Name: Surface Mapping van aarde-achtige exoplaneten met behulp van Single Point Lichtcurven (Video) | JoVE Journal
Uploaded: 2020-05-10T12:30:00.000+00:00
Duration: 6 min 48 s
Description: Verken oppervlakte-in kaart brengen van aardachtige exoplaneten met behulp van lichtkrommen. Deze methode reconstrueert tweedimensionale kaarten om bewoonbaarheid te evalueren.

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

Dit werk werd gedeeltelijk ondersteund door het Jet Propulsion Laboratory, California Institute of Technology, in opdracht van NASA. YLY erkent steun van het Virtual Planetary Laboratory aan de Universiteit van Washington.

1. Programmering setup
<ol><li>Stel de programmeeromgeving in voor de bijgevoegde code. Een computer met Linux-besturingssysteem is vereist, omdat het healpy-pakket niet beschikbaar is op Windows. De code is niet rekenkundig duur, dus een normale personal computer kan het protocol aan.</li>
	<li>Volg de instructie (https://docs.anaconda.com/anaconda/install/linux/) om Anaconda met Python 3.7 op het systeem te installeren en gebruik vervolgens de volgende opdrachten in de terminal om de programmeeromgeving in te stellen: $ conda maken --naam myenv python = 3.7 $ conda activeren myenv $ conda installeren anaconda $ conda installeren healpy LET OP: Deze stappen kunnen tientallen minuten duren, afhankelijk van de hardware en internetsnelheid. De omgevingsnaam 'myenv' in de eerste twee opdrachtregels kan worden gewijzigd in een andere tekenreeks.</li>
</ol>2. Het verkrijgen van meergolflengte lichtcurven en het bekijken van geometrie uit waarnemingen
<ol><li>In de weergavegeometrie, omvatten de lengte en breedte van de sub-stellaire en de sub-waarnemer punten voor elk overeenkomstig tijdsbestek. Als u de volgende bijgevoegde code wilt gebruiken, moet u ervoor zorgen dat deze twee bestanden dezelfde indeling hebben als LightCurve.csv en Geometry.csv.</li>
	<li>Voer PlotTimeSeries.py uit om de gegevens te visualiseren en hun kwaliteiten te controleren. Er worden twee figuren LightCurve.png en Geometry.png gemaakt (Supplemental Figuur 1-2). Parameters in deze en volgende plotcodes moeten mogelijk worden aangepast als ze op verschillende waarnemingen worden toegepast. $ python PlotTimeSeries.py LightCurve $ python PlotTimeSeries.py Geometrie</li>
</ol>3. Oppervlakte-informatie uit lichtkrommen
<ol><li>Center time-resolved multi-wavelength albedo lichtcurven van een exoplaneet en normaliseren door overeenkomstige standaarddeviatie op elke golflengte. Dit resulteert in het even belangrijke belang van elk kanaal. <img alt="Equation 1" src="/files/ftp_upload/60951/60951equ01.jpg"> waar R't,k en Rt,k respectievelijk de geschaalde en waargenomen albedo zijn bij de t-th-tijdstap en de k-th golflengte; μk en σk zijn de gemiddelde en standaardafwijking van de albedo-tijdreeks op de k-th golflengte.<ol>
<li>Run Normalize.py om de lichtcurven te normaliseren, Rt,k. De uitvoer wordt opgeslagen in NormalizedLightCurve.csv. $ python Normalize.py</li>
	</ol></li>
	<li>Voer PlotTimeSeries.py uit om de genormaliseerde lichtcurven te visualiseren. Er wordt een cijfer genormaliseerdlightcurve.png gemaakt(supplementisch figuur 3). $ python PlotTimeSeries.py NormalizedLightCurve</li>
	<li>Pas SVD aan op de geschaalde albedo-lichtcurven om dominante pc's en de bijbehorende tijdreeksen te vinden. <img alt="Equation 2" src="/files/ftp_upload/60951/60951equ02.jpg"> Aan de linkerkant, T en K zijn het totale aantal tijd stappen en observatie golflengten; R' is de matrix van geschaalde albedo-waarnemingen, waarvan het (t,k)-th-element R't,kis. Aan de rechterkant zijn kolommen van V pc's, orthonormale vectoren die de ruimte definiëren waar SVD naar projecteert; Σ is een diagonale matrix, waarvan het element (k,k)-th de standaarddeviatie is van geschaalde lichtcurven langs de k-th-as die wordt gedefinieerd door de k-th-kolom van V; kolommen van U zijn de bijbehorende tijdreeksen van elke pc in V.<ol>
