с высоким разрешением, инверсию и характеризацию требует современных сейсмических съемок, которые имеют все большую и большую плотность взрыва и приемника. Плотность приемников может быть легко увеличена за счет развития технологии морского донного кабеля (OBC) или океанического донного узла (OBN) (Chen, 2015c). Более высокая дискретизация приемника может быть получена путем размещения большего количества OBC / OBN на морском дне.Однако для увеличения плотности выстрелов требуется значительно увеличенная стоимость сбора, поскольку частота воспламенения выстрелов не может быть сильно увеличена, чтобы избежать временного перекрытия между соседними записями выстрелов. Компромисс между стоимостью сбора данных и плотностью отбора проб является основным узким местом, которое препятствует широкому применению сейсмических съемок с высоким разрешением и широким азимутом.

Одновременный сбор данных из источников — это такая современная технология, которая дает двукратную выгоду как в отношении стоимости сбора данных, так и плотности выборки.При одновременном обнаружении источников несколько выстрелов могут быть произведены одновременно, независимо от интерференции между разными выстрелами (Beasley et al., 1998, Beasley et al., 2012, Berkhout, 2008, Borselen et al., 2012, Hampson et al., др., 2008, Ким и др., 2009). Самая серьезная проблема при съемке с одновременным использованием источников — это интенсивные помехи, вызываемые одновременно записанными откликами земли от нескольких источников (Chen et al., 2014c). Самый простой способ справиться с этой проблемой сильных шумов — ослабить их перед передачей данных в традиционный рабочий процесс обработки сейсмических данных.Эта стратегия первого разделения и второй обработки называется в литературе расщеплением (Qu et al., 2016). Другой способ справиться с шумом одновременных исходных данных — полностью игнорировать помехи и сосредоточиться на разработке надежных алгоритмов построения сейсмических изображений и инверсии (Chen et al., 2016a, Chen et al., 2017a, Ebrahimi et al., 2017 ), чтобы ослабить артефакты на финальном этапе построения сейсмических изображений и инверсии (Bai et al., 2016a, Bai, 2016b, Chen et al., 2015a, Chen et al., 2015c, Chen et al., 2016e; Gan et al., 2016c, Guitton and Díaz, 2012, Xue et al., 2016b)).

Опубликованные в настоящее время методы деблендирования в основном разделены на две группы. Первый тип методов рассматривает проблему расщепления исключительно как проблему ослабления шума (Chen et al., 2017b, Chen, 2017, Chen and Jin, 2015, Chen and Ma, 2014, Chen et al., 2016d, Chen et al. , 2014b, Gan et al., 2015a, Gan et al., 2016a, Huang et al., 2016a, Huang et al., 2017, Jiao et al., 2015, Li et al., 2016a, Li et al., 2016b, Liu et al., 2016b, Liu et al., 2016f), например применение медианного фильтра для подавления этого шипообразного шума (Chen, 2015a, Chen and Fomel, 2015b, Gan et al., 2016d, Huang et al., 2016a, Huo et al., 2012). Другая группа методов относится к методам, основанным на инверсии (Qu et al., 2014, Qu et al., 2015, Wapenaar et al., 2012). Abma et al. (2015) предложили классический метод разреженной инверсии для итеративного подавления пространственно некогерентного шума. Ченг и Сакки (2015) предложили итеративный метод понижения ранга.Chen et al. (2014c) инициализировали общую итеративную структуру для отделения шума смешения от полезных сигналов первичного отражения. Berkhout и Blacquiere (2013) обсудили проблему шума при обнаружении одновременных источников и отметили, что одновременное обнаружение источников значительно улучшит отношение сигнал / шум (SNR) (Chen et al., 2015d, Liu et al., 2012, Liu et al., 2009) окончательных данных из-за значительного сокращения периода сбора данных.

Хотя многие из этих методов, включая методы на основе фильтрации и методы на основе инверсии, доказали свою эффективность в расщеплении одновременных исходных данных, все эти методы, похоже, упускают из виду важную особенность одновременных исходных данных, которая потенциально может помочь нам сделать существующую инверсию основанные на методах деблендирования еще более успешны.Я извлекаю маску смешивания, численно смешивая матрицу, равную 1 для всех ее элементов. Смешанная матрица содержит один и не один элемент. Неединичные записи соответствуют тем точкам, которые загрязнены смешивающими помехами, а единичные записи — это те точки, которые представляют чистые данные. Вводя эту маску смешивания в итеративную структуру, основанную на разреженной инверсии (Chen et al., 2015b), я предлагаю новый метод проекции на выпуклые множества (POCS) с множественными выпуклыми ограничениями (Chen, 2015b, Gan et al., 2015c, Zhang et al., 2016). Дополнительное ограничение из маски смешения может значительно ускорить скорость сходимости и улучшить конечные характеристики разделения.

Я организовываю статью следующим образом: сначала я представляю прямую задачу, а затем представляю структуру разреженной инверсии для решения задачи прямого смешивания. Далее я сосредотачиваюсь на представлении конструкции маски смешивания и представляю новую итеративную структуру, в которой как ограничение разреженности s, так и ограничение маски смешивания применяются на основе метода POCS (Gan et al., 2016b, Wang et al., 2015). Наконец, я использую один синтетический и один реальные примеры данных, чтобы продемонстрировать превосходные характеристики предлагаемого метода. Некоторые ключевые выводы сделаны в конце статьи.

РАЗБЛОКИРОВКА ОДНОВРЕМЕННЫХ ИСТОЧНИКОВ :: Key Seismic

Одновременное получение источников приводит к наложению записей или помехам, которые необходимо удалить перед последующей обработкой. В то время как традиционные методы ослабления шума могут частично ослабить одновременные помехи от источника путем оценки базового сигнала, разбиение на основе инверсии предлагает возможность совместной оценки сигнала и помех.

Цель разбивки на основе инверсии — найти записи несмешанных ударов, которые соответствуют наблюдаемым данным при передаче оператору смешивания. Это можно выразить как

d = Γ m

где d — наблюдаемые данные, Γ — оператор смешивания, а m — несмешанные данные. Поскольку Γ сжимает данные в смешанный формат, решение для m является некорректной обратной задачей, требующей дополнительных ограничений.Чтобы преодолеть это препятствие, нам необходимо, чтобы решение было согласованным по горизонтали и не содержало неустойчивых амплитуд. Эти ограничения используют несогласованность относительного времени съемки между соседними трассами для подавления помех.

Согласованность одновременной интерференции источников связана с областью наблюдения. Для иллюстрации рассмотрим запись смешанного снимка, показанную на рисунке 1. Помехи от более позднего снимка видны в нижней части записи. Поскольку время мешающего выстрела постоянно между соседними трассами, интерференция кажется когерентной.Обычная сейсмограмма приемника из того же набора данных показана на рисунке 2. Здесь время мешающего импульса варьируется от трассы к трассе, что делает помехи некогерентными.

Рисунок 1. Обычная сейсмограмма из одновременной съемки источников. Интерференция кажется когерентной в этой области.

Рисунок 2. Обычная сейсмограмма приемника из одновременной съемки источников. В этой области интерференция кажется несвязной.

Пример полевых данных

На рис. 3а показаны времена выстрелов с цветовой кодировкой для одновременной съемки источников. Источники с одинаковым временем выстрела потенциально могут мешать друг другу. Другой способ визуализировать эту интерференцию — использовать складку наложения, рассчитанную как количество снимков, которые происходят в пределах указанного временного окна, окружающего каждый снимок. На рисунке 3b показана кратность смешивания для этого обзора, рассчитанная для окна +/- 5 секунд. Многие снимки в обзоре имеют совмещенную складку, равную единице (без помех), в то время как относительно немногие имеют плавную складку, равную тройке или больше.

Рис. 3. Время съемки и сложение для одновременной съемки источников.

Результаты одновременного разделения источников показаны на Рисунке 4. Записи смешанных импульсов на Рисунке 4a отображают помехи от более раннего и более позднего времени взрыва. Результаты после разделения (показаны на рисунке 4b) демонстрируют, что большая часть помех была ослаблена, в то время как панель разностей (показанная на рисунке 4c) демонстрирует высокий уровень сохранения сигнала.

Рисунок 4. Результаты одновременного разбиения источников.

