LOFAR, the LOw-Frequency ARray, is a new-generation radio interferometer constructed in the north of the Netherlands and across europe. Utilizing a novel phased-array design, LOFAR covers the largely unexplored low-frequency range from 10-240 MHz and provides a number of unique observing capabilities. Spreading out from a core located near the village of Exloo in the northeast of the Netherlands, a total of 40 LOFAR stations are nearing completion. A further five stations have been deployed throughout Germany, and one station has been built in each of France, Sweden, and the UK. Digital beam-forming techniques make the LOFAR system agile and allow for rapid repointing of the telescope as well as the potential for multiple simultaneous observations. With its dense core array and long interferometric baselines, LOFAR achieves unparalleled sensitivity and angular resolution in the low-frequency radio regime. The LOFAR facilities are jointly operated by the International LOFAR Telescope (ILT) foundation, as an observatory open to the global astronomical community. LOFAR is one of the first radio observatories to feature automated processing pipelines to deliver fully calibrated science products to its user community. LOFAR's new capabilities, techniques and modus operandi make it an important pathfinder for the Square Kilometre Array (SKA). We give an overview of the LOFAR instrument, its major hardware and software components, and the core science objectives that have driven its design. In addition, we present a selection of new results from the commissioning phase of this new radio observatory.

We describe and compare several post-correlation radio frequency interference (RFI) classification methods. As data sizes of observations grow with new and improved telescopes, the need for completely automated, robust methods for RFI mitigation is pressing. We investigated several classification methods and find that, for the data sets we used, the most accurate among them is the SumThreshold method. This is a new method formed from a combination of existing techniques, including a new way of thresholding. This iterative method estimates the astronomical signal by carrying out a surface fit in the time-frequency plane. With a theoretical accuracy of 95 per cent recognition and an approximately 0.1 per cent false probability rate in simple simulated cases, the method is in practice as good as the human eye in finding RFI. In addition, it is fast, robust, does not need a data model before it can be executed and works in almost all configurations with its default parameters. The method has been compared using simulated data with several other mitigation techniques, including one based upon the singular value decomposition of the time-frequency matrix, and has shown better results than the rest.

Abstract The use of Gaussian Process Regression (GPR) for foregrounds mitigation in data collected by the LOw-Frequency ARray (LOFAR) to measure the high-redshift 21-cm signal power spectrum has been shown to have issues of signal loss when the 21-cm signal covariance is misestimated. To address this problem, we have recently introduced covariance kernels obtained by using a Machine Learning based Variational Auto-Encoder (VAE) algorithm in combination with simulations of the 21-cm signal. In this work, we apply this framework to 141 hours (≈10 nights) of LOFAR data at z ≈ 9.1, and report revised upper limits of the 21-cm signal power spectrum. Overall, we agree with past results reporting a 2-σ upper limit of $\Delta ^2_{21} < (80)^2~\rm mK^2$ at $k = 0.075~h~\rm Mpc^{-1}$. Further, the VAE-based kernel has a smaller correlation with the systematic excess noise, and the overall GPR-based approach is shown to be a good model for the data. Assuming an accurate bias correction for the excess noise, we report a 2-σ upper limit of $\Delta ^2_{21} < (25)^2~\rm mK^2$ at $k = 0.075~h~\rm Mpc^{-1}$. However, we still caution to take the more conservative approach to jointly report the upper limits of the excess noise and the 21-cm signal components.