<li>Ren SingularValueDecomposition.py om R' te ontleden. De resulterende U, Σ, VT worden opgeslagen in de uitvoerbestanden U.csv, SingularValue.csv en V_T.csv,respectievelijk. $ python SingularValueDecomposition.py</li>
	</ol></li>
	<li>Gebruik PlotTimeSeries.py en PlotSVD.py om het SVD-resultaat te visualiseren. Er worden drie figuren U.png, Sigma.png en V_T.png gemaakt (Supplemental Figuur 4-6). $ python PlotTimeSeries.py U $ python PlotSVD.py</li>
	<li>Analyseer bijdragen en bijbehorende tijdreeksen van pc's om te bepalen welke oppervlakte-informatie bevat.<ol>
<li>Vergelijk de enkelvoud waarden op de diagonaal van Σ. Een aarde-achtige gedeeltelijk bewolkte exoplaneet zal naar verwachting twee vergelijkbare dominante bijzondere waarden hebben. OPMERKING: Σ kan minder of meer dan twee dominante enkelvoudswaarden bevatten, die hieronder worden besproken.</li>
		<li>Vergelijk de tijdreekspatronen van de twee dominante pc's. De pc die oppervlakte-informatie bevat heeft de neiging om meer regelmatige vorm dan de andere. Als gevolg van de longitudinale asymmetrie en de terugkeer van het oppervlak met kleine veranderingen in twee opeenvolgende dagen, de overeenkomstige tijdreeksen heeft de neiging om ongeveer constante dagelijkse variatie.</li>
		<li>Bereken de periodiciteiten van de twee dominante pc's met Lomb-Scargle periodogram9,10 om de selectie van pc te bevestigen. De pc die oppervlakte-informatie bevat, heeft meestal een hogere piek die overeenkomt met de rotatieperiode in het vermogensdichtheidsspectrum.</li>
		<li>Voer Periodogram.py om de power spectra van de tijdreeks van elke pc te verkrijgen. De power spectra worden opgeslagen in Periodogram.csv. $ python Periodogram.py</li>
		<li>Voer PlotPeriodogram.py uit om deze periodogrammen te visualiseren en de selectie van pc te bevestigen. Er wordt een cijfer periodogram.png gemaakt(supplementisch figuur 7). De huidige plotting code voegt in stippellijnen die jaarlijkse, halfjaarlijkse, dag- en half-dagelijkse cycli voor referentie, die kan moeten worden gewijzigd wanneer toegepast op andere waarnemingen. $ python PlotPeriodogram.py</li>
		<li>Selecteer de pc, vj, die oppervlakte-informatie en de tijdreeksen bevat, uj. <img alt="Equation 3" src="/files/ftp_upload/60951/60951equ03v2.jpg"> <img alt="Equation 4" src="/files/ftp_upload/60951/60951equ04v2.jpg"> waar V[:,j] en U[:,j] respectievelijk de j-th kolommen van V en Uzijn; j is de index van pc afgeleid bij stap 3.3 die oppervlakte-informatie bevat.</li>
	</ol></li>
</ol>4. Bouw planetaire oppervlaktekaart
<ol><li>Gebruik de methode Hiërarchisch gelijk gebied iso-Latitude (HEALPix)11 om de opgehaalde kaart te pixeleren. Het verdeelt bolvormige oppervlak van een planeet in pixels met hetzelfde gebied en uniforme verdeling. De onbekende waarde van de p-th-pixel als x p aanduiden.<ol>
<li>Voer HEALPixRandom.py uit om de pixelisatiemethode te visualiseren. Er wordt een cijfer HEALPixRandom.png gemaakt(supplementisch figuur 8). De parameterN-zijde bij lijn 17 kan worden gewijzigd voor verschillende resoluties. Deze stap kan enkele seconden tot minuten duren, afhankelijk van de resolutie. $ python HEALPixRandom.py</li>
	</ol>
</li>
	<li>Bereken het gewicht van de p-th pixel in waarnemingen op de t-th time step, wt,p, met behulp van weergavegeometrie. <img alt="Equation 5" src="/files/ftp_upload/60951/60951equ05.jpg"> waar αt,p, βt,p zijn de zonne-en het ruimtevaartuig zenith hoeken op de p-th pixel op de t-th time step; ct is een normalisatieterm van de t-th observatie, zodat de som van het totale gewicht bij elke stap is eenheid. OPMERKING: Geometrie wordt verondersteld bekend te zijn bij deze stap, of kan worden afgeleid uit andere analyse, die hieronder wordt besproken.<ol>
