Name: Mapeo de superficie de exoplanetas similares a la Tierra mediante curvas de luz de un solo punto (Video) | JoVE Journal
Uploaded: 2020-05-10T12:30:00.000+00:00
Duration: 6 min 48 s
Description: Aprende a mapear superficies de exoplanetas similares a la Tierra mediante curvas de luz de un solo punto. Esta técnica reconstruye mapas bidimensionales para evaluar la habitabilidad planetaria.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Este trabajo fue apoyado en parte por el Laboratorio de Propulsión a Chorro, Instituto de Tecnología de California, bajo contrato con la NASA. YLY reconoce el apoyo del Laboratorio Planetario Virtual de la Universidad de Washington.

1. Configuración de programación
<ol><li>Configure el entorno de programación para el código adjunto. Se requiere un equipo con sistema operativo Linux, ya que el paquete healpy no está disponible en Windows. El código no es costoso desde el punto de vista computacional, por lo que un equipo personal normal puede controlar el protocolo.</li>
	<li>Siga las instrucciones (https://docs.anaconda.com/anaconda/install/linux/) para instalar Anaconda con Python 3.7 en el sistema y, a continuación, utilice los siguientes comandos en el terminal para configurar el entorno de programación: $ conda crear --nombre myenv python 3.7 $ conda activar myenv $ conda instalar anaconda $ conda instalar healpy NOTA: Estos pasos pueden tardar decenas de minutos dependiendo del hardware y la velocidad de Internet. El nombre del entorno 'myenv' en las dos primeras líneas de comandos se puede cambiar a cualquier otra cadena.</li>
</ol>2. Obtención de curvas de luz de varias longitudes de onda y geometría de visualización a partir de observaciones
<ol><li>En la geometría de visualización, incluya la longitud y la latitud del sub-estelar y los puntos subcomeguales para cada período de tiempo correspondiente. Para utilizar el siguiente código adjunto, asegúrese de que estos dos archivos tienen el mismo formato que LightCurve.csv y Geometry.csv.</li>
	<li>Ejecute PlotTimeSeries.py para visualizar los datos y comprobar sus cualidades. Se crearán dos figuras LightCurve.png y Geometría.png (Figura complementaria 1-2). Es posible que sea necesario ajustar los parámetros de este y los siguientes códigos de trazado si se aplican a diferentes observaciones. $ pitón PlotTimeSeries.py LightCurve Geometría PlotTimeSeries.py python</li>
</ol>3. Extraer información de la superficie de las curvas de luz
<ol><li>Centrar las curvas de luz de albedo de longitud de onda múltiple resueltas en el tiempo de un exoplaneta y normalizarlas por la desviación estándar correspondiente en cada longitud de onda. Esto da como resultado la misma importancia de cada canal. <img alt="Equation 1" src="/files/ftp_upload/60951/60951equ01.jpg"> donde R't,k y Rt,k son el albedo escalado y observado en el paso de tiempo t-ésimo y la longitud de onda k-ésima, respectivamente; μk y σk son la desviación media y estándar de la serie temporal de albedo en la longitud de onda k-ésima.<ol>
<li>Ejecute Normalize.py para normalizar las curvas de luz, Rt,k. La salida se guarda en NormalizedLightCurve.csv. Normalize.py de pitón de la Normalize.py</li>
	</ol></li>
	<li>Ejecute PlotTimeSeries.py para visualizar las curvas de luz normalizadas. Se creará una figura NormalizedLightCurve.png (Figura complementaria 3). $ python PlotTimeSeries.py NormalizedLightCurve</li>
	<li>Aplique SVD en las curvas de luz de albedo a escala para encontrar PCs dominantes y sus series temporales correspondientes. <img alt="Equation 2" src="/files/ftp_upload/60951/60951equ02.jpg"> En el lado izquierdo, T y K son el número total de pasos de tiempo y longitudes de onda de observación; R' es la matriz de observaciones de albedo escaladas, cuyo elemento (t,k)-ésimo es R't,k. En el lado derecho, las columnas de V son PC, vectores ortonormales que definen el espacio al que se proyecta SVD; Es una matriz diagonal, cuyo elemento (k,k)-ésimo es la desviación estándar de las curvas de luz escaladas a lo largo del eje k-ésimo definido por la columna k-ésima de V; columnas de U son las series temporales correspondientes de cada PC en V.<ol>