Инструмент многодиапазонного морфо-спектрального анализа компонентов (MuSCADeT): удаление разноцветных объектов

A&A 589, A2 (2016)

Инструмент многодиапазонного морфо-спектрального анализа компонентов (MuSCADeT): разделение разноцветных объектов

^⋆

Р. Джозеф ¹ , Ф. Курбин ¹ и Дж.-L. Старк ²

¹ Laboratoire d’astrophysique, Федеральная политехническая школа Лозанны (EPFL), Observatoire de Sauverny, 1290 Versoix, Switzerland
электронная почта: [email protected]
² Laboratoire AIM, CEA / DSM-CNRS-Université Paris Diderot, Irfu, Service d’Astrophysique, CEA Saclay, Orme des Merisiers,

Gif-sur-Yvette, Франция


Получено: 8 декабря 2015 г.
Принято: 15 февраля 2016 г.

Аннотация

Мы представляем новый алгоритм цветоделения и разделения многополосных астрономических изображений под названием MuSCADeT, который основан на морфо-спектральном компонентном анализе многополосных изображений.Алгоритм MuSCADeT использует редкость астрономических объектов в морфологических словарях, таких как вейвлеты, и их различия в спектральном распределении энергии (SED) в многополосных наблюдениях. Это позволяет нам разработать независимый от модели и автоматизированный подход к разделению объектов разного цвета. С помощью моделирования мы показываем, что можем разделять объекты с высокой степенью смешения и что наш алгоритм устойчив к вариациям объектов с помощью SED в поле зрения. Чтобы сопоставить наш алгоритм с реальными данными, мы используем HST-изображения кластера галактик с сильным линзированием MACS J1149 + 2223 и показываем, что MuSCADeT работает лучше, чем традиционные методы подгонки профиля, при расщеплении линзируемых галактик переднего плана от линзированных галактик на заднем плане.Хотя основной движущей силой нашей работы является создание сильных гравитационных линз, наш метод пригоден для использования в любых целях, связанных с расчленением объектов на астрономических изображениях. Примером такого приложения является разделение красного и синего звездного населения спиральной галактики в скоплении галактик Abell 2744. Мы предоставляем пакет python вместе со всеми симуляциями и процедурами, используемыми в этой статье, чтобы внести свой вклад в воспроизводимые исследовательские усилия.

Ключевые слова: методы: анализ данных / гравитационное линзирование: сильное / опросы

© ESO, 2016

1.Введение

Астрономические объекты часто видны слитыми или смешанными на плоскости неба. Это смешение может быть очевидным, потому что объекты на разных расстояниях видны в проекции на плоскость неба или, реально, потому что разные объекты на одном и том же расстоянии физически перекрываются.

Какой бы ни была причина смешения, надежные методы деблендирования являются обязательными для астрофизических проектов для достижения их научных целей. Среди множества возможных примеров смешение галактик разных цветов может повлиять на характеристики фотометрических алгоритмов красного смещения (например,грамм. Перес-Гонсалес и др. 2010; Bellagamba et al. 2012; Паркер и др. 2012; Hsu et al. 2014) и выводы исследований звездного населения (например, Ян и др., 2014). Очевидно, что смешение также влияет на определение морфологических свойств астрономических объектов, например, на измерение формы слабых галактик в космологических обзорах со слабым линзированием (например, Chang et al.2013; Arneson 2013). При сильном гравитационном линзировании существенное значение имеет отделение линзирующего объекта переднего плана от источников с линзой заднего плана, например, как показано в масштабе галактики Gavazzi et al.(2007) и в масштабе кластера Massey et al. (2015). Это верно как минимум по двум причинам. Во-первых, необходимо точно отобразить видимую массу линзирующего объекта, либо использовать ее как предварительную модель для моделирования линзы, либо вывести отношение массы к световому потоку в линзе. Во-вторых, изображение линзированного источника должно быть максимально изолировано. Любая слабая протяженная дугообразная структура, сгусток или область звездообразования должны быть четко видны с минимальным световым загрязнением от линзирующего объекта. Наша способность ограничивать массовую модель полностью зависит от количества деталей, видимых в линзированном источнике, которые представляют собой столько же ограничений для наблюдений.

Многие современные методы расчленения астрономических объектов ограничиваются аналитическим моделированием их распределения света либо в одном диапазоне (например, PSFex, Bertin 2011), либо в нескольких диапазонах, иногда включая одновременную подгонку множества перекрывающихся объектов (Megamorph; Vika et al. 2013, 2015). В качестве альтернативы в некоторых методах используются изображения с высоким разрешением, чтобы помечать смешанные объекты, а затем измерять их на разных длинах волн с использованием изображений с более низким пространственным разрешением (например, Laidler et al.2007). Популярные программы, такие как Sextractor (Bertin & Arnouts, 1996), используют сегментацию изображений для разделения переходов, что является методом, который был дополнительно улучшен Zheng et al. (2015). Другие методы включают машинное обучение, которое недавно использовалось в области сильного гравитационного линзирования для вычитания света ярких галактик и выявления возможных линзированных фоновых объектов без использования какого-либо аналитического представления галактик для вычитания. Этот метод основан на разложении изображений галактик на главные компоненты с использованием больших выборок данных однодиапазонных изображений (Джозеф и др.2014). Шаг вперед — использовать многополосные изображения для разделения объектов в плоскости линзы и плоскости источника, также используя информацию о цвете. В последних методах начали использовать многополосную информацию и комбинировать положение источника из изображений с высоким разрешением с подгонкой профиля для получения полос с более низким разрешением (Merlin et al. 2015). Другой пример приведен в Hocking et al. (2015), где нейронные сети используются для идентификации объектов разного цвета на многополосных изображениях.

С нынешней серией широкопольных обзоров неба (DES, KIDS, HSC, Euclid , LSST и WFIRST) станут доступны данные во многих оптических и ближних ИК-диапазонах.В настоящей статье описывается метод, использующий преимущества этих многополосных данных для решения проблемы расщепления с использованием как цветовой информации, так и пространственного априорного значения, но без использования какого-либо аналитического моделирования распределения света линзируемых и линзирующих объектов. Наша работа основана на многоканальном расширении анализа морфологических компонентов (MCA), представленном в Starck et al. (2004). Мы проиллюстрируем производительность алгоритма с помощью численных экспериментов и реальных данных космического телескопа Hubble (HST) для сильных гравитационных линз.

Эта статья организована следующим образом: в разд. 2 мы представляем математическую модель, которую мы используем, чтобы понимать и разделять объекты разного цвета. В разд. 3 мы описываем математический метод, используемый для решения проблемы цветоделения в нашем подходе, то есть анализ морфологических компонентов. В разд. 4 мы подробно описываем нашу реализацию алгоритма MuSCADeT. В разделе 5 показана производительность нашего алгоритма на моделировании, которое проверяет реалистичные проблемы, возникающие при расщеплении.Мы применяем наш метод к реальным астрономическим изображениям с HST в разд. 6 с скоплениями галактик MACS J1149 + 2223 и Abell 2744. Мы сравниваем наши результаты с современными методами подгонки моделей. Раздел A предоставляет полезную информацию для воспроизведения наших результатов из кода, который мы сделали в свободном доступе.

2. Деблендирование и сильное линзирование

2.1. Проблема разделения источников

Мы принимаем наблюдаемые данные { y _i } _{i = 1, .. , N b} в полосе i можно представить как (1) где o _j — различные наблюдаемые источники, s _{i, j} — вклад j -го источника в наблюдении y _i , N _o количество источников, N _b количество полос, z _i is аддитивный гауссов шум, k — индекс пикселя ( k = 1… N _p ), а N _p — количество пикселей.

Параметр s _{∗ , j} соответствует спектральному распределению энергии (SED) источника o _j . Проблема разбиения состоит в нахождении различных объектов o _j , что несколько сложно, так как их SED неизвестны, и даже количество объектов неизвестно.

