使用单点光曲线绘制的地球样外行星的表面图

摘要

该协议从系外行星的光曲线中提取信息，并构造其表面图。它使用地球的光曲线，作为代理系行星，来演示这种方法。

摘要

从单点观测中对系外行星要素进行空间解析对于评估系外行星的潜在可居住性至关重要。该协议的最终目标是确定这些行星世界是否包含地质特征和/或气候系统。我们提出了一种从多波长单点光曲线中提取信息并检索表面贴图的方法。它使用奇异值分解 （SVD） 来分离导致光曲线变化的源，并推断部分多云气候系统的存在。通过分析从SVD获得的时间序列，可以推断出主要组件（PC）的物理归属，而无需任何光谱属性的假设。结合查看几何体，如果发现其中一台 PC 包含曲面信息，则重建曲面贴图是可行的。退化源于像素几何体的卷积，频谱信息决定了重建表面图的质量，这就要求引入正则化。为了演示该协议，分析了作为代理系行星的地球多波长光曲线。提出了结果与地面真实性的比较，以表明协议的性能和局限性。这项工作为系外行星应用的未来泛化提供了基准。

引言

确定宜居世界是天体生物学1的最终目标之^一。自第一^次探测2以来，4000多颗系外行星已被^{确认为3号行星，其中有许多}地球类比（例如，TRAPPIST-1e）4。这些行星的轨道和行星性质与地球相似，因此具有潜在的可居住性。在这种情况下，从有限的观察中评估它们的可居住性至关重要。基于对地球生命知识的了解，地质和气候系统对可居住性至关重要，因此，可居住性可以作为生物特征。原则上，即使一个行星在空间上不能比单个点更好地解析，也可以从远处观测到这些系统的特征。在这种情况下，在评估系外行星的可居住性时，从单点光曲线确定地质特征和气候系统至关重要。这些系外行星的表面测绘变得紧迫。

尽管查看几何体和光谱要素之间有卷积，但系外行星表面的信息仍包含在其时间解析的单点光曲线中，该曲线可从远处获取，并获得足够的观测结果。然而，由于云层的影响，可能适合地球的系外行星的二维（2D）表面测绘具有挑战性。检索二D地图的方法已经开发和测试使用模拟光曲线和已知的光谱5，6，7，8，但这些方法尚未应用于实际观测。此外，在分析现在和近期的系外行星观测时，当行星表面成分没有受到良好约束时，特征光谱的假设可能会引起争议。

本文演示了一种地球外行星的表面测绘技术。我们使用 SVD 来评估和分离来自多波长光曲线中包含的不同来源的信息，而无需对任何特定光谱进行假设。结合查看几何，我们使用及时解析但空间复杂的表面信息来呈现曲面图的重建。为了演示这种方法，分析了深空气候观测站/地球多色成像相机（DSCOVR/EPIC;www.nesdis.noaa.gov/DSCOVR/spacecraft.html）获得的两年多波长单点地球观测结果。我们使用地球作为代理系系外行星来评估这种方法，因为目前对系外行星的观测是不够的。我们以纸张附加代码为例。它是在 python 3.7 下开发的，具有 anaconda 和 healpy 封装，但协议的数学也可以在其他编程环境（例如 IDL 或 MATLAB）中完成。

研究方案

1. 编程设置

1. 为附加代码设置编程环境。需要一台具有 Linux 操作系统的计算机，因为 Windows 上没有修复包。代码的计算费用并不昂贵，因此普通个人计算机可以处理协议。
2. 按照说明 （https://docs.anaconda.com/anaconda/install/linux/） 将 Anaconda 与 Python 3.7 安装到系统中，然后在终端中使用以下命令来设置编程环境:
   $ conda 创建 - 命名 myenv python = 3.7
   $ conda 激活 myenv
   $ 康达安装阿纳康达
   $ conda 安装愈合
   注:这些步骤可能需要数十分钟，具体取决于硬件和 Internet 速度。前两个命令行中的环境名称"myenv"可以更改为任何其他字符串。