<li>Voer ComputeWeight.py uit om wt, p. Wijzig de waarde vanN-zijde aan lijn 23 voor andere resoluties van de opgehaalde kaart. De output wordt opgeslagen als W.npz vanwege de grootte. $ python ComputeWeight.py</li>
	</ol>
</li>
	<li>Gebruik PlotWeight.py om deze gewichten te visualiseren. Een aantal cijfers, een voor elke stap, zal worden gemaakt in een map Gewicht. Samenvoegen van hen resulteert in Aanvullende Video 1, die laat zien hoe het gewicht van elke pixel verandert met de tijd. Deze stap kan uren duren om te voltooien vanwege het grote aantal visualisaties. $ python PlotWeight.py</li>
	<li>Combineer geometrie en waarnemingen om een lineair regressieprobleem te bereiken. <img alt="Equation 6" src="/files/ftp_upload/60951/60951equ06.jpg"> waarbij P het totale aantal pixels is; W is de gewichtsmatrix met wt,p als (t,p)-th element; x bestaat uit xp als p-th element, dat is de hoeveelheid die moet worden opgelost in dit probleem. Los het lineaire regressieprobleem op met een regularisatie van de L-2-norm. <img alt="Equation 7" src="/files/ftp_upload/60951/60951equ07.jpg"> waar ik de identiteitsmatrix ben en λ de regularisatieparameter is. LET OP: 10-3 is een goede waarde voor λ wanneer T ~ 104 en P ~ 3 * 103. Ze moeten worden aangepast door de waarden van de twee termen in de geregulariseerde vierkante fout te vergelijken, e, zoals hieronder wordt weergegeven. <img alt="Equation 8" src="/files/ftp_upload/60951/60951equ08.jpg"><ol>
<li>Voer LinearRegression.py om dit lineaire regressieprobleem op te lossen. Het resultaat van x wordt opgeslagen in het bestand PixelValue.csv. Verander de waarde van λ bij lijn 16 voor verschillende sterktes van regularisatie. $ python LinearRegression.py</li>
	</ol>
</li>
	<li>Converteer x naar een 2D-oppervlaktekaart volgens de toewijzingsregel van HEALPix.<ol>
<li>Voer PlotMap.py uit om de opgehaalde kaarten te construeren met behulp van verschillende regularisatieparameters. Met de huidige instelling Map_-2.png, Map_-3.png en Map_-4.png worden drie cijfers gemaakt (Supplementeel figuur 9). De relatie tussen de pixelindexen en hun locaties op de kaart wordt beschreven in het HEALPix-document11. Deze stap duurt tientallen seconden. $ python PolotMap.py</li>
	</ol>
</li>
</ol>5. Schatting van de onzekerheid van de opgehaalde kaart
<ol><li>Herschrijf het lineaire regressieprobleem bij stap 4.3 met de "werkelijke waarde" van x als z en het observatiegeluid, ε. <img alt="Equation 9" src="/files/ftp_upload/60951/60951equ09.jpg"><ol>
<li>Stel ε een Gaussian Distribution N (0, σ2I[T*T]) te volgen en schat de covariantie ervan. T-P is de mate van vrijheid van uj van observatie wanneer de opgehaalde kaart is vastgesteld. <img alt="Equation 10" src="/files/ftp_upload/60951/60951equ10.jpg">
</li>
		<li>Combineer vergelijkingen in stap 4.4 en 5.1. Het resulteert in een Gaussische vector van x. <img alt="Equation 11" src="/files/ftp_upload/60951/60951equ11.jpg">
</li>
		<li>Bereken de verwachting en de covariantiematrix van x. <img alt="Equation 12" src="/files/ftp_upload/60951/60951equ12.jpg">
</li>
		<li>Verkrijg de onzekerheid van elk element in x als de vierkantswortel van het overeenkomstige element op de diagonaal van Cov[x]. <img alt="Equation 13" src="/files/ftp_upload/60951/60951equ13.jpg"> wanneer ep de onzekerheid van xpis ; Diag[Cov[x]]p is p-th element op de diagonaal van Cov[x].</li>
		<li>Voer Covariance.py uit om de covariantiematrix van xte berekenen. Het resultaat wordt opgeslagen in Covariantance.npz vanwege de grootte. Deze stap duurt tientallen seconden tot minuten, afhankelijk van de grootte van W. $ python Covariance.py
</li>
	</ol>
</li>
	<li>Converteer ep naar de opgehaalde 2D-kaart volgens de toewijzingsregel van HEALPix.<ol>
<li>Voer PlotCovariance.py uit om Cov[x] te visualiseren en breng de onzekerheid ep inkaart op de opgehaalde kaart. Er worden twee cijfers Covariantie.png en Onzekerheid.png gemaakt (Supplemental figuur 10-11). $ python 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>