Однако несколько галактик могут иметь похожие цветовые характеристики и, следовательно, иметь один и тот же SED, поэтому мы можем упростить уравнение. (1) рассматривая данные, содержащие только группы источников N _s , такие как, например, галактики раннего и позднего типов, и мы можем ограничить проблему разделения, чтобы выделить только эти две группы. Отметим изображение x _j ( j = 1 .. N _s ), которое содержит сумму всех объектов, принадлежащих к группе j , т.е.е. , где — количество источников в группе j . Мы можем написать (2), даже если это уравнение очень похоже на уравнение. (1), это на самом деле проще, поскольку N _s меньше, чем N _o . Поскольку данный компонент x _j содержит несколько астрофизических источников, он также дает нам больше статистических данных для получения его SED. Эта линейная модель смеси может быть преобразована в следующую матричную форму (3), где Y — это матрица N _b × N _p , A — матрица смешивания SED, а X — матрица матрица N _s × N _p , которая содержит компоненты x _j .

Подводя итог, мы считаем, что каждая полоса представляет собой взвешенное сочетание n _s цветовых компонентов. В статистической литературе каждый компонент называется источником (и его не следует смешивать с астрофизическим источником). Эта общая проблема называется проблемой слепого разделения источников (BSS), то есть оценка как A, , так и X , зная только Y . Вес для данного источника — это значение соответствующего SED на соответствующей длине волны.Рисунок 1 иллюстрирует BSS в случае двух источников относительно двух популяций галактик (красная и синяя галактики на рисунке).

рисунок 1 Иллюстрация слепого разделения источников в случае двух источников. Чтобы упростить рисунок, изображения в каждой полосе представлены в виде строк в матрице Y . Источники — это строки в матрице X . На эскизе мы изображаем красный объект в первом источнике и два синих объекта во втором источнике.Матрица A содержит коэффициенты смешивания, которые позволяют различным комбинациям элементов X производить Y .

Открыть с помощью DEXTER

Рис. 2 Иллюстрация выбора цвета PCA. Слева : HST-изображение «линзы Рефсдала» в скоплении галактик MACS J1149.6 + 2223. Середина : распределение первых двух коэффициентов PCA.Красные и зеленые точки соответствуют коэффициентам, приписываемым MuSCADeT первому и второму источникам соответственно. Синие точки — отклоненные коэффициенты. Справа : соответствующее пространственное распределение цветов, обнаруженное с помощью PCA.

Открыть с помощью DEXTER

2.2. Определение матрицы смешения А

Матрица A является центральной для моделирования многополосных данных, поскольку она описывает вклад различных источников в изображения, полученные на разных длинах волн.На практике элементы A являются SED объектов в источниках X . Их можно принять, например, в качестве шаблонных спектров для объектов данного типа или их можно измерить, поскольку спектроскопические данные доступны по крайней мере для некоторых объектов в поле зрения. Однако в большинстве случаев матрица A должна оцениваться исключительно на основе данных многополосного изображения, Y . Для этого мы используем метод, основанный на анализе главных компонент (PCA; Jolliffe 1986) данных.

Мы рассматриваем многополосные данные как ансамбль векторов { y _{i = 1 .. N b} [ k ]}, где значения пикселей в полосе i на пространственное положение k хранится в y _i [ k ], как и раньше. Другими словами, { y _{i = 1 .. N b} [ k ]} — это измеренный SED в местоположении k .

Согласно нашему определению источника, два пикселя, принадлежащие данному источнику x , имеют пропорциональные SED. Чтобы построить матрицу смешения A , одним из решений является предварительный выбор очевидных объектов, принадлежащих к одному источнику, и усреднение их SED, таким образом аппроксимируя коэффициенты смешения, соответствующие их источнику. Более тонкий способ сделать это — выполнить анализ главных компонентов всех SED, принадлежащих ярким объектам, и найти пропорциональные векторы.Подробности этой процедуры можно резюмировать следующим образом:

• Мы выбираем самые яркие объекты во всех диапазонах и выполняем PCA SED в местах пикселей с высоким отношением сигнал / шум (S / N). На практике это делается путем применения вейвлет-фильтрации всех полос. Кроме того, чтобы сэкономить время вычислений, мы перекомпилировали изображения до размера 64 × 64 пикселей.

• Мы выполняем кластерный анализ первых двух компонентов PCA: линейность и ортогональность разложения PCA подразумевает, что пропорциональные векторы видят свои соответствующие коэффициенты PCA, распределенные вдоль одной и той же гиперплоскости в пространстве PCA.Другими словами, векторы с пропорциональными SED имеют свои первые два компонента, PC1 и PC2, распределенные вдоль линий в пространстве PC1-PC2, как показано на рис. 2,

  .

• Мы определяем SED, которые имеют пропорциональные коэффициенты PC1 и PC2, и усредняем их. Коэффициенты, которые считаются слишком слабыми или слишком неоднозначными (т. Е. Они могут быть смесью обоих источников), отклоняются,

• Мы сохраняем полученные средние значения SED в виде столбца в матрице A .

Этот алгоритм показывает хорошие результаты в идентификации объектов с разными доминирующими цветами (рис. 2), но его возможности с точки зрения разделения довольно ограничены, когда отдельные источники пространственно перекрываются. Приведенный выше анализ PCA является только спектральным анализом. Предлагаемый в данной статье метод MCA сочетает в себе сильные стороны морфологического и спектрального анализа для разработки надежного алгоритма разделения.

3. Анализ морфологических компонентов

Метод анализа морфологических компонентов (MCA) (Starck et al.2004, 2010) позволяет нам разделить несколько компонентов на данном изображении на основе их морфологического разнообразия. Действительно, было показано, что можно разделить два (или более) сигнала, смешанных в одну наблюдаемую, это основано только на том факте, что каждый из этих сигналов может быть редко представлен в соответствующих областях представления данных, называемых словарями, но не в другом. Например, можно отделить периодический сигнал от гауссова профиля в изображении на основе преобразования Фурье (связанного с периодическим сигналом) и вейвлет-преобразования (для гауссова профиля).Проекция смешения по словарю Фурье показывает повышенный вклад периодической составляющей, тогда как вейвлет-пространство показывает более высокие коэффициенты для гауссовой составляющей.

3.1. Разделение с помощью разреженного приора

MCA основан на концепции разреженного представления сигнала. Сигнал является разреженным в словаре Φ, когда он может быть хорошо представлен, например, x = Φ α = ∑ _i φ _i α _i и только несколько коэффициентов α отличны от нуля.Некоторые словари, такие как словари Фурье или вейвлеты, имеют неявные операторы быстрого преобразования и восстановления, которые позволяют нам эффективно вывести коэффициенты α из x (а также вывести x из α ) без наличия элементов матрицы Φ в памяти. В обратных задачах разреженное решение вводится путем добавления члена штрафных санкций с нормой ℓ ₀ к члену присоединения точности данных. MCA — это итерационный алгоритм, который разделяет одно изображение Y на J компоненты x _j , решая (4) где Φ ^∗ x = α и σ равно стандартное отклонение шума.Полную информацию можно найти в Starck et al. (2010). Этот метод использовался для извлечения нитевидных облаков в данных Herschel (André et al. 2010) или, в последнее время, для улучшения обнаружения SNIa в наборе данных SuperNova Legacy Survey (Möller et al. 2015).

3.2. Многополосные словари

Поскольку у нас есть многополосные данные, нам необходимо использовать морфо-спектральное разнесение. Словарь Φ _i , связанный с данным компонентом x _i , следовательно, является тензорным произведением спектрального словаря с пространственным словарем Ψ _j , т.е.е. .

3.2.1. Пространственный словарь

В случае сильного линзирования различие между компонентами в основном связано с различной спектральной морфологией. Поэтому мы можем разумно использовать тот же пространственный словарь, и в этом приложении сильного линзирования мы используем словарь звездочки (Starck et al. 2007). Преобразование Starlet — это изотропное, недесиммированное вейвлет-преобразование, которое вычисляется с использованием последовательных сверток профиля B-сплайна в качестве функции масштабирования (Starck & Murtagh 2007).Полученное в результате представление звездочки представляет собой чрезмерно полный набор коэффициентов, которые представляют вариации изображения в разных масштабах и особенно подходят для представления астрономических изображений (Starck & Murtagh 2006).