2. 从观测中获取多波长光曲线和查看几何图形

1. 在查看几何体中，包括子恒星的经度和纬度以及每个相应时间帧的子观察点。
   若要使用以下附加代码，请确保这两个文件的格式与LightCurve、.csv几何.csv。
2. 运行 PlotTimeSeries.py 可视化数据并检查其质量。将创建 两.png 光 曲线.png 几何学（补充图1-2）。如果应用于不同的观测值，可能需要调整此参数和以下绘图代码中的参数。
   $ python PlotTimeSeries.py曲线
   $ python PlotTimeSeries.py几何

3. 从光曲线中提取表面信息

1. 将系外行星的多波长反照率光曲线居中，并在每个波长上通过相应的标准偏差使其规范化。这将导致每个通道的同等重要性。
   
   其中_{R't，k和R t，k}分别是t-th时间步长和k-th波长的缩放和观测反照率;μ_k和 σ_k是 k-th 波长反照率时间序列的均值和标准偏差。
   1. 运行Normalize.py使光曲线（R_{t，k）正常化}。输出保存在规范化LightCurve.csv。
      $ 巨蛇Normalize.py
2. 运行PlotTimeSeries.py以可视化规范化的光曲线。将创建一个.png光曲线（补充图3）。
   $ python PlotTimeSeries.py归一化光曲线
3. 在缩放的图照率光曲线上应用 SVD 以查找占统治地位的 PC 及其相应的时间序列。
   
   在左侧，T 和 K 是时间步长和观测波长的总数; R' 是缩放反照率观测的矩阵，其 （t，k） - th 元素为 R'_t，k。在右侧，V 列是 PC， 正畸矢量定义空间 SVD 项目到; • 是 一个对角线矩阵，其 （k，k）-th 元素是沿 V 的 k-th 列定义的 k-th 轴缩放光曲线的标准 偏差。U 列 是 V 中每台 PC 的相应时间 序列。
   1. 运行SingularValueDecomposition.py分解 R'。生成的U、 +， V^T分别保存在输出文件中 U.csv、单.csv和V_T.csv中。
      $ 巨蛇SingularValueDecomposition.py
4. 使用PlotTimeSeries.py PlotSVD.py可视化SVD 结果。将创建三.png U.png、V_T.png和数字（补充图 4-6）。
   $ 巨PlotTimeSeries.py U
   $ 巨蛇PlotSVD.py
5. 分析 PC 的贡献和相应的时间序列，以确定包含表面信息的 PC。
   1. 比较对角线 + 的 奇异值。一颗类似地球的部分多云的系外行星预计将有两个可比较的占优势奇异值。
      注: + 可能 包含较少或超过两个占主导地位的奇异值，如下文讨论。
   2. 比较两种主流 PC 的时间序列模式。包含表面信息的 PC 往往具有比另一个更常规的形状。由于纵向不对称和表面在连续两天内发生小变化的再现，相应的时间序列往往具有大致恒定的每日变化。
   3. 使用 Lomb-Scargle 周期图^9、10计算两台主流 PC 的周期，以确认 PC 的选择。包含表面信息的 PC 往往具有与功率密度频谱中旋转周期对应的较高峰值。
   4. 运行Periodogram.py，获取每台 PC 的时间序列的功率光谱。功率光谱保存在周期图中.csv。
      $ 巨蛇Periodogram.py
   5. 运行 PlotPeriodogram.py 以可视化这些周期图并确认 PC 的选择。将创建 图.png 图（补充图 7）。当前绘图代码以虚线添加表示年、半年、日间和半日周期的虚线，供参考，当应用于其他观测值时，可能需要更改这些虚线。
      $ 巨蛇PlotPeriodogram.py
   6. 选择包含曲面信息及其时间序列 u _j的 PC v_j。
      
