Surface Mapping van aarde-achtige exoplaneten met behulp van Single Point Lichtcurven

Dit protocol kan worden gebruikt om exoplaneetfuncties vanuit single-point waarnemingen ruimtelijk op te lossen en is essentieel voor de beoordeling van de potentiële bewoonbaarheid van exoplaneten. Deze techniek kan worden gebruikt om tweedimensionale oppervlaktekaarten van aardachtige exoplaneet te reconstrueren. Dit is de eerste techniek die getest wordt met echte waarnemingen met behulp van de Aarde als proxy.

De wiskunde van deze techniek is eenvoudig en kan gemakkelijk worden aangepast voor andere waarnemingen. Men hoeft de coderingsscripts niet strikt te volgen. Visuele demonstratie van deze techniek is belangrijk omdat een foto meer waard is dan duizend woorden.

Nadat u de programmeeromgeving voor de bijgevoegde code hebt ingesteld, voert u de opdracht in om Anaconda met Python 3.7 op het systeem te installeren. Na het instellen van de programmeeromgeving, verkrijg je meergolflengte lichtcurven, bekijk de geometrie van de waarnemingen en voer je de plottijdreeks uit. py commando om de gegevens te visualiseren en hun kwaliteiten te controleren.

Voer vervolgens de opdracht in om een geometriefiguur te genereren. Als u de informatie over het oppervlak van de lichtcurve wilt extraheren, voert u de normaliseren uit. py commando.

De uitvoer wordt opgeslagen in genormaliseerde lichtcurve.csv. Voer de opdracht in om de genormaliseerde lichtcurven te visualiseren. Er wordt een genormaliseerd lichtcurvefiguur gemaakt.

Voer de opdracht in om de genormaliseerde lichtcurven te ontbinden. De resulterende tijdreeksen, enkelvoudswaarden en hoofdcomponenten worden opgeslagen in de juiste uitvoerbestanden in csv-indeling. Gebruik de opdrachten om het resultaat van de enkelvoudige waarde te visualiseren.

Cijfers voor de enkelvoudige waarden en belangrijkste componenten worden gegenereerd. Analyseer de bijdragen en bijbehorende tijdreeksen van de belangrijkste componenten om de componenten te bepalen die oppervlakte-informatie bevat en vergelijk de enkelvoa diagonaal van enkelvoudswaardematrix. Een aarde-achtige gedeeltelijk bewolkte exoplaneet zal naar verwachting twee vergelijkbare dominante bijzondere waarden hebben.

Als u de selectie van de hoofdcomponent wilt bevestigen, voert u de opdracht in om de powerspectra van de tijdreeks van elke hoofdcomponent te verkrijgen. De power spectra wordt opgeslagen in periodogram.csv. Voer de opdracht in om de periodogrammen te visualiseren en de selectie van de hoofdcomponent te bevestigen.

Er wordt een periodogramcijfer gegenereerd. De huidige plotcode voegt stippellijnen toe die de jaarlijkse, halfjaarlijkse, dag- en halfdagscycli ter referentie vertegenwoordigen. Selecteer de hoofdcomponent die de oppervlakte-informatie en de bijbehorende tijdreeksen bevat.

Als u een planetaire oppervlaktekaart wilt maken, gebruikt u de random-opdracht HEALPix om de pixelatiemethode te visualiseren. Er wordt een random figure van HEALPix gemaakt. De parameter n verzakt bij lijn 17 kan worden gewijzigd voor verschillende resoluties.

Voer de opdracht in om het gewicht van elke pixel te bepalen. De output zal worden opgeslagen als w. npz vanwege de grootte.

Chang de n subsideerwaarde bij lijn 23 zoals aangewezen voor de andere resoluties van de teruggewonnen kaart. Gebruik het plotgewicht. py commando om het gewicht te visualiseren.

Er worden een aantal cijfers gemaakt in de gewichtsmap. Door de cijfers samen te voegen, u illustreren hoe het gewicht van elke pixel met de tijd verandert. Gebruik de lineaire regressie.

py commando om de lineaire regressie probleem op te lossen. Het resultaat van pixelwaarden wordt opgeslagen in de pixelwaarde. csv-bestand.

De waarde van Lambda op lijn 16 kan worden gewijzigd voor verschillende sterktes van regularisatie indien van toepassing. Voer dan de plotkaart uit. py opdracht om de opgehaalde kaarten te construeren met behulp van verschillende regularisatieparameters.

Er worden drie kaarten gegenereerd. De relatie tussen de pixelindexen en hun locaties op elke kaart wordt beschreven in het HEALPix-document. Als u de covariantiematrix van elke pixel wilt berekenen, voert u de covariantie uit.

py commando. Het resultaat wordt in covariantie opgeslagen. npz vanwege zijn grootte.

Als u de covariantiematrix wilt visualiseren en de onzekerheid wilt toewijzen aan de opgehaalde kaart, voert u de samenvariantie van de plot uit. py commando. Er zal één covariantie en één onzekerheidscijfer worden gecreëerd.

Hier worden voorbeeldige multigolflengte-waarnemingen van de aarde op 927 gecoördineerde universele tijd, 8 februari 2017, getoond. Hier kan de tijdreeks van de twee dominante belangrijkste componenten van de meergolflengte lichtcurven worden waargenomen. De tijdreeksen voor de tweede belangrijkste component tonen een regelmatigere morfologie aan met een ongeveer constante dagelijkse variatie en sterkere dagelijkse cyclus in zijn machtsspectrum dan de eerste belangrijkste component.

Een oppervlaktekaart van deze proxy exoplaneet bestaande uit de waarde van de tweede hoofdcomponent bij elke pixel kan vervolgens worden geconstrueerd. Vergeleken met de grond waarheid van de aarde, de gereconstrueerde kaart herstelt alle grote continenten na het scheiden van de oppervlakte-informatie van de wolken. De resultaten voor het zuidelijk halfrond zijn slechter dan die waargenomen voor het noordelijk halfrond als gevolg van de bewolking over de zuidelijke oceanen.

De onzekerheid van elke pixelwaarde is op de orde van 10% van die in de opgehaalde kaart, wat wijst op een goede kwaliteit van de oppervlaktemapping en een positief resultaat. De essentiële vereiste voor het toepassen van dit protocol op een toekomstige analyse bevestigt dat de oppervlakte-informatie kan worden geëxtraheerd uit lichtcurven. Deze techniek dient als benchmark in de oppervlaktemapping van exoplaneten en kan worden verbeterd met andere decompensatie en de regularisatiemethoden voor nieuwe waarnemingen.