De auteurs hebben niets te onthullen.

Een kritische eis van het protocol is de haalbaarheid van het extraheren van oppervlakte-informatie uit lichtcurven, die afhankelijk is van de clouddekking. In stap 3.5.1 kunnen de relatieve waarden van de pc's verschillen tussen exoplaneten. In het geval van de aarde domineren de eerste twee pc's de lichtcurvevariaties en komen ze overeen met oppervlakteonafhankelijke wolken en oppervlakte (Fan et al. 2019)13. Ze hebben vergelijkbare enkelvoudswaarden, zodat de oppervlakte-informatie kan worden g...

Het identificeren van bewoonbare werelden is een van de ultieme doelen in astrobiologie1. Sinds de eerste detectie2zijn tot op heden meer dan 4000 exoplaneten bevestigdmet een aantal aardanalogieën (bijvoorbeeld TRAPPIST-1e)4. Deze planeten hebben orbitale en planetaire eigenschappen die vergelijkbaar zijn met die van de aarde, en zijn daarom potentieel bewoonbaar. In dit verband is het van essentieel belang dat hun bewoonbaarheid wordt geëvalueerd op uit beperkte waarnemingen. Op basis van de kennis van het leven op aarde zijn geologische en klimaatsystemen van cruciaal belang voor de bewoonbaarheid, die dus als biosignatuur kunnen dienen. In principe kunnen kenmerken van deze systemen van een afstand worden waargenomen, zelfs wanneer een planeet niet beter dan één enkel punt ruimtelijk kon worden opgelost. In dit geval is het identificeren van geologische kenmerken en klimaatsystemen van enkelpuntige lichtcurven essentieel bij de beoordeling van de bewoonbaarheid van exoplaneten. Oppervlaktemapping van deze exoplaneten wordt urgent.
Ondanks de convolutie tussen het bekijken van geometrie en spectrale kenmerken, is informatie van het oppervlak van een exoplaneet opgenomen in de tijd-opgeloste single-point lichtcurven, die kunnen worden verkregen van een afstand, en afgeleid met voldoende waarnemingen. Echter, twee-dimensionale (2D) oppervlakte mapping van potentieel bewoonbare Aarde-achtige exoplaneten is een uitdaging als gevolg van de invloed van wolken. Methoden voor het ophalen van 2D-kaarten zijn ontwikkeld en getest met behulp van gesimuleerde lichtcurven en bekende spectra5,6,7,8, maar ze zijn niet toegepast op echte waarnemingen. Bovendien kunnen in de analyses van exoplaneetwaarnemingen nu en in de nabije toekomst veronderstellingen van karakteristieke spectra controversieel zijn wanneer de planetaire oppervlaktecomposities niet goed beperkt zijn.
In deze paper demonstreren we een oppervlaktemappingtechniek voor aardachtige exoplaneten. We gebruiken SVD om informatie te evalueren en te scheiden van verschillende bronnen die zijn opgenomen in meergolflengte lichtcurven zonder aannames van specifieke spectra. In combinatie met de weergavegeometrie presenteren we de reconstructie van oppervlaktekaarten met behulp van tijdige opgeloste maar ruimtelijk ingewikkelde oppervlakte-informatie. Om deze methode aan te tonen, worden twee jaar lang multigolflengte enkelpuntwaarnemingen van de aarde die zijn verkregen door de Deep Space Climate Observatory/Earth Polychromatic Imaging Camera (DSCOVR/EPIC; www.nesdis.noaa.gov/DSCOVR/spacecraft.html) geanalyseerd. We gebruiken de Aarde als proxy exoplaneet om deze methode te beoordelen, omdat de momenteel beschikbare waarnemingen van exoplaneten niet voldoende zijn. We voegen de code bij het papier als voorbeeld. Het is ontwikkeld onder python 3.7 met anaconda en healpy pakketten, maar de wiskunde van het protocol kan ook worden gedaan in andere programmeeromgevingen (bijvoorbeeld IDL of MATLAB).