<li>Ejecute SingularValueDecomposition.py para descomponer R'. Los archivos de salida U.csv ,SingularValue.csv y V_T.csv , respectivamente, se guardan los archivos de salida U.csv, SingularValue.csv y V_T.csv, respectivamente. $ pitón SingularValueDecomposition.py</li>
	</ol></li>
	<li>Utilice PlotTimeSeries.py y PlotSVD.py para visualizar el resultado de SVD. Se crearán tres figuras U.png, Sigma.png y V_T.png (Figura complementaria 4-6). $ pitón PlotTimeSeries.py U PlotSVD.py de pitón de la PlotSVD.py</li>
	<li>Analice las contribuciones y las series temporales correspondientes de PC para determinar la que contiene información de superficie.<ol>
<li>Compare los valores singularesen la diagonal de . Se espera que un exoplaneta parcialmente nublado similar a la Tierra tenga dos valores singulares dominantes comparables. NOTA: Puede contener menos o más de dos valores singulares dominantes, que se describen a continuación.</li>
		<li>Compare los patrones de series temporales de los dos PC dominantes. El PC que contiene información de superficie tiende a tener una forma más regular que la otra. Debido a la asimetría longitudinal y la reaparición de la superficie con pequeños cambios en dos días consecutivos, la serie temporal correspondiente tiende a tener una variación diaria aproximadamente constante.</li>
		<li>Calcular las periodicidades de los dos PC dominantes utilizando el periodograma Lomb-Scargle9,10 para confirmar la selección de PC. El PC que contiene información de superficie tiende a tener un pico más alto correspondiente al período de rotación en el espectro de densidad de potencia.</li>
		<li>Ejecute Periodogram.py para obtener los espectros de potencia de la serie temporal de cada PC. Los espectros de potencia se guardan en Periodogram.csv. $ pitón Periodogram.py</li>
		<li>Ejecute PlotPeriodogram.py para visualizar estos periodogramas y confirmar la selección de PC. Se creará una figura Periodogram.png (Figura suplementaria 7). El código de trazado actual se añade en líneas discontinuas que representan ciclos anuales, semestrales, diurnos y semi diarios para referencia, que pueden necesitar ser cambiados cuando se aplican a otras observaciones. $ pitón PlotPeriodogram.py</li>
		<li>Seleccione el PC, vj, que contiene información de superficie y su serie temporal, uj. <img alt="Equation 3" src="/files/ftp_upload/60951/60951equ03v2.jpg"> <img alt="Equation 4" src="/files/ftp_upload/60951/60951equ04v2.jpg"> donde V[:,j] y U[:,j] son las columnas j-ésimas de V y U,respectivamente; j es el índice de PC inferido en el paso 3.3 que contiene información de superficie.</li>
	</ol></li>
</ol>4. Construir mapa de superficie planetaria
<ol><li>Utilice el método Hierarchical Equal Area iso-Latitude Pixelization (HEALPix)11 para pixelar el mapa de recuperación. Divide la superficie esférica de un planeta en píxeles con la misma área y distribución uniforme. Denotar el valor desconocido del píxel p-it como xp.<ol>
<li>Ejecute HEALPixRandom.py para visualizar el método de pixelización. Se creará una figura HEALPixRandom.png (Figura suplementaria 8). El parámetroN lado en la línea 17 se puede cambiar para diferentes resoluciones. Este paso puede tardar unos segundos o minutos dependiendo de la resolución. $ pitón HEALPixRandom.py</li>
	</ol>
</li>
	<li>Calcular el peso del píxel p en observaciones en el paso de tiempo t-ésimo, wt,p, utilizando la geometría de visualización. <img alt="Equation 5" src="/files/ftp_upload/60951/60951equ05.jpg"> donde αt,p, βt,p son los ángulos solares y la nave espacial cenit en el píxel p-ésimo en el paso de tiempo t-ésimo; ct es un término de normalización de la observación t-ésima de modo que la suma del peso total en cada paso de tiempo es la unidad. NOTA: Se supone que la geometría se conoce en este paso, o puede derivarse de otro análisis, que se describe a continuación.<ol>