3.2.2. Морфо-спектральный словарь

Отметим Ψ словарь звездочки, у нас есть x _j = Ψ α _j , где α _j — коэффициенты звездочки j -го источника.Хороший выбор для морфо-спектрального словаря — взять Φ _j = a _j Ψ, где a _j — это j -й столбец матрицы A . Срок присоединения данных для многоканальных данных может быть записан как (5) Следовательно, многоканальный MCA заключается в изменении только срока присоединения данных, и нам нужно решить (6)

3.2.3. Лагранжева форма и положительность

Задача разреженного восстановления может быть сформулирована в расширенной лагранжевой форме (7), и мы можем добавить ограничение положительности к решению, поэтому нам нужно решить (8), где λ _j учитывает разреженность каждого компонент x _j в собственном морфо-спектральном словаре.В следующем разделе описывается, как можно решить это уравнение.

4. Алгоритм MuSCADeT

Итерационный алгоритм разреженного разбиения сильной линзы (MuSCADeT) — это расширение алгоритма MCA, заключающееся в применении на каждой итерации трех основных шагов:

• 1.

  Выполните шаг градиента: U = X ^{( n )} + μ A ^t ( Y — AX ^{( n )} ).

• 2.

  Решите для каждого j : и установите нулевые отрицательные записи в.

• 3.

  Уменьшение λ _j .

В этом алгоритме μ — это шаг градиента, полученный из 2-нормы матрицы A (Higham 1992), так что μ = 2 / || A || ₂ .

Этот алгоритм также напрямую связан с проксимальным алгоритмом вперед-назад (Combettes & Wajs 2005). Очень приятным аспектом этого алгоритма является то, что минимизация, задействованная на втором этапе, не требует какой-либо итерации и достигается с помощью, где Δ _{Ψ, λ j} — оператор, который выполняет преобразование звездочки, hard устанавливает пороговые значения для коэффициентов старлета и восстанавливает изображение по пороговым коэффициентам. Здесь λ _j — это порог, который позволяет нам выбирать только коэффициенты, которые достаточно важны для представления сигнала.Пороговые значения обновляются на каждой итерации, как описано в следующих параграфах. Полную информацию можно найти в Starck et al. (2010). Псевдоалгоритм 1 показывает принцип этой итерационной схемы. MuSCADeT — это итерационный процесс, который чередуется между шагом градиента (строка 6) и фильтрацией компонентов в преобразованном пространстве с помощью итеративного жесткого определения порога (строка 9).

4.1. Стратегия установления порога

Пороговая обработка направлена ​​на выбор коэффициентов в преобразованном пространстве, которые позволяют нам восстановить только желаемый сигнал.В данном случае это означает, что для данного компонента мы хотим выбрать коэффициенты выше уровня шума, которые учитывают этот компонент, а не другие. Поэтому крайне важно разработать адекватный метод адаптации пороговых значений на каждой итерации алгоритма 1.

Поскольку каждая итерация приближает наше решение для компонентов к хорошему разделению, пороги должны быть уменьшены, чтобы улавливать более слабые и более слабые структуры. Классическим способом является, например, управление линейным уменьшением, когда значения для λ _j линейно дискретизируются между начальным порогом, выбранным выше уровня шума, и значением чувствительности K .В общем, K выбирают от трех до пяти. Значение чувствительности три обеспечивает хорошую полноту обнаруженных коэффициентов, а пять гарантирует выбор, свободный от коэффициентов, связанных с шумом. Уровни шума рассчитываются с использованием среднего абсолютного отклонения (Donoho & Johnstone 1994). Хотя линейные или экспоненциальные законы хорошо подходят для таких задач (Starck et al. 2004), мы предпочитаем здесь полагаться на более адаптивную стратегию, основанную на минимуме или максимуме (MOM, см. Bobin et al.2007).

На каждой итерации мы просто оцениваем максимальный коэффициент каждого компонента в его собственном морфо-спектральном словаре и выбираем наименьшие максимумы плюс запас в качестве порога. Если результат меньше порога, заданного линейным уменьшением, порог обновляется значением, оцененным из MOM, как показано в строке 7 алгоритма MuSCADeT (1). Полную информацию об этой схеме установления пороговых значений можно найти в Starck et al. (2010).

	Инжир.3 Разделение источников с помощью MuSCADeT в случае простого цветоделения с помощью SED, рассчитанных на основе PCA. Слева направо : исходное смоделированное изображение источников цвета, первого и второго компонентов (элементы X в уравнении (3)), извлеченных с помощью MuSCADeT, и остаточное изображение после вычитания обоих компонентов из исходного изображения.
Открыть с помощью DEXTER

5. Испытания на имитационном моделировании

В этом разделе мы представляем несколько тестов, проведенных на смоделированных многополосных изображениях, которые имитируют реалистичные проблемы.Мы показываем, что MuSCADeT способен разделять сильно смешанные источники и устойчив к сделанному приближению, согласно которому несколько астрономических источников (например, галактик в скоплении) с похожими, но не идентичными SED могут считаться одним источником.

5.1. Симуляторы

Во всех последующих симуляциях мы генерируем объекты с гауссовыми профилями и реалистичными SED. Для первых двух симуляций все SED были извлечены из реальных наблюдений HST скопления галактик MACS J1149 + 2223 (Kelly et al.2015) с использованием метода PCA, описанного в разд. 2.2. Каждая симуляция состоит из семи полос. Мы также добавляем белый гауссовский шум со стандартным отклонением σ = 0,01. Пример влияния более высоких уровней шума на разделение изображений приведен в Приложении B.

Сначала мы применяем MuSCADeT к данным с четырьмя красными объектами с точно таким же SED и четырьмя синими объектами с точно таким же SED. Все объекты имеют эллиптические гауссовские профили. Три из смоделированных полос используются для получения цветного изображения на рис.3. Результаты разделения после 100 итераций MuSCADeT показаны на других панелях рис. 3. Мы не наблюдаем никакого загрязнения между источниками, так как никакая структура не загрязняет ни один из компонентов. Поскольку остатки не представляют никакой структуры, мы также заключаем, что каждый компонент был полностью реконструирован.

Вторая симуляция проверяет возможности разделения нашего алгоритма в идеальном случае, когда нет отклонений SED между объектами одного и того же компонента. Мы генерируем расширенный эллиптический гауссов профиль в центре изображения, на которое воздействует красный SED.Тринадцать синих профилей равномерно распределены между центром и краями изображения, так что профили в центре полностью совпадают. Результаты разделения показаны на рис. 4 вместе с цветным изображением моделируемых нами объектов. Загрязнения между источниками также не видно, а остатки не имеют структуры. В частности, мы не видим разницы между синими источниками в центре изображения (наиболее смешанные) и синими источниками по краям (менее смешанными), что означает, что разбивка каждого профиля успешна, независимо от того, является ли профиль сильно смешанным или нет.Для получения этого результата мы использовали 200 итераций MuSCADeT.

Рис. 5 Слева : часть изображения HST скопления галактик MACS J1149 + 2223, где четыре объекта, используемые для извлечения SED, обозначены красными контурами. Средний : извлеченные SED. Каждая кривая соответствует SED галактик, обведенных красным на первой панели. Справа : моделирование SED. Семь красных SED используются для создания верхнего ряда галактик на рис.6. Синие SED соответствуют нижнему ряду галактик (см. Текст).

Открыть с помощью DEXTER

Последнее моделирование проверяет устойчивость нашего алгоритма к вариациям SED для объектов одного и того же компонента. Чтобы учесть реалистичные вариации SED, мы извлекли SED из четырех красных галактик в скоплении MACS J1149 + 2223 (см. Рис. 5), которые, по-видимому, имеют одинаковый цвет путем интегрирования потока в каждом профиле галактики.Результирующие SED можно увидеть на средней панели рис. 5. Мы записали наклоны SED и сгенерировали набор из восьми наклонов, линейно разбросанных между максимальным и минимальным расчетным наклоном. Затем эти наклоны применяются к SED, извлеченным из MACS J1149 + 2223 кластера через PCA (см. Рис. 5). Таким образом, у нас есть два набора SED, которые учитывают красный и синий источники и имитируют диапазон вариаций, наблюдаемых на реальных изображениях. Затем генерируются шестнадцать гауссовых профилей (восемь красных, восемь синих), и каждый из них связан с одним из ранее сгенерированных SED.На левой панели рис. 6 показаны три полосы смоделированных изображений в виде изображений RGB. На рисунке 6 показано цветное изображение наших смоделированных изображений и результат разделения с помощью MuSCADeT. Мы снова видим, что в остатках не появляется никакой структуры и не обнаруживается никакого загрязнения между компонентами. Однако большое сходство между SED из разных компонентов заставило нас увеличить количество итераций MuSCADeT до 5000 для получения таких результатов, что увеличило время вычислений. В каждом из них мы использовали полный алгоритм, описанный в этой статье, включая автоматическую оценку SED с помощью PCA.