<table><tbody><tr><td>Python 3.7 met anaconda en healpy-pakketten</td><td></td><td></td><td>Ook andere programmeeromgevingen (bijv. IDL of MATLAB) werken.</td></tr></tbody></table>

surface mapping van aarde-achtige exoplaneten met behulp van single point lichtcurven

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

Het ruimtelijk oplossen van exoplaneetkenmerken uit single-point waarnemingen is essentieel voor de beoordeling van de potentiële bewoonbaarheid van exoplaneten. Het uiteindelijke doel van dit protocol is om te bepalen of deze planetaire werelden geologische kenmerken en/of klimaatsystemen herbergen. We presenteren een methode om informatie uit multigolflengte single-point lichtcurven te extraheren en oppervlaktekaarten op te halen. Het maakt gebruik van singular value decomposition (SVD) om bronnen te scheiden die bijdragen aan lichte curve variaties en afleiden van het bestaan van gedeeltelijk troebele klimaatsystemen. Door analyse van de tijdreeksen verkregen van SVD konden fysieke toeschrijvingen van hoofdcomponenten (pc's) worden afgeleid zonder aannames van spectrale eigenschappen. In combinatie met de weergavegeometrie is het mogelijk om oppervlaktekaarten te reconstrueren als een van de pc's oppervlakte-informatie bevat. Deracy is ontstaan uit de convolutie van de pixelmeetkunde en spectruminformatie bepaalt de kwaliteit van gereconstrueerde oppervlaktekaarten, wat de invoering van regularisatie vereist. Voor het aantonen van het protocol, multi-golflengte licht bochten van de aarde, die dient als een proxy exoplaneet, worden geanalyseerd. Vergelijking tussen de resultaten en de grond waarheid wordt gepresenteerd om de prestaties en beperking van het protocol aan te tonen. Dit werk biedt een benchmark voor toekomstige generalisatie van exoplaneettoepassingen.

We gebruiken multigolflengte single-point lichtcurven van de aarde om het protocol aan te tonen en vergelijken de resultaten met de grondwaarheid om de kwaliteit van oppervlaktemapping te evalueren. Observatie die hier wordt gebruikt wordt verkregen door DSCOVR/EPIC, een satelliet gelegen in de buurt van het eerste Lagrangian punt (L1) tussen aarde en zon het nemen van beelden op tien golflengten van de zonovergoten gezicht van de aarde. Voor deze demonstratie worden twee jaar (2016 en 2017) van waarnemingen gebruikt, di...

Het protocol haalt informatie uit lichtcurven van exoplaneten en construeert hun oppervlaktekaarten. Het maakt gebruik van lichte rondingen van de aarde, die dient als een proxy exoplaneet, om de aanpak aan te tonen.

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

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

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.

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

Research

JoVE Journal

Engineering

Techniek

Licht van astronomische objecten moet reizen door turbulente atmosfeer van de aarde voordat het kan worden afgebeeld door telescopen op de grond. Directe beeldvorming mogelijk bij maximale theoretische hoekresolutie moeten geavanceerde technieken zoals die door de Robo-AO adaptieve optiek systeem worden gebruikt.

Brengen het zichtbare heelal in Focus met Robo-AO

In dit videoprotocol volgen we - met hoge snelheid en in drie dimensies - fluorescent gelabelde lysosomen in levende cellen, met behulp van de orbitale volgmethode in een aangepaste twee-foton microscoop.