<li>Ejecute ComputeWeight.py para calcular wt,p. Cambie el valor dellado N en la línea 23 para otras resoluciones del mapa recuperado. La salida se guarda como W.npz debido a su tamaño. $ pitón ComputeWeight.py</li>
	</ol>
</li>
	<li>Utilice PlotWeight.py para visualizar estos pesos. Se creará una serie de cifras, una en cada paso de tiempo, en una carpeta Peso. La combinación de ellos da como resultado vídeo suplementario 1, que muestra cómo cambia el peso de cada píxel con el tiempo. Este paso puede tardar horas en finalizar debido al gran número de visualizaciones. PlotWeight.py de pitón $</li>
	<li>Combine geometría y observaciones para alcanzar un problema de regresión lineal. <img alt="Equation 6" src="/files/ftp_upload/60951/60951equ06.jpg"> donde P es el número total de píxeles de recuperación; W es la matriz de peso con wt,p como el elemento (t,p)-ésimo; x consiste en xp como el elemento p-ésimo, que es la cantidad a resolver en este problema. Resuelva el problema de regresión lineal con una regularización de la norma L-2. <img alt="Equation 7" src="/files/ftp_upload/60951/60951equ07.jpg"> donde I es la matriz de identidad y el parámetro de regularización es el parámetro de regularización. NOTA: 10-3 es un buen valor para el valor de los valores de 10a 4 y de 3 a10 3. Deben ajustarse comparando los valores de los dos términos en el error cuadrado regularizado, e, como se muestra a continuación. <img alt="Equation 8" src="/files/ftp_upload/60951/60951equ08.jpg"><ol>
<li>Ejecute LinearRegression.py para resolver este problema de regresión lineal. El resultado de x se guarda en el archivo PixelValue.csv. Cambie el valor de la línea 16 para diferentes puntos fuertes de regularización. $ pitón LinearRegression.py</li>
	</ol>
</li>
	<li>Convierta x en un mapa de superficie 2D según la regla de asignación de HEALPix.<ol>
<li>Ejecute PlotMap.py para construir los mapas recuperados utilizando diferentes parámetros de regularización. Se crearán tres cifras Map_-2.png, Map_-3.png y Map_-4.png con la configuración actual(Figura complementaria 9). La relación entre los índices de píxeles y sus ubicaciones en el mapa se describe en el documento HEALPix11. Este paso toma decenas de segundos. PolotMap.py de pitón de la PolotMap.py</li>
	</ol>
</li>
</ol>5. Estimar la incertidumbre del mapa recuperado
<ol><li>Vuelva a escribir el problema de regresión lineal en el paso 4.3 con el "valor verdadero" de x como z y el ruido de observación, ε. <img alt="Equation 9" src="/files/ftp_upload/60951/60951equ09.jpg"><ol>
<li>Supongamos ε seguir una distribución gaussiana N (0, σ2I[T*T]) y estimar su covarianza. T-P es el grado de libertad de uj de observación cuando se fija el mapa recuperado. <img alt="Equation 10" src="/files/ftp_upload/60951/60951equ10.jpg">
</li>
		<li>Combine ecuaciones en los pasos 4.4 y 5.1. Resulta en un vector gaussiano de x. <img alt="Equation 11" src="/files/ftp_upload/60951/60951equ11.jpg">
</li>
		<li>Calcular la expectativa y la matriz de covarianza de x. <img alt="Equation 12" src="/files/ftp_upload/60951/60951equ12.jpg">
</li>
		<li>Obtenga la incertidumbre de cada elemento en x como la raíz cuadrada del elemento correspondiente en la diagonal de Cov[x]. <img alt="Equation 13" src="/files/ftp_upload/60951/60951equ13.jpg"> donde ep es la incertidumbre de xp; Diag[Cov[x]]p es un elemento p-ésimo en la diagonal de Cov[x].</li>
		<li>Ejecute Covariance.py para calcular la matriz de covarianza de x. El resultado se guarda en Covariance.npz debido a su tamaño. Este paso tarda decenas de segundos a minutos dependiendo del tamaño de W. $ pitón Covariance.py
</li>
	</ol>
</li>
	<li>Convierta ep en el mapa 2D recuperado según la regla de asignación de HEALPix.<ol>
<li>Ejecute PlotCovariance.py para visualizar Cov[x] y asigne la incertidumbre pal mapa recuperado. Se crearán dos cifras Covarianza.png e Incertidumbre.png (Figura complementaria 10-11). $ pitón PlotCovariance.py</li>
	</ol>
</li>
</ol>