Рис. 7 Применение MuSCADeT к кластеру MACSJ1149 + 2223. Вверху слева : цветное изображение, созданное с использованием полос F475W, F606W и F814W . Наша цель — отделить скопления галактик на переднем плане (красные) от галактик с линзами на заднем плане (синие). Середина : два источника, извлеченные с помощью 2000 итераций MuSCADeT. Внизу слева : исходное изображение без синего источника, обнаруженное MuSCADeT. Нижний правый угол : то же, что и нижний левый, за исключением красного источника. Справа вверху : остаточное изображение, полученное после вычитания двух оценочных источников из исходных данных.

Открыть с помощью DEXTER

6. Приложение к реальным данным

6.1. Разделение линзы и источника на MACS J1149 + 2223

Теперь мы применяем MuSCADeT к реальным многодиапазонным данным и сравниваем характеристики с подгонкой традиционной модели.

Мы используем набор данных глубокого HST скопления галактик MACS J1149 + 2223 («Refsdal SN»; Kelly et al. 2015) для проведения этого эксперимента, мы показываем яркие члены скопления, дающие сильно линзовые изображения далеких спиральных галактик с комковатыми конструкции. Наша цель — разделить данные на два источника, содержащих галактики с линзами переднего плана и объект (ы) с линзами на заднем плане. Поскольку скопление состоит из множества галактик-членов, а фоновая галактика имеет сложную структуру, задача разделения является сложной задачей, что делает этот набор данных хорошим тестом для нашего метода.

MACS J1149 + 2223 наблюдался с помощью ACS в семи диапазонах: F435W, F475W, F555W, F606W, F625W, F775W и F814W (ID предложения: 12068, главный исследователь: М. Почтальон), что обеспечивает хороший спектральный анализ. покрытие для работы MuSCADeT. Данные общедоступны на веб-сайте STScI ¹ и обработаны таким образом, чтобы объединенные кадры в каждой полосе имели одинаковую ориентацию и масштаб в пикселях.

Мы оцениваем оба SED в матрице смешивания, используя нашу методику PCA.Результат после 2000 итераций MuSCADeT показан на рис. 7, где два отдельных источника показаны на средних панелях. На двух нижних панелях рисунка мы также показываем результат вычитания источника 1 и источника 2 из исходных данных. Цветовая гамма на этих изображениях такая же, как и в исходных данных. Общее остаточное изображение, то есть с обоими источниками, вычтенными из данных, показано с уровнями разреза ± 5 σ .

Разделение источников работает очень хорошо, за исключением нескольких объектов с «зелеными» SED.Один такой объект виден в центре изображения, что приводит к появлению сигнала как в красном, так и в синем источниках. Это внутреннее ограничение нашего алгоритма, который разделяет объекты с использованием ограниченного числа источников, каждый со своим собственным SED. Хотя SED не обязательно знать точно (как показано в наших тестах с смоделированными изображениями), объекты с SED, попадающие «между» SED, назначенными каждому источнику, могут привести к неточному разделению. Возможная стратегия смягчения последствий — это добавление дополнительных источников к разложению, например, синего, зеленого и красного SED.Решение о том, делать это или нет, зависит от точного научного приложения.

В нашем примере мы не учитываем свертку PSF. Изменение PSF в зависимости от длины волны может привести к появлению артефактов при разделении, особенно для объектов, угловой размер которых сравним с размером PSF. Центральные части галактик показывают такие структуры, и, действительно, в настоящих данных небольшие структуры видны на остаточном изображении в месте расположения галактик переднего плана. Внедрение свертки PSF может быть выполнено в принципе и может потребоваться, по крайней мере, для некоторых приложений, но за счет увеличения времени вычислений и сложности процесса минимизации.

6.1.1. Сравнение с профильным фитингом

	Рис. 8 Сравнение MuSCADeT и гальфита. Исходное цветное изображение MACS J1149 + 2223 показано на слева на , после чего следует вычитание галактик и вычитание с помощью MuSCADeT. Цвета на всех трех изображениях одинаковы. Красный эллипс в на средней панели указывает область, где подгонка гальфита приводит к недовычитанию гало галактики.
Открыть с помощью DEXTER

Популярный способ разделения источников в скоплениях галактик — подгонка двухмерных профилей к членам скопления и вычитание из данных. Мы применяем такую ​​процедуру к данным HST кластера MACS J1149 + 2223 и сравниваем с MuSCADeT. В этом упражнении мы определили девять красных объектов с эллиптическими профилями, которые подобрали с помощью программы galfit (Peng et al. 2002). Каждый красный объект снабжен одним или двумя профилями Серсика в зависимости от его морфологии.Подгонка выполняется в каждой из трех полос, используемых для построения цветного изображения ( F475W, F606W и F814W ) с использованием одних и тех же начальных условий. Поскольку при применении MuSCADeT к этому кластеру PSF не использовался, мы использовали функцию Дирака в качестве входной PSF для galfit. Результат представлен на средней панели рис. 8 вместе с результатом MuSCADeT. Отметим, что:

• Подгонка профиля оставляет значительные артефакты в центральных частях подобранных галактик даже при использовании двойной модели Серсика.

• Подгонка профиля плохо моделирует протяженные гало галактик, как показано в обведенной кружком области на средней панели рис. 8. Это происходит потому, что протяженные гало не являются простыми аналитическими профилями, а также потому, что многие фоновые линзовые структуры влияют на подгонку. В принципе, эти структуры можно замаскировать, но 1- создание маски может быть трудным и требует много времени, 2- в некоторых частях изображения нет чистой области без загрязнения фоновым объектом.Маска займет большую часть данных.

• Верхнее левое изображение с линзами кажется более синим после прогона Galfit, чем с MuSCADeT. Это может означать, что MuSCADeT плохо справляется с извлечением расширенного ореола. Однако это означало бы, что слишком сильный сигнал от красного источника был приписан синему источнику. Следовательно, при вычитании синего источника из исходных изображений можно было бы увидеть дыры в протяженных профилях красных галактик, которые здесь не наблюдаются (см. Нижнюю левую панель на рис.7). Это означает, что galfit переоснащает расширенный ореол для компенсации синих структур, как указано в предыдущем примечании, таким образом удаляя часть потока от синих источников.

• Человеческое время, затраченное на подбор профиля, может быть ограничивающим фактором для больших наборов данных. Пользователь должен решить, куда поместить галактику, и найти стратегию для оценки начальных предположений для многих параметров, участвующих в подборе.MuSCADeT — это полностью автоматизированная процедура, в которой нужно выбрать только один параметр, то есть значение чувствительности K , задействованное в схеме обмолота.

6.2. Разделение балджа-диска спиральной галактики в Абелле 2744

Еще одно возможное применение нашего алгоритма — разделение компонентов цветного диска и балджа в спиральной галактике. Чтобы проиллюстрировать это, мы используем спиральную галактику в скоплении галактик Abell 2744, изображение которой было получено с помощью HST в рамках программы Hubble Frontier Fields.

Abell 2744 наблюдался с помощью ACS в трех диапазонах: F435W, F606W и F814W , что дало цветное изображение на рис. 9 (ID заявки: 11689, главный исследователь: Р. Дупке). Данные общедоступны на веб-сайте STScI ² и обработаны таким образом, чтобы объединенные кадры в каждой полосе имели одинаковую ориентацию и масштаб в пикселях.

Спиральные галактики представляют собой очевидный испытательный стенд для нашего алгоритма, поскольку они состоят из красной выпуклости старых звезд и синего диска, в котором преобладают молодые звезды.Возможность беспристрастного разделения обоих цветовых компонентов позволяет нам проследить звездное население в галактиках и / или выделить морфологические отношения между балджем и формой диска. В литературе можно найти множество примеров, в которых компоненты выпуклости и диска разделены морфологически с использованием методов подгонки профиля с использованием функций Серсика, экспоненциальных функций или функций ДеВокулера в одной или нескольких полосах (например, Vika et al.2014; Maltby et al. 2012; Pastrav et al.2013; Kendall et al.2011).