3D Orbital Tracking in een gemodificeerde twee-foton microscoop: een toepassing op het volgen van intracellulaire blaasjes

Numerieke en experimentele methoden worden gepresenteerd voor meervoudige verstrooiing van licht in discrete willekeurige media van dicht verpakte deeltjes. De methoden worden gebruikt om de waarnemingen van planetoïde (4) Vesta en komeet 67P/Churyumov-Gerasimenko interpreteren.

Verstrooiing en absorptie van licht in planetaire Regoliths

Dit protocol beschrijft de installatie en het gebruik van ElectroMap, een op MATLAB gebaseerd open-source software platform voor de analyse van cardiale optische toewijzingsgegevens. ElectroMap biedt een veelzijdige High-throughput tool voor analyse van optische mapping spanning en calcium datasets over een breed scala van cardiale experimentele modellen.

High-throughput analyse van optische toewijzingsgegevens met behulp van ElectroMap

Koolstoffluxen in de cryosfeer worden nauwelijks beoordeeld maar zijn cruciaal voor de klimaatverandering. Hier tonen we een nieuw prototype apparaat dat het fototrofische potentieel in supraglaciale omgevingen vangt op basis van laser-geïnduceerde fluorescentie emissie (L.I.F.E.) technologie met hoge spectrale en ruimtelijke resolutie gegevens onder in situ omstandigheden.

Laser-geïnduceerde fluorescentie emissie (L.I.F.E.) als nieuw niet-invasief hulpmiddel voor in-situ metingen van biomarkers in Cryoferische habitats

Er wordt een simulatiekader gepresenteerd voor het testen van de beeldvormingsmogelijkheden van grootschalige radioarrays op het maanoppervlak. Belangrijke geluidscomponenten worden besproken en er wordt een softwarepijplijn doorlopen met details over hoe deze kan worden aangepast voor nieuw wetenschappelijk gebruik.

Beeldvorming van grootschalige radioarrays op het maanoppervlak simuleren

Dit protocol omvat het transfecteren van cAMP-sensoren en bPAC-nLuc, een optogenetisch eiwit, om nauwkeurig de cellulaire verdeling en respons op lichtstimulatie te volgen. De innovatieve aanpak van het creëren van een cAMP-responskaart met behulp van een puntscansysteem biedt het potentieel om onderzoek met optogenetische eiwitten op verschillende gebieden te bevorderen.

De cellulaire distributie van een optogenetisch eiwit in kaart brengen met behulp van een lichtstimulatieraster

Dit artikel beschrijft een protocol voor mechanische karakterisering van levende sferoïden binnen een 3D-matrix met behulp van Brillouin-microspectroscopie. Deze volledig optische methode maakt sferoidvisualisatie mogelijk met microschaalresolutie en kwantitatieve mechanische eigenschappen. Deze benadering heeft implicaties voor mechanische fenotypering; bijvoorbeeld het bepalen van pathologische toestanden van tumorsferoïden binnen een 3D-microomgeving.

Mechanische mapping van sferoïden met behulp van Brillouin-spectroscopie

Dit protocol omvat een onderzoeksmethodologie in vier stappen voor beeldvorming van grote gebieden die wordt gebruikt om statistieken te extraheren van structurele complexiteit, gemeenschapssamenstelling en demografische gegevens van de bevolking voor koraalrifgemeenschappen. De kwaliteit van de verzamelde beelden en de geïntegreerde toegang tot de bronbeelden krijgen prioriteit in elke stap van het protocol.

Het meten van de structuur, samenstelling en verandering van onderwateromgevingen met beeldvorming van grote gebieden

Wit licht microscoop interferometrie is een optische, contactloze en snelle methode voor het meten van de topografie van oppervlakken. Wordt getoond hoe de werkwijze kan worden toegepast in de richting mechanische slijtage analyse, waarbij slijtage littekens tribologische monsters worden geanalyseerd en in materiaalkunde om ionen sputteren of laserablatie volumes en diepte bepalen.

Karakterisering van Surface Wijzigingen door Wit Licht Interferometrie: Toepassingen in Ion sputteren, Laser Ablatie en Tribologie Experimenten

Verken oppervlakte-in kaart brengen van aardachtige exoplaneten met behulp van lichtkrommen. Deze methode reconstrueert tweedimensionale kaarten om bewoonbaarheid te evalueren.

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

Meer video's verkennen