<ol><li>Schwieterman, E. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exoplanet+Biosignatures%3A+A+Review+of+Remotely+Detectable+Signs+of+Life%5BTitle%5D)+AND+%22Astrobiology%22%5BJournal%5D)">Exoplanet Biosignatures: A Review of Remotely Detectable Signs of Life.</a> Astrobiology. 18 (6), 663-708 (2018).</li>
<li>Campbell, B., Walker, G. A. H., Yang, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Search+for+Substellar+Companions+to+Solar-type+Stars%5BTitle%5D)+AND+%22The+Astrophysical+Journal%22%5BJournal%5D)">A Search for Substellar Companions to Solar-type Stars.</a> The Astrophysical Journal. 331, 902(1988).</li>
<li>NASA. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22NASA+Exoplanet+Archive+%282019%29+Confirmed+Planets+Table%22">NASA Exoplanet Archive (2019) Confirmed Planets Table</a>. , (2019).</li>
<li>Gillon, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seven+temperate+terrestrial+planets+around+the+nearby+ultracool+dwarf+star+TRAPPIST-1%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Seven temperate terrestrial planets around the nearby ultracool dwarf star TRAPPIST-1.</a> Nature. 542 (7642), 456-460 (2017).</li>
<li>Kawahara, H., Fujii, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Global+Mapping+of+Earth-like+Exoplanets+from+Scattered+Light+Curves%5BTitle%5D)+AND+%22The+Astrophysical+Journal%22%5BJournal%5D)">Global Mapping of Earth-like Exoplanets from Scattered Light Curves.</a> The Astrophysical Journal. 720 (2), 1333(2010).</li>
<li>Fujii, Y., Kawahara, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+Earth+Analogs+from+Photometric+Variability%3A+Spin-Orbit+Tomography+for+Planets+in+Inclined+Orbits%5BTitle%5D)+AND+%22The+Astrophysical+Journal%22%5BJournal%5D)">Mapping Earth Analogs from Photometric Variability: Spin-Orbit Tomography for Planets in Inclined Orbits.</a> The Astrophysical Journal. 755 (2), 101(2012).</li>
<li>Cowan, N. B., Fujii, Y. Mapping Exoplanets. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCowan%2C+NB+%22Handbook+of+Exoplanets%22">Handbook of Exoplanets</a>. , Springer, Cham. (2018).</li>
<li>Farr, B., Farr, W. M., Cowan, N. B., Haggard, H. M., Robinson, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((exocartographer%3A+A+Bayesian+Framework+for+Mapping+Exoplanets+in+Reflected+Light%5BTitle%5D)+AND+%22The+Astronomical+Journal%22%5BJournal%5D)">exocartographer: A Bayesian Framework for Mapping Exoplanets in Reflected Light.</a> The Astronomical Journal. 156 (4), 146(2018).</li>
<li>Lomb, N. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Least-Squares+Frequency+Analysis+of+Unequally+Spaced+Data%5BTitle%5D)+AND+%22Astrophysics+and+Space+Science%22%5BJournal%5D)">Least-Squares Frequency Analysis of Unequally Spaced Data.</a> Astrophysics and Space Science. 39 (2), 447(1976).</li>
<li>Scargle, J. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Studies+in+astronomical+time+series+analysis.+II.+Statistical+aspects+of+spectral+analysis+of+unevenly+spaced+data%5BTitle%5D)+AND+%22The+Astrophysical+Journal%22%5BJournal%5D)">Studies in astronomical time series analysis. II. Statistical aspects of spectral analysis of unevenly spaced data.</a> The Astrophysical Journal. 263, 835(1982).</li>
<li>Górski, K. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((HEALPix%3A+A+Framework+for+High-Resolution+Discretization+and+Fast+Analysis+of+Data+Distributed+on+the+Sphere%5BTitle%5D)+AND+%22The+Astrophysical+Journal%22%5BJournal%5D)">HEALPix: A Framework for High-Resolution Discretization and Fast Analysis of Data Distributed on the Sphere.</a> The Astrophysical Journal. 622 (2), 759(2005).</li>
<li>Jiang, J. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+Deep+Space+Climate+Observatory+Measurements+to+Study+the+Earth+as+an+Exoplanet%5BTitle%5D)+AND+%22The+Astronomical+Journal%22%5BJournal%5D)">Using Deep Space Climate Observatory Measurements to Study the Earth as an Exoplanet.</a> The Astronomical Journal. 156 (1), 26(2018).</li>
<li>Fan, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Earth+as+an+Exoplanet%3A+A+Two-dimensional+Alien+Map%5BTitle%5D)+AND+%22The+Astrophysical+Journal+Letters%22%5BJournal%5D)">Earth as an Exoplanet: A Two-dimensional Alien Map.</a> The Astrophysical Journal Letters. 882 (1), 1(2019).</li>
<li>Cowan, N. B., Strait, T. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determining+Reflectance+Spectra+of+Surfaces+and+Clouds+on+Exoplanets%5BTitle%5D)+AND+%22The+Astrophysical+Journal+Letters%22%5BJournal%5D)">Determining Reflectance Spectra of Surfaces and Clouds on Exoplanets.</a> The Astrophysical Journal Letters. 765 (1), 17(2013).</li>
<li>Fujii, Y., Lustig-Yaeger, J., Cowan, N. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rotational+Spectral+Unmixing+of+Exoplanets%3A+Degeneracies+between+Surface+Colors+and+Geography%5BTitle%5D)+AND+%22The+Astronomical+Journal%22%5BJournal%5D)">Rotational Spectral Unmixing of Exoplanets: Degeneracies between Surface Colors and Geography.</a> The Astronomical Journal. 154 (5), 189(2017).</li>
<li>Kawahara, H., Fujii, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+Clouds+and+Terrain+of+Earth-like+Planets+from+Photomertic+Variability%3A+Demonstration+with+Planets+in+Face-on+Orbits%5BTitle%5D)+AND+%22The+Astrophysical+Journal+Letters%22%5BJournal%5D)">Mapping Clouds and Terrain of Earth-like Planets from Photomertic Variability: Demonstration with Planets in Face-on Orbits.</a> The Astrophysical Journal Letters. 739 (2), 62(2011).</li>
<li>Kawahara, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Frequency+Modulation+of+Directly+Imaged+Exoplanets%3A+Geometric+Effect+as+a+Probe+of+Planetary+Obliquity%5BTitle%5D)+AND+%22The+Astrophysical+Journal%22%5BJournal%5D)">Frequency Modulation of Directly Imaged Exoplanets: Geometric Effect as a Probe of Planetary Obliquity.</a> The Astrophysical Journal. 822 (2), 112(2016).</li>
<li>Schwartz, J. C., Sekowski, C., Haggard, H. M., Pall ́e, E., Cowan, N. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inferring+planetary+obliquity+using+rotational+and+orbital+photometry%5BTitle%5D)+AND+%22Monthly+Notices+of+the+Royal+Astronomical+Society%22%5BJournal%5D)">Inferring planetary obliquity using rotational and orbital photometry.</a> Monthly Notices of the Royal Astronomical Society. 457 (1), 926-938 (2016).</li>
</ol>