С помощью MusCADeT мы можем зафиксировать морфологию молодого и старого звездного населения спиральной галактики в Abell 2744 при единственном предположении, что они не имеют одного цвета. Наше разложение на рис. 9 показывает эллиптическую красную выпуклость с протяженными и гладкими деталями вдоль спиральных рукавов, которые не удалось бы смоделировать методами подгонки эллиптического профиля. Разделение смешанных синего и красного компонентов на рис. 9 в целом отличное, за исключением небольшого перекрестного загрязнения двух цветовых каналов из-за элементов, меньших, чем размер PSF.Добавление PSF в нашу технику разделения находится в стадии разработки. Однако даже без этого уточнения разложение, представленное в нашем примере, было бы невозможно достичь с помощью методов подгонки профиля, учитывая морфологическую сложность галактики.

Рис.9. Разделение красного и синего звездного населения в спиральной галактике. Слева направо мы показываем исходное цветное изображение HST спиральной галактики в скоплении галактик Abell 2744, такое же цветное изображение после вычитания синего компонента, оцененного с помощью MuSCADeT, цветное изображение после вычитания красного компонента, оцененное с помощью MuSCADeT и остаточное изображение после вычитания обоих компонентов.На трех первых изображениях вырезаны одинаковые цвета. Остатки показаны с уровнями среза, в пять раз превышающими уровень шума в каждом цветовом канале.

Открыть с помощью DEXTER

7. Заключение

Мы разработали новый независимый от модели инструмент для обработки изображений астрономических объектов на основе их цветового контраста. Это стало возможным благодаря современным методам анализа изображений на основе разреженности объектов в соответствующем словаре.

В частности, мы создали морфо-спектральный словарь, объединяющий Starlets и SED для разделения изображений галактик с разными цветами. На основе смоделированных данных мы показываем, что наш алгоритм устойчив к очень сильному смешиванию, а также к вариациям SED среди объектов, принадлежащих к одному и тому же цветовому компоненту (источнику) нашей модели. Вариации SED по полю приводят к увеличению времени вычислений на один порядок по сравнению с идеальным случаем, когда все объекты в данном источнике имеют один и тот же SED.Однако это не мешает надежному разделению источников.

Этот метод успешно применяется к глубоким изображениям HST скопления галактик MACS J1149 + 2223, на которых мы отделяем красные галактики переднего плана от голубых кусковых линзированных галактик на заднем плане, и к Abell 2744, где мы разделяем красные и синие звездные популяции спиральная галактика. Это делается автоматически и с большей эффективностью, чем при стандартной профильной установке. Все коды, используемые для получения представленных здесь результатов, доступны бесплатно для воспроизводимых исследований и для того, чтобы сделать наш инструмент доступным для сообщества.

Дальнейшие разработки нашего метода включают учет PSF в каждой полосе и включение явных вариаций SED по полю зрения. Эти варианты SED умножают сложность задачи на N _p × N _s × N _b , но влияние повышенной сложности, вероятно, можно минимизировать, используя редкие априорные значения и физические ограничения профили SED. Кроме того, увеличение времени вычислений в результате дополнительной сложности должно быть частично компенсировано уменьшением количества итераций.

Описанный здесь метод расщепления был разработан специально для решения проблемы расщепления объектов в случае систем сильного линзирования. В этом случае необходимо устранение блендинга, чтобы увидеть мелкие и слабые детали в линзовых структурах, которые не загрязнены ярким передним планом. Тем не менее область применения метода намного шире. Среди многочисленных возможных приложений — идентификация областей звездообразования в галактиках, разложение галактик на балдж-диск, не зависящее от модели, или даже улучшение фотометрического красного смещения в больших обзорах неба, где смешивание может быть серьезной проблемой, учитывая глубину данных. .

---

Благодарности

Эта работа поддерживается Швейцарским национальным научным фондом (SNSF) и Европейским сообществом через гранты PHySIS (контракт № 640174) и DEDALE (контракт № 665044) в рамках Рамочной программы h3020. Изображения HST, используемые в этой статье, были получены из Архива Космических телескопов Микульского (MAST). STScI управляется Ассоциацией университетов для исследований в области астрономии, Inc., в соответствии с контрактом NASA NAS5-26555. Поддержка MAST для данных, не относящихся к HST, обеспечивается Управлением космических наук НАСА через грант NNX09AF08G и другими грантами и контрактами.Мы хотели бы поблагодарить членов команды CosmoStat за полезные обсуждения решения обратных задач с использованием sparse prior.

Список литературы

1. Андре П., Меньщиков А., Бонтемпс С. и др. 2010, A&A, 518, L102 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [EDP Sciences] [Google Scholar]
2. Арнесон, Р.А. 2013 г., канд. Диссертация, Калифорнийский университет, Ирвин [Google Scholar]
3. Беллагамба, Ф., Менегетти, М., Москардини, Л., и Бользонелла, М., 2012, MNRAS, 422, 553 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
4. Бертин, Э.2011, в Программное обеспечение и системы анализа астрономических данных XX, ред. И. Н. Эванс, А. Аккацци, Д. Дж. Минк, А. Х. Ротс, ASP Conf. Сер., 442, 435 [Google Scholar]
5. Бертин, Э., и Арноутс, С. 1996, A&AS, 117, 393 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [EDP Sciences] [Google Scholar]
6. Бобин, Дж., Старк, Дж .-Л., Фадили, Дж., Моудден, Ю., и Донохо, Д. 2007, IEEE Trans. Обработка изображений, 16, 2675 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [MathSciNet] [PubMed] [Google Scholar]
7. Чанг, К., Джарвис, М., Джайн, Б. и др. 2013, МНРАС, 434, 2121 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
8. Комбетс, П.Л. и Вайс, В. Р. 2005, Многомасштабное моделирование и имитация, 4, 1168 [CrossRef] [Google Scholar]
9. Донохо, Д.Л., и Джонстон, Дж. М. 1994, Биометрика, 81, 425 [CrossRef] [MathSciNet] [Google Scholar]
10. Гавацци, Р., Treu, T., Rhodes, J.D., et al. 2007, ApJ, 667, 176 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
11. Хайэм, Н.J. 1992, Numer. Математика, 62, 511 [CrossRef] [Google Scholar]
12. Хокинг, А., Гич, Дж. Э., Дэйви, Н. и Сан, Ю. 2015, MNRAS, отправлено [arXiv: 1507.01589] [Google Scholar]
13. Сюй, Л.-Т., Сальвато, М., Нандра, К. и др. 2014, ApJ, 796, 60 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
14. Джоллифф, И.T. 1986, Анализ главных компонентов (Берлин, Нью-Йорк: Springer-Verlag) [Google Scholar]
15. Джозеф Р., Курбин Ф., Меткалф Р. Б. и др. 2014, A&A, 566, A63 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [EDP Sciences] [Google Scholar]
16. Келли, П.Л., Родни С.А., Треу Т. и др. 2015, Наука, 347, 1123 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
17. Кендалл, С., Кенникатт, Р. К., и Кларк, К. 2011, MNRAS, 414, 538 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
18. Лайдлер, В.Г., Папович К., Грогин Н. А. и др. 2007, ПАСП, 119, 1325 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
19. Мальтби, Д.Т., Ойос, К., Грей, М. Э., Арагон-Саламанка, А., и Вольф, К. 2012, MNRAS, 420, 2475 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
20. Мэсси, Р., Уильямс, Л., Смит, Р. и др. 2015, МНРАС, 449, 3393 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
21. Мерлин, Э., Фонтана, А., Фергюсон, Х.С. и др. 2015, A&A, 582, A15 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [EDP Sciences] [Google Scholar]
22. Мёллер, А., Ruhlmann-Kleider, V., Lanusse, F., et al. 2015, J. Cosmol. Астропарт. Физ., 4, 41 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
23. Паркер, А., Бард Д. и Брэгг А. 2012, в APS Ohio Sections Spring Meeting Abstracts, C1002 [Google Scholar]
24. Пастрав, Б. А., Попеску, К. К., Таффс, Р. Дж., И Сансом, А. Е. 2013, A&A, 553, A80 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [EDP Sciences] [Google Scholar]
25. Пэн, К.Ю., Хо, Л. С., Импи, К. Д., Рикс, Х.-В. 2002, Эй Джей, 124, 266 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
26. Перес-Гонсалес, П.Г., Эгами Э., Рекс М. и др. 2010, A&A, 518, L15 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [EDP Sciences] [Google Scholar]
27. Старк, Дж.-Л. И Муртаг, Ф. 2006, Анализ астрономических изображений и данных (Берлин, Хедельберг: Springer Verlag) [Google Scholar]
28. Старк, Ж.-Л., & Муртаг, Ф. 2007, Анализ астрономических изображений и данных (Springer Science & Business Media) [Google Scholar]
29. Старк, Дж., Элад, М., и Донохо, Д. 2004, Adv. Представь. Электронная физика. Сер., 132, 287 [CrossRef] [Google Scholar]
30. Старк, Дж.-Л., Фадили, Дж., И Муртаг, Ф. 2007, IEEE Trans. Обработка изображений, 16, 297 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [MathSciNet] [PubMed] [Google Scholar]
31. Старк, Дж.-Л., Муртаг, Ф. и Фадили, М. 2010, Обработка разреженных изображений и сигналов (Cambridge University Press) [Google Scholar]
32. Вика М., Бэмфорд С. П., Хойслер Б. и др. 2013, МНРАС, 435, 623 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
33. Вика, М., Бамфорд, С. П., Хойсслер, Б., и Рохас, А. Л. 2014, MNRAS, 444, 3603 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
34. Вика, М., Вулкани Б., Бэмфорд С. П., Хойсслер Б. и Рохас А. Л. 2015, A&A, 577, A97 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [EDP Sciences] [Google Scholar]
35. Ян, Х., Стефанон М., Ма, З. и др. 2014, ApJS, 213, 2 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]
36. Чжэн, К., Пулидо, Дж., Торман, П., и Хаманн, Б. 2015, MNRAS, 451, 4445 [НАСА ОБЪЯВЛЕНИЕ] [CrossRef] [Google Scholar]

