Gaia Data Release 1 Documentation release 0

6.2.1.3
RVS instrument data
No RVS data was available for the variability processing of Gaia DR1.
6.2.1.4
Astrophysical parameters data
No astrophysical parameters were available for the variability processing of Gaia DR1.
6.2.1.5
Selection criteria
For this release, sources were only processed when they were located within 38
◦
from the South ecliptic pole
(referred to as the ‘SEP region’) and having a minimum of 20 field-of-view G-band observations.
6.2.2
Training sets
Author(s): Lorenzo Rimoldini
Machine-learning classifiers were used in the detection of variable sources as well as in the general classification
of variability types. Training sets were constructed from a selection of Gaia sources crossmatched with surveys in
the literature, using preliminary Gaia photometry as described in sections 5.1, 5.3, and 5.5 of Eyer et al. (2017).
6.3
Calibration models
In the processing for this release only two models were used, one for the general time series models and one for
the specific object models used by the Cepheids and RR Lyrae studies. Only the main parameters of the Cepheids
and RR Lyrae models are published in Gaia DR1.
6.3.1
General time series models
Author(s): Leanne Guy, Joris De Ridder, Jan Cuypers
The general model of variability that we fit to time series of Gaia observations is given by:
y
=
N
f
n
=1
N
h
(n)
k
=1
A
n
,k
cos(2πk f
n
t
+ ψ
n
,k
)
+
N
p
i
=0
c
i
t
i
(6.1)
where we assume that the reference epoch t
ref
, the middle of the time series, has already been subtracted from the
time points. N
p
≥ 0 is the degree of the polynomial, N
f
≥ 0 is the number of detected frequencies, and N
h
(n) ≥ 1
is the number of significant harmonics of frequency f
n
. This multi-frequency harmonic model includes a low-order
polynomial trend and n frequencies, each with k associated harmonics.
246

---

6.3.2
Time series models of Specific Objects
Author(s): Nami Mowlavi, Gisella Clementini
In Gaia DR1, only the Cepheids and RR Lyrae stars Specific Object Studies pipeline (SOS Cep&RRL) was run.
Using a non-linear fitting algorithm their variability periods were refined and their light curves modelled with a
truncated Fourier Series, as explained in section 2.1 of Clementini et al. (2016).
6.4
Processing steps
The detailed processing steps applied for this release are described in sections 4, 5 and 6 of Eyer et al. (2017) and
will not be repeated here. Here we list the main components, their dependencies and output to the Gaia DR1.
6.4.1
Initial light curves pre-processing
Author(s): Lorenzo Rimoldini, Berry Holl, Jonathan Charnas
6.4.1.1
Definition of observation time
Observation times are expressed in units of Barycentric JD (in TCB) in days −2 455 197.5, computed as follows.
First, the observation time is converted from On-board Mission Time (OBMT) into Julian date in TCB (Temps
Coordonn´ee Barycentrique). Next, a correction is applied for the light-travel time to the Solar system barycentre,
resulting in Barycentric Julian Date (BJD). Finally, an o
ffset of 2 455 197.5 days is applied (corresponding to a
reference time T
0
at 2010-01-01T00:00:00) to have a conveniently small numerical value. Although the centroiding
time accuracy of the individual CCD observations is (much) below 1 ms, the per-field-of-view observation times
processed and published in this Gaia DR1 are averaged over typically 9 CCD observations taken in a time range
of about 44 sec.
6.4.1.2
Conversion from flux to magnitude
In the variability pipeline, both flux and magnitudes are used in di
fferent processing modules. The calibrated
photometry provided by CU5 is provided in units of flux. To convert to magnitude, we use the G-band zero-point
magnitude of 25.525 in the Vega system (see Section 5.3.4.4).
6.4.1.3
Observation filtering
The observations related to spurious outliers and anomalous uncertainties were filtered out as explained in sec-
tion 4.3 of Eyer et al. (2017).
247

---

6.4.2
Statistical parameter computation
Author(s): Leanne Guy
Input
The statistical parameter computation is the first step in the scientific processing chain following conver-
sion from flux to magnitude and cleaning (see Section 6.4.1.2 and Section 6.4.1.3) of the time series of the selected
sources (Section 6.2.1.5).
Method
The statistical parameter module encompasses the computation of a number of basic descriptive, infer-
ential and correlation statistics of all light curves. These statistics provide a first general overview of the data and
their distributions and are used to determine whether variability is present in a time series of Gaia observations.
For more details see sections 2.2.1, 5.2, and 6.2 of Eyer et al. (2017).
Configuration parameters
• variance, skewness and kurtosis have been computed with a sample-size bias correction.
Published output
See Gaia DR1 table: phot variable time series gfov statistical parameters.
6.4.3
Variability Detection
Author(s): Isabelle Lecoeur-Ta¨ıbi
Input
The statistical parameters on a preliminary dataset preceding the Gaia DR1 data is discussed in sec-
tions 2.2.2 and 5.3 of Eyer et al. (2017) for more details.
Method
Variability analysis was performed using a Random Forest classifier trained on an equal number of
OGLE-IV GSEP variable and constant objects (Soszy´nski et al. 2012).
Configuration parameters
• Classification attributes, described in section 5.3 of Eyer et al. (2017)
• Random Forest classifier with 500 trees.
Published output
No data from this processing step was published in Gaia DR1.
248

---