Impact of water vapor seeing on mid-infrared high-contrast imaging at ELT scale

Auteurs : Olivier Absil, Christian Delacroix, Gilles Orban de Xivry, Prashant Pathak, Matthew Willson, Philippe Berio, Roy van Boekel, Alexis Matter, Denis Defrere, Leo Burtscher, Julien Woillez, Bernhard Brandl

Proceedings of the SPIE, Volume 12185, id. 1218511 (2022)
arXiv: 2210.12412v1 - DOI (astro-ph.IM)
13 pages, paper presented at SPIE Astronomical Telescopes + Instrumentation 2022
Licence : CC BY 4.0

Résumé : The high-speed variability of the local water vapor content in the Earth atmosphere is a significant contributor to ground-based wavefront quality throughout the infrared domain. Unlike dry air, water vapor is highly chromatic, especially in the mid-infrared. This means that adaptive optics correction in the visible or near-infrared domain does not necessarily ensure a high wavefront quality at longer wavelengths. Here, we use literature measurements of water vapor seeing, and more recent infrared interferometric data from the Very Large Telescope Interferometer (VLTI), to evaluate the wavefront quality that will be delivered to the METIS mid-infrared camera and spectrograph for the Extremely Large Telescope (ELT), operating from 3 to 13 {\mu}m, after single-conjugate adaptive optics correction in the near-infrared. We discuss how the additional wavefront error due to water vapor seeing is expected to dominate the wavefront quality budget at N band (8-13 {\mu}m), and therefore to drive the performance of mid-infrared high-contrast imaging modes at ELT scale. Then we present how the METIS team is planning to mitigate the effect of water vapor seeing using focal-plane wavefront sensing techniques, and show with end-to-end simulations by how much the high-contrast imaging performance can be improved.

Soumis à arXiv le 22 Oct. 2022

Explorez l'arbre d'article

Cliquez sur les nœuds de l'arborescence pour être redirigé vers un article donné et accéder à leurs résumés et assistant virtuel

Accédez également à nos Résumés, ou posez des questions sur cet article à notre Assistant IA.

Recherchez des articles similaires (en version bêta)

En cliquant sur le bouton ci-dessus, notre algorithme analysera tous les articles de notre base de données pour trouver le plus proche en fonction du contenu des articles complets et pas seulement des métadonnées. Veuillez noter que cela ne fonctionne que pour les articles pour lesquels nous avons généré des résumés et que vous pouvez le réexécuter de temps en temps pour obtenir un résultat plus précis pendant que notre base de données s'agrandit.