Los autores no tienen nada que revelar.

Un requisito crítico del protocolo es la viabilidad de extraer información de superficie de curvas de luz, que depende de la cobertura de la nube. En el paso 3.5.1, los valores relativos de los PC pueden ser diferentes entre los exoplanetas. En el caso de la Tierra, los dos primeros PC dominan las variaciones de la curva de luz, y corresponden a las nubes y la superficie independientes de la superficie (Fan et al. 2019)13. Tienen valores singulares comparables para que la información de la superfi...

Identificar mundos habitables es uno de los objetivos finales en astrobiología1. Desde la primera detección2, se han confirmado más de 4000 exoplanetas hasta la fecha3 con una serie de análogos de la Tierra (por ejemplo, TRAPPIST-1e)4. Estos planetas tienen propiedades orbitales y planetarias similares a las de la Tierra, y por lo tanto son potencialmente habitables. Evaluar su habitabilidad a partir de observaciones limitadas es esencial en este contexto. Sobre la base del conocimiento de la vida en la Tierra, los sistemas geológicos y climáticos son fundamentales para la habitabilidad, que por lo tanto puede servir como biofirmas. En principio, las características de estos sistemas podrían observarse a distancia incluso cuando un planeta no podía resolverse espacialmente mejor que un solo punto. En este caso, la identificación de características geológicas y sistemas climáticos a partir de curvas de luz de un solo punto es esencial a la hora de evaluar la habitabilidad de los exoplanetas. El mapeo superficial de estos exoplanetas se vuelve urgente.
A pesar de la convolución entre la geometría de visualización y las entidades espectrales, la información de la superficie de un exoplaneta está contenida en sus curvas de luz de un solo punto resueltas en el tiempo, que se pueden obtener a distancia y derivarse con observaciones suficientes. Sin embargo, el mapeo de superficie bidimensional (2D) de exoplanetas potencialmente habitables similares a la Tierra es un desafío debido a la influencia de las nubes. Los métodos de recuperación de mapas 2D han sido desarrollados y probados utilizando curvas de luz simuladas y espectros conocidos5,6,7,8, pero no se han aplicado a observaciones reales. Además, en los análisis de observaciones de exoplanetas ahora y en un futuro próximo, las suposiciones de espectros característicos pueden ser controvertidas cuando las composiciones de la superficie planetaria no están bien restringidas.
En este artículo, demostramos una técnica de mapeo de superficies para exoplanetas similares a la Tierra. Utilizamos SVD para evaluar y separar información de diferentes fuentes que está contenida en curvas de luz de longitud de onda múltiple sin suposiciones de ningún espectro específico. En combinación con la geometría de visualización, presentamos la reconstrucción de mapas de superficie utilizando información de superficie oportunamente resuelta pero espacialmente enrevesada. Con el fin de demostrar este método, se analizan las observaciones de punto único de longitud de onda multidesámica de dos años de la Tierra obtenidas por el Observatorio del Clima del Espacio Profundo/Cámara de Imágenes Policromáticas de la Tierra (DSCOVR/EPIC; www.nesdis.noaa.gov/DSCOVR/spacecraft.html). Usamos la Tierra como un exoplaneta proxy para evaluar este método porque las observaciones disponibles actualmente de exoplanetas no son suficientes. Adjuntamos el código con el papel como ejemplo. Se desarrolla bajo python 3.7 con paquetes de anaconda y healpy, pero las matemáticas del protocolo también se pueden hacer en otros entornos de programación (por ejemplo, IDL o MATLAB).