Приложение A: Воспроизводимое исследование

В духе проведения воспроизводимых исследований мы публикуем все коды и продукты, описанные в этой статье.В таблице A.1 перечислены все продукты, которые будут доступны вместе с этим документом. Доступен сам MuSCADeT, а также входные файлы и процедуры, необходимые для всех тестов производительности и для приложения к реальным данным. Подпрограммы предоставляют простые примеры того, как выполнять алгоритм MuSCADeT. Мы призываем потенциальных пользователей изменять их по своему усмотрению для собственных научных приложений.

Таблица А.1

Продукты представлены в этой статье в духе воспроизводимых исследований.

Приложение B: устранение зашумленных данных с известным SED

Мы показываем здесь, что алгоритм MuSCADeT способен разделять смешанные источники даже в случае высоких уровней шума. Ср

генерирует моделирование смешанных объектов, как на рис. 4, но с уровнем шума в десять раз большим. Высокие уровни шума вместе с сильным смешиванием затрудняют для оценщика PCA оценку хорошего SED для разделения.

Хотя метод PCA не работает в таких условиях, главная особенность нашего алгоритма — инверсия на основе анализа морфологических компонентов — все же позволяет оценивать хорошие источники.Цена, которую придется заплатить в этом случае, — это то, что SED должны быть известны. На рисунке B.1 показан результат разделения, выполненного MuSCADeT на очень зашумленных данных с использованием известных SED, показывая, что наш алгоритм все еще может разделять источники. Наше средство оценки PCA SED может быть заменено в ближайшем будущем, чтобы справиться с зашумленными данными. В данном примере мы решили показать остатки после разделения обоих цветовых компонентов (средние панели на рис. B.1), чтобы показать, что мы оцениваем источники вплоть до уровня шума.

	Инжир.B.1 Разделение смешанных источников при низком соотношении сигнал / шум. Слева направо. показаны исходные смоделированные изображения, исходное изображение после вычитания синего компонента по оценке MuSCADeT, исходное изображение после вычитания красного компонента и остаточное изображение после вычитания обоих компонентов.
Открыть с помощью DEXTER

Все таблицы

Таблица А.1

Продукты представлены в этой статье в духе воспроизводимых исследований.

Все рисунки

	рисунок 1 Иллюстрация слепого разделения источников в случае двух источников. Чтобы упростить рисунок, изображения в каждой полосе представлены в виде строк в матрице Y . Источники — это строки в матрице X . На эскизе мы изображаем красный объект в первом источнике и два синих объекта во втором источнике. Матрица A содержит коэффициенты смешивания, которые позволяют различным комбинациям элементов X производить Y .
Открыть с помощью DEXTER
По тексту

	Рис. 2 Иллюстрация выбора цвета PCA. Слева : HST-изображение «линзы Рефсдала» в скоплении галактик MACS J1149.6 + 2223. Середина : распределение первых двух коэффициентов PCA. Красные и зеленые точки соответствуют коэффициентам, приписываемым MuSCADeT первому и второму источникам соответственно.Синие точки — отклоненные коэффициенты. Справа : соответствующее пространственное распределение цветов, обнаруженное с помощью PCA.
Открыть с помощью DEXTER
По тексту

	Рис. 3 Разделение источников с помощью MuSCADeT в случае простого цветоделения с помощью SED, рассчитанных на основе PCA. Слева направо : исходное смоделированное изображение источников цвета, первого и второго компонентов (элементы X в уравнении.(3)), извлеченные MuSCADeT, и остаточное изображение после вычитания обоих компонентов из исходного изображения.
Открыть с помощью DEXTER
По тексту

	Рис. 5 Слева : часть изображения HST скопления галактик MACS J1149 + 2223, где четыре объекта, используемые для извлечения SED, обозначены красными контурами. Средний : извлеченные SED. Каждая кривая соответствует SED галактик, обведенных красным на первой панели. Справа : моделирование SED. Семь красных SED используются для создания верхнего ряда галактик на рис. 6. Синие SED соответствуют нижнему ряду галактик (см. Текст).
Открыть с помощью DEXTER
По тексту

	Рис. 7 Применение MuSCADeT к кластеру MACSJ1149 + 2223. Вверху слева : цветное изображение, созданное с использованием полос F475W, F606W и F814W .Наша цель — отделить скопления галактик на переднем плане (красные) от галактик с линзами на заднем плане (синие). Середина : два источника, извлеченные с помощью 2000 итераций MuSCADeT. Внизу слева : исходное изображение без синего источника, обнаруженное MuSCADeT. Нижний правый угол : то же, что и нижний левый, за исключением красного источника. Справа вверху : остаточное изображение, полученное после вычитания двух оценочных источников из исходных данных.
Открыть с помощью DEXTER
По тексту

	Инжир.8 Сравнение MuSCADeT и гальфита. Исходное цветное изображение MACS J1149 + 2223 показано на слева на , после чего следует вычитание галактик и вычитание с помощью MuSCADeT. Цвета на всех трех изображениях одинаковы. Красный эллипс в на средней панели указывает область, где подгонка гальфита приводит к недовычитанию гало галактики.
Открыть с помощью DEXTER
По тексту

	Инжир.9 Разделение красного и синего звездного населения в спиральной галактике. Слева направо мы показываем исходное цветное изображение HST спиральной галактики в скоплении галактик Abell 2744, такое же цветное изображение после вычитания синего компонента, оцененного с помощью MuSCADeT, цветное изображение после вычитания красного компонента, оцененное с помощью MuSCADeT и остаточное изображение после вычитания обоих компонентов. На трех первых изображениях вырезаны одинаковые цвета.Остатки показаны с уровнями среза, в пять раз превышающими уровень шума в каждом цветовом канале.
Открыть с помощью DEXTER
По тексту

	Рис. B.1 Разделение смешанных источников при низком соотношении сигнал / шум. Слева направо. показаны исходные смоделированные изображения, исходное изображение после вычитания синего компонента по оценке MuSCADeT, исходное изображение после вычитания красного компонента и остаточное изображение после вычитания обоих компонентов.
Открыть с помощью DEXTER
По тексту

