We compare various foreground removal techniques that are being utilised to remove bright foregrounds in various experiments aiming to detect the redshifted 21cm signal of neutral hydrogen from the Epoch of Reionization. In this work, we test the performance of removal techniques (FastICA, GMCA, and GPR) on 10 nights of LOFAR data and investigate the possibility of recovering the latest upper limit on the 21cm signal. Interestingly, we find that GMCA and FastICA reproduce the most recent 2$\sigma$ upper limit of $\Delta^2_{21} <$ (73)$^2$ mK$^2$ at $k=0.075~ h \mathrm{cMpc}^{-1}$, which resulted from the application of GPR. We also find that FastICA and GMCA begin to deviate from the noise-limit at \textit{k}-scales larger than $\sim 0.1 ~h \mathrm{cMpc}^{-1}$. We then replicate the data via simulations to see the source of FastICA and GMCA's limitations, by testing them against various instrumental effects. We find that no single instrumental effect, such as primary beam effects or mode-mixing, can explain the poorer recovery by FastICA and GMCA at larger \textit{k}-scales. We then test scale-independence of FastICA and GMCA, and find that lower \textit{k}-scales can be modelled by a smaller number of independent components. For larger scales ($k \gtrsim 0.1~h \mathrm{cMpc}^{-1}$), more independent components are needed to fit the foregrounds. We conclude that, the current usage of GPR by the LOFAR collaboration is the appropriate removal technique. It is both robust and less prone to overfitting, with future improvements to GPR's fitting optimisation to yield deeper limits.

中文翻译：

---

比较用于恢复 LOFAR-EoR 21cm 功率谱的前景去除技术

我们比较了在各种实验中用于去除明亮前景的各种前景去除技术，旨在检测再电离时代中性氢的红移 21 厘米信号。在这项工作中，我们在 10 个晚上的 LOFAR 数据上测试了去除技术（FastICA、GMCA 和 GPR）的性能，并研究了恢复 21cm 信号最新上限的可能性。有趣的是，我们发现 GMCA 和 FastICA 再现了 $\Delta^2_{21} <$ (73)$^2$ mK$^2$ at $k=0.075~ h \ 的最新 2$\sigma$ 上限mathrm{cMpc}^{-1}$，这是应用探地雷达的结果。我们还发现 FastICA 和 GMCA 开始偏离 \textit{k} 尺度大于 $\sim 0.1 ~h \mathrm{cMpc}^{-1}$ 的噪声限制。然后我们通过模拟复制数据以查看 FastICA 和 GMCA' 的来源 s 限制，通过对各种工具效果进行测试。我们发现没有单一的仪器效应，例如主光束效应或模式混合，可以解释 FastICA 和 GMCA 在更大的 \textit{k} 尺度下的较差恢复。然后我们测试 FastICA 和 GMCA 的尺度无关性，并发现较低的 \textit{k} 尺度可以由较少数量的独立组件建模。对于更大的尺度（$k \gtrsim 0.1~h \mathrm{cMpc}^{-1}$），需要更多的独立分量来适应前景。我们得出的结论是，LOFAR 协作当前使用的 GPR 是合适的去除技术。它既健壮又不易过度拟合，未来会对 GPR 的拟合优化进行改进以产生更深的限制。我们发现没有单一的仪器效应，例如主光束效应或模式混合，可以解释 FastICA 和 GMCA 在更大的 \textit{k} 尺度下的较差恢复。然后我们测试 FastICA 和 GMCA 的尺度无关性，并发现较低的 \textit{k} 尺度可以由较少数量的独立组件建模。对于更大的尺度（$k \gtrsim 0.1~h \mathrm{cMpc}^{-1}$），需要更多的独立分量来适应前景。我们得出的结论是，LOFAR 协作当前使用的 GPR 是合适的去除技术。它既健壮又不易过度拟合，未来会对 GPR 的拟合优化进行改进以产生更深的限制。我们发现没有单一的仪器效应，例如主光束效应或模式混合，可以解释 FastICA 和 GMCA 在更大的 \textit{k} 尺度下的较差恢复。然后我们测试 FastICA 和 GMCA 的尺度无关性，并发现较低的 \textit{k} 尺度可以由较少数量的独立组件建模。对于更大的尺度（$k \gtrsim 0.1~h \mathrm{cMpc}^{-1}$），需要更多的独立分量来适应前景。我们得出的结论是，LOFAR 协作当前使用的 GPR 是合适的去除技术。它既健壮又不易过度拟合，未来会对 GPR 的拟合优化进行改进以产生更深的限制。然后我们测试 FastICA 和 GMCA 的尺度无关性，并发现较低的 \textit{k} 尺度可以由较少数量的独立组件建模。对于更大的尺度（$k \gtrsim 0.1~h \mathrm{cMpc}^{-1}$），需要更多的独立分量来适应前景。我们得出的结论是，LOFAR 协作当前使用的 GPR 是合适的去除技术。它既健壮又不易过度拟合，未来会对 GPR 的拟合优化进行改进以产生更深的限制。然后我们测试 FastICA 和 GMCA 的尺度无关性，并发现较低的 \textit{k} 尺度可以由较少数量的独立组件建模。对于更大的尺度（$k \gtrsim 0.1~h \mathrm{cMpc}^{-1}$），需要更多的独立分量来适应前景。我们得出的结论是，LOFAR 协作当前使用的 GPR 是合适的去除技术。它既健壮又不易过度拟合，未来会对 GPR 的拟合优化进行改进以产生更深的限制。