<table><tbody><tr><td>Python 3.7 con paquetes</td><td></td><td></td> anaconda y healpy <td>Otros entornos de programación (por ejemplo, IDL o MATLAB) también funcionan.</td></tr></tbody></table>

mapeo de superficie de exoplanetas similares a la tierra mediante curvas de luz de un solo punto

Surface Mapping of Earth-like Exoplanets using Single Point Light Curves

La resolución espacial de las características del exoplaneta a partir de observaciones de un solo punto es esencial para evaluar la habitabilidad potencial de los exoplanetas. El objetivo final de este protocolo es determinar si estos mundos planetarios albergan características geológicas y/o sistemas climáticos. Presentamos un método para extraer información de curvas de luz de punto único de longitud de onda múltiple y recuperar mapas de superficie. Utiliza la descomposición de valores singulares (SVD) para separar las fuentes que contribuyen a las variaciones de la curva de la luz e infieren la existencia de sistemas climáticos parcialmente nublados. Mediante el análisis de las series temporales obtenidas a partir de SVD, las atribuciones físicas de los componentes principales (PC) podrían deducirse sin suposiciones de ninguna propiedad espectral. Al combinar con la geometría de visualización, es posible reconstruir mapas de superficie si se encuentra que uno de los equipos contiene información de superficie. La degeneración originada a partir de la convolución de la geometría de píxeles y la información del espectro determina la calidad de los mapas de superficie reconstruidos, lo que requiere la introducción de la regularización. Con el propósito de demostrar el protocolo, se analizan las curvas de luz de longitud de onda múltiple de la Tierra, que sirve como un exoplaneta proxy. La comparación entre los resultados y la verdad del terreno se presenta para mostrar el rendimiento y la limitación del protocolo. Este trabajo proporciona un punto de referencia para la generalización futura de aplicaciones de exoplanetas.

Utilizamos curvas de luz de punto único de longitud de onda múltiple de la Tierra para demostrar el protocolo, y comparamos los resultados con la verdad del suelo para evaluar la calidad de la asignación de superficie. La observación utilizada aquí es obtenida por DSCOVR/EPIC, que es un satélite situado cerca del primer punto lagrangian (L1) entre la Tierra y el Sol tomando imágenes a diez longitudes de onda de la cara iluminada por el sol de la Tierra. Dos años (2016 y 2017) de observaciones se utilizan para esta demost...

El protocolo extrae información de curvas de luz de exoplanetas y construye sus mapas de superficie. Utiliza curvas de luz de la Tierra, que sirve como un exoplaneta proxy, para demostrar el enfoque.

Mapeo de superficie de exoplanetas similares a la Tierra mediante curvas de luz de un solo punto

Spatially resolving exoplanet features from single-point observations is essential for evaluating the potential habitability of exoplanets. The ultimate ...