Разборка сейсмических данных | ТУ Делфт Репозитории

Разборка сейсмических данных

Сейсмические изображения — один из наиболее распространенных геофизических методов разведки углеводородов. Сбор сейсмических данных — это компромисс между экономичностью и качеством. При обычном обнаружении временные интервалы между последовательно включенными источниками достаточно велики, чтобы избежать помех во времени.Чтобы получить эффективную съемку, выборка пространственного источника часто (слишком) велика, что приводит к сглаживанию пространственных источников. Одновременное или смешанное получение было предложено Beasley et al. (1998) и Berkhout (2008) для решения этой проблемы. При смешанном захвате допускается временное перекрытие между записями выстрелов. Эта дополнительная степень свободы при проектировании съемки может значительно снизить затраты на сбор сейсмических данных при сохранении или даже улучшении качества данных. Несвязная съемка играет важную роль в смешанном захвате.Он направлен на сохранение распределения энергии по всей полосе пропускания данных. При смешанном приобретении необходимо учитывать несколько параметров. Кодировка источника, конфигурация бокового источника, коэффициент смешения и условия съемки — наиболее важные параметры, которые необходимо учитывать. Эти параметры тесно связаны и не должны рассматриваться независимо друг от друга. Полученные смешанные данные можно обрабатывать двумя способами: прямая визуализация и расщепление. Разборка, которая является основным направлением этой диссертации, представляет собой процедуру извлечения данных, как если бы они были получены обычным, несмешанным способом.После разборки общепринятых стандартных потоков обработки можно применять на практике. Поскольку расщепление — это недоопределенная проблема, однозначное решение не может быть достигнуто путем обращения матрицы. Вместо этого можно использовать метод наименьших квадратов. Однако решение методом наименьших квадратов не устраняет помехи от других источников, называемые шумом смешения. К счастью, характер шума смешения различен в разных областях, то есть он когерентен в области общего источника, но некогерентен в областях общего приемника, общего смещения и общей средней точки.При этом сигнал остается когерентным во всех областях. Некогерентный характер смешанного шума напрямую связан с смешанной схемой сбора данных. Когерентность сигнала и некогерентность шума смешения являются ключевыми свойствами, которые используются для устранения смешения. В этой диссертации предлагается метод итерационной инверсии для разделения, который основан на оценке и вычитании шума смешения. В этом методе смешанный шум моделируется из оцененного сигнала и вычитается итеративным способом.Оценка сигнала достигается с помощью процесса, называемого фильтрацией с пропуском когерентности, который состоит из фильтра в некоторой области, за которым следует шаг определения порога. На каждой итерации пороговое значение снижается, а шум смешения оценивается и впоследствии удаляется. В процессе когерентной фильтрации может использоваться любой тип фильтра, который способен различать когерентный сигнал и некогерентный шум смешения. Обсуждаются три реализации фильтра пропускания когерентности, а именно медианный фильтр, фильтр f-k и комбинированный фильтр медианного f-k.Среди них комбинированный фильтр с медианным значением f-k является лучшим выбором из-за того, что он объединяет мощность медианного фильтра при обнаружении шума смешения с мощностью фильтра f-k для сохранения амплитуды сигнала. Процесс разделения может быть реализован в различных областях данных. Домен, выбранный для разделения, в значительной степени зависит от смешанной схемы сбора данных, геометрии сбора данных и свойств данных. Алгоритмические аспекты алгоритма разделения, которые обсуждаются в этой диссертации, связаны с автоматизацией пороговых значений, критерием остановки, артефактами на краях фильтра и ошибками оценки сигнала.Автоматизация процесса пороговой обработки, основанная на влиянии фильтра на уменьшение амплитуды шума смешения, приводит к автоматическому алгоритму разделения, оптимизированному как по эффективности, так и по эффективности. Критерий остановки основан на методе наименьших квадратов, который вычисляется после каждой итерации. Процесс расщепления останавливается, когда мера достигает стабильного состояния, при котором улучшение не достигается или достигается незначительное улучшение. Кроме того, показано, что один из основных ограничивающих факторов связан с краевыми артефактами, создаваемыми фильтром.Шум смешения, который оценивается фильтрацией прохода когерентности, называется ошибкой оценки сигнала и в основном вызван конструктивным или деструктивным вмешательством шума смешения в сигнал. Влияние ошибок оценки сигнала оценивается путем внесения ошибок в процесс фильтрации с пропусканием когерентности. Результат этого анализа показывает, что с этими ошибками оценки сигнала можно правильно справиться. Рассматриваемые практические соображения касаются в основном вопросов когерентности и шума.Некогерентность сигнала в основном вызвана неоднородностями в геометрии захвата, сложностями приповерхностного слоя и топографическими вариациями. Поскольку когерентность сигнала играет существенную роль в расщеплении, некогерентность в сигнале должна быть минимизирована до того, как начнется расщепление. С другой стороны, некоторые проблемы, связанные с шумом, можно решить во время разборки. Правильное решение практических вопросов является ключом к успеху процесса измельчения. Осуществимость алгоритма разделения изучается путем его применения к трем наборам данных, полученных обычным способом, которые смешиваются численно.В первом примере двумерные морские данные смешиваются с использованием сигналов развертки вверх и вниз в качестве исходных кодов. Благодаря благоприятному сложному кодированию источника, процесс разделения на смешанные кадры может выполняться только с использованием пороговой обработки, то есть без фильтрации смешанного шума. Во втором примере двухмерные наземные данные смешиваются с временными задержками в качестве исходных кодов. В этом случае процесс разделения выполняется в области общих смещений. Результаты отображаются как для данных, так и для их стека. В последнем примере трехмерные данные о земле смешиваются с использованием двух различных конфигураций смешивания, и сравниваются их результаты разбиения.В этом случае процесс разделения выполняется в домене общего приемника. В целом полученные результаты считаются многообещающими.

Нежелательное рассредоточение и разделение процессов и оборудования | Вольфсон Центр

Этот курс доступен как внутрикорпоративный курс, который доставляется в интерактивном режиме в соответствии с оперативными требованиями.

Обзор курса

Проблема рассредоточения (сегрегации) сыпучих твердых частиц затрагивает многие отрасли промышленности.Для отдельных материалов и смешанных материалов присутствие сегрегации в процессе может проявляться в виде колебаний объемной плотности, химического состава, сдвигов в распределении по размерам или даже непредсказуемых проблем текучести. Проблемы такого типа неизменно приводят к образованию отходов из-за веса продукта, выходящего за пределы допустимого диапазона (таблетки / упаковка), плохих технологических характеристик или конечного продукта различного качества в целом.

Этот короткий курс охватывает:

• Выявление наиболее часто встречающихся механизмов сегрегации
• Примеры того, как сегрегация произошла на заводе
• Методы, которые могут быть применены при проектировании завода для минимизации этих эффектов

Различные типы сегрегации будут также быть идентифицированным; воздушный, катящийся, поверхностный эффект, просачивание.

Охваченные темы

Во время курса будут обсуждаться типы материалов, которые больше всего подвержены риску сегрегации, и наиболее часто встречающиеся механизмы разделения на производственных предприятиях. Будет рассмотрено влияние конструкции и эксплуатации завода на серьезность расслоения, а использование контрмер будет рассмотрено и проиллюстрировано на промышленных примерах.

Это мне?

Если вы проектировщик установки, руководитель установки или работаете в сфере технического обслуживания, этот курс улучшит ваши способности при проектировании и устранении неисправностей на предприятиях.

Вы также получите выгоду, если вы из эксплуатационного персонала или высшего руководства, поскольку лучше поймете, что может пойти не так и как сделать ваше предприятие максимально эффективным и бесперебойным. Курс идеально подходит для тех, кто плохо знаком с погрузочно-разгрузочными работами, для тех, кому нужна последняя информация по теме, или для тех, кому нужны практические знания по широкому спектру технологий обработки материалов.

Доставка

Курс будет проводиться через MS Teams

Курсовая команда

Руководителем курса является Ричард Фарниш, инженер-консультант, который имеет более чем двадцатилетний опыт работы в области коммерческого проектирования, связанной с погрузочно-разгрузочными работами.Он работал на международном уровне в области проектирования и устранения неисправностей при транспортировке сыпучих материалов в качестве коммерческого консультанта и эксперта по исследованиям более двадцати лет.

Также будут участвовать Майк Брэдли, профессор технологий сыпучих материалов и твердых частиц и директор Центра Вольфсона, и д-р Балдип Каур, эксперт по определению характеристик и транспортировке сыпучих материалов.

Обратите внимание, что Wolfson Center оставляет за собой право заменять лидеров равного качества, если это будет продиктовано обстоятельствами, не зависящими от них.