Este protocolo se puede utilizar para resolver espacialmente las entidades de exoplanetas a partir de observaciones de un solo punto y es esencial para evaluar la habitabilidad potencial de los exoplanetas. Esta técnica se puede utilizar para reconstruir mapas de superficie bidimensionales de exoplanetas similares a la Tierra. Y esta es la primera técnica que se está probando con observaciones reales usando la Tierra como apoderado.Las matemáticas de esta técnica son sencillas y se pueden ajustar fácilmente para otras observaciones. No es necesario seguir estrictamente los scripts de codificación. La demostración visual de esta técnica es importante porque una imagen vale más que mil palabras.Después de configurar el entorno de programación para el código adjunto, escriba el comando para instalar Anaconda con Python 3.7 en el sistema. Después de configurar el entorno de programación, obtenga curvas de luz de longitud de onda múltiple, vea la geometría de las observaciones y ejecute la serie temporal de trazado. py comando para visualizar los datos y comprobar sus cualidades.A continuación, introduzca el comando para generar una figura de geometría. Para extraer la información de la superficie de curva de luz, ejecute la normalización. comando py.La salida se guarda en curva de luz normalizada.csv. Introduzca el comando para visualizar las curvas de luz normalizadas. Se creará una figura de curva de luz normalizada.Introduzca el comando para descomponer las curvas de luz normalizadas. Las series temporales resultantes, los valores singulares y los componentes principales se guardarán en los archivos de salida adecuados en formato csv. Utilice los comandos para visualizar el resultado de descomposición de valor singular.Se generarán figuras para los valores singulares y los componentes principales. Analice las contribuciones y las series temporales correspondientes de los componentes principales para determinar el que contiene información de superficie y comparar los valores singulares en la diagonal de la matriz de valores singulares. Se espera que un exoplaneta parcialmente nublado similar a la Tierra tenga dos valores singulares dominantes comparables.Para confirmar la selección del componente principal, introduzca el comando para obtener los espectros de potencia de la serie temporal de cada componente principal. Los espectros de potencia se guardarán en periodograma.csv. Introduzca el comando para visualizar los periodogramas y confirmar la selección del componente principal.Se generará una figura de periodograma. El código de trazado actual agrega líneas discontinuas que representan los ciclos anuales, semestrales, diurnos y semi diarios como referencia. Seleccione el componente principal que contiene la información de superficie y su serie temporal correspondiente.Para construir un mapa de superficie planetaria, utilice el comando aleatorio HEALPix para visualizar el método de pixelación. Se creará una figura aleatoria HEALPix. El parámetro n subside en la línea 17 se puede cambiar para diferentes resoluciones.Para determinar el peso de cada píxel, escriba el comando. La salida se guardará como w. npz debido a su tamaño.Chang el valor n del subside en la línea 23 según corresponda para las otras resoluciones del mapa recuperado. Utilice el peso de la gráfica. py para visualizar el peso.Se creará una serie de cifras en la carpeta de peso. La fusión de las figuras permitirá ilustrar cómo cambia el peso de cada píxel con el tiempo. Utilice la regresión lineal.comando py para resolver el problema de regresión lineal. El resultado de los valores de píxel se guardará en el valor de píxel. csv.El valor de Lambda en la línea 16 se puede cambiar para diferentes puntos fuertes de regularización según corresponda. A continuación, ejecute el mapa de trazado. py para construir los mapas recuperados utilizando diferentes parámetros de regularización.Se generarán tres mapas. La relación entre los índices de píxeles y sus ubicaciones en cada mapa se describe en el documento HEALPix. Para calcular la matriz de covarianza de cada píxel, ejecute la covarianza.comando py. El resultado se guardará en covarianza. npz debido a su tamaño.Para visualizar la matriz de covarianza y asignar la incertidumbre al mapa recuperado, ejecute la covarianza del trazado. comando py. Se creará una covarianza y una figura de incertidumbre.Aquí, se muestran las observaciones de múltiples longitudes de onda de la Tierra en 927 hora universal coordinada, 8 de febrero de 2017. Aquí, se puede observar la serie temporal de los dos componentes principales dominantes de las curvas de luz de longitud de onda múltiple. La serie temporal para el segundo componente principal demuestra una morfología más regular con una variación diaria aproximadamente constante y un ciclo diurno más fuerte en su espectro de potencia que el primer componente principal.A continuación, se puede construir un mapa de superficie de este exoplaneta proxy que consta del valor del segundo componente principal en cada píxel. En comparación con la verdad del suelo de la Tierra, el mapa reconstruido recupera todos los continentes principales después de separar la información de la superficie de las nubes. Los resultados para el hemisferio sur son peores que los observados para el hemisferio norte debido a la cobertura de nubes sobre los océanos del sur.La incertidumbre de cada valor de píxel está en el orden del 10% de la del mapa recuperado, lo que sugiere una buena calidad de la asignación de superficie y un resultado positivo. El requisito crítico para aplicar este protocolo a un análisis futuro es confirmar que la información de la superficie se puede extraer de las curvas de luz. Esta técnica sirve como punto de referencia en el mapeo de superficie de exoplanetas y puede mejorarse con otros métodos de descompensación y regularización para nuevas observaciones.

surface-mapping-earth-like-exoplanets-using-single-point-light

Research

Investigación

JoVE Journal

Engineering

Ingeniería

La luz de los objetos astronómicos deben viajar a través de la turbulenta atmósfera de la Tierra antes de que pueda ser captado por los telescopios terrestres. Para habilitar la proyección de imagen directa en máxima resolución angular teórica, técnicas avanzadas, como las empleadas por el Robo-AO de óptica adaptativa del sistema debe ser utilizado.

Con lo que el Universo Visible en Focus con Robo-AO

En este protocolo de video rastreamos, a alta velocidad y en tres dimensiones, lisosomas marcados con fluorescencia dentro de células vivas, utilizando el método de seguimiento orbital en un microscopio modificado de dos fotones.

Rastreo Orbital 3D en un microscopio de dos fotones Modificado: una aplicación para el Seguimiento de vesículas intracelulares

Los métodos numéricos y experimentales se presentan para la dispersión múltiple de la luz en medios aleatorios discretos de partículas densamente empaquetadas. Los métodos se utilizan para interpretar las observaciones del asteroide (4) Vesta y el cometa 67P/Churyumov-Gerasimenko.

Dispersión y absorción de la luz en los regolitos planetarios

Este protocolo describe la configuración y el uso de ElectroMap, una plataforma de software de código abierto basada en MATLAB para el análisis de datos de mapeo óptico cardíaco. ElectroMap proporciona una herramienta versátil de alto rendimiento para el análisis de voltaje de mapeo óptico y conjuntos de datos de calcio en una amplia gama de modelos experimentales cardíacos.

Análisis de alto rendimiento de datos de asignación óptica mediante electromap

Los flujos de carbono en la criosfera apenas se evalúan, pero son cruciales con respecto al cambio climático. Aquí mostramos un nuevo prototipo de dispositivo que captura el potencial fototrófico en entornos supraglaciales basados en la tecnología de emisión de fluorescencia inducida por láser (L.I.F.E.) que ofrece datos de alta resolución espectral y espacial en condiciones in situ.

Emisión de Fluorescencia Inducida por Láser (L.I.F.E.) como Novedosa Herramienta No Invasiva para Mediciones In-Situ de Biomarcadores en Hábitats Criosféricos

Se presenta un marco de simulación para probar las capacidades de imagen de matrices de radio a gran escala en la superficie lunar. Se discuten los principales componentes de ruido, y una canalización de software se camina a través de detalles sobre cómo personalizarlo para usos científicos novedosos.

Simulación de imágenes de matrices de radio a gran escala en la superficie lunar

Este protocolo implica la transfectación de sensores de cAMP y bPAC-nLuc, una proteína optogenética, para rastrear con precisión su distribución celular y su respuesta a la estimulación lumínica. El enfoque innovador de crear un mapa de respuesta de AMPc utilizando un sistema de escaneo de puntos tiene el potencial de avanzar en la investigación con proteínas optogenéticas en diferentes campos.

Mapeo de la distribución celular de una proteína optogenética mediante una rejilla de estimulación lumínica

Este artículo describe un protocolo para la caracterización mecánica de esferoides vivos dentro de una matriz 3D utilizando la microespectroscopía de Brillouin. Este método totalmente óptico permite la visualización de esferoides con resolución a microescala y propiedades mecánicas cuantitativas. Este enfoque tiene implicaciones para la fenotipización mecánica; por ejemplo, determinar estados patológicos de esferoides tumorales dentro de un microambiente 3D.

Mapeo mecánico de esferoides mediante espectroscopía de Brillouin

Este protocolo cubre una metodología de estudio de imágenes de área grande de cuatro pasos utilizada para extraer métricas de complejidad estructural, composición de la comunidad y demografía de la población para las comunidades de arrecifes de coral. La calidad de las imágenes recopiladas y el acceso integrado a las imágenes de origen se priorizan en cada paso del protocolo.

Medición de la estructura, composición y cambio de entornos subacuáticos con imágenes de gran área

Interferometría Blanca microscopio de luz es un método óptico sin contacto y rápida para medir la topografía de las superficies. Se muestra cómo el método puede ser aplicado para el análisis de desgaste mecánico, donde el desgaste cicatrices en las muestras de ensayo se analizan tribológicas, y en la ciencia de materiales para determinar por haz de iones de pulverización catódica o volúmenes de ablación por láser y profundidades.

Caracterización de modificaciones de la superficie de la interferometría de luz blanca: Aplicaciones en Sputtering Ion, ablación con láser y Experimentos Tribología

Aprende a mapear superficies de exoplanetas similares a la Tierra mediante curvas de luz de un solo punto. Esta técnica reconstruye mapas bidimensionales para evaluar la habitabilidad planetaria.

Mapeo de superficie de exoplanetas similares a la Tierra mediante curvas de luz de un solo punto

Explorar más videos