      
      其中 V[:，j] 和 U[:，j] 分别是 V 和 U 的 j-th列;j 是步骤 3.3 中推断的包含表面信息的 PC 索引。

4. 构建行星表面图

1. 使用分层等值面积等值度像素化 （HEALPix）¹¹ 方法对检索映射进行像素化。它将行星的球面划分为具有相同面积和均匀分布的像素。将 p-th 像素的未知值表示为 x_p。
   1. 运行 HEALPixRandom.py 可视化像素化方法。将创建 一个.png 的"HEALPixRandom"（补充图8）。可以更改_第 17 行的参数 N 侧，以换不同的分辨率。此步骤可能需要几秒钟到几分钟的时间，具体取决于分辨率。
      $ 巨蛇HEALPixRandom.py
2. 使用观察几何计算在 t-th 时间步长 w_{t，p 的观测值中 p-th}像素的重量。
   
   其中_{α、t、p、β、p}是太阳_和 航天器天顶角，在 t-th 时间步长时为 p-th 像素;c_t 是 t-th 观测值的规范化术语，因此每个时间步数的总重量总和是统一的。
   注:假定几何学在此步骤中已知，也可以从其他分析派生，如下文讨论。
   1. 运行ComputeWeight.py计算 w_t，p.更改第 23_行的 N 侧的值，以换取检索到的地图的其他分辨率。输出由于其大小而保存为 W.npz。
      $ 巨蛇ComputeWeight.py
3. 使用 PlotWeight.py 可视化这些权重。将在一个文件夹"权重"中创建多个数字，每个时间步数一 个。将它们合并结果为 补充视频 1，它显示了每个像素的重量如何随时间变化。由于可视化效果大量，此步骤可能需要数小时才能完成。
   $ 巨蛇PlotWeight.py
4. 组合几何和观测结果，以达到线性回归问题。
   
   其中 P 是检索像素的总数; W 是权重矩阵_{，w t、p} 为 （t，p）-th 元素; x 由 x_p 作为 p-th 元素组成，这是在此问题中要解决的数量。
   用L-2规范的正则化解决线性回归问题。
   
   其中 I 是标识矩阵，+ 是正则化参数。
   注:当^{T=10 4} 和 P=3*10³ 时，10 -3^{是 Α 的一个良好值}。应通过比较正方形误差 e 中的两个术语的值来调整它们，如下所示。
   
   1. 运行LinearRegression.py解决此线性回归问题。x 的结果保存在文件像素值.csv。更改行 16 处的 α 值，以换行化的不同强度。
      $ 巨蛇LinearRegression.py
5. 根据 HEALPix 的映射规则将 x 转换为 2D 曲面贴图。
   1. 运行PlotMap.py使用不同的正则参数构造检索到的映射。将用Map_设置Map_-2.png、Map_-3.png和Map_-4.png三个数字（补充图9）。 HEALPix 文档 11 中描述了像素索引与其在^{地图上的位置之间的关系}。此步骤需要数十秒。
      $ 巨蛇PolotMap.py

5. 估计检索到的地图的不确定性

1. 将步骤 4.3 的线性回归问题重写为 x 的"真实值"，将观测噪声ε 。
   1. 假设 ε 遵循高斯分布 N （0，σ²I_[T*T]）并估计其协方差。T-P 是检索到的地图固定时 u_j 从观测的自由度。
      
   2. 在步骤 4.4 和 5.1 中合并方程。它导致 x 的高斯矢 量。
      
   3. 计算 x 的期望值和协方差 矩阵。
      
   4. 获取 x 中每个元素的不确定性，作为Cov = x + 对角线上相应元素的平方根。
      
      其中 e_p 是 x_{p 的不确定性}; Diag=Cov=x=_p 是 Cov = x = 对角线上的 p-th元素。
   5. 运行 Covariance.py计算 x 的协方差 矩阵。由于其大小，结果 保存在协方差.npz中。此步骤需要几十秒到几分钟，具体取决于 W 的大小。
      $ 巨 蛇Covariance.py
2. 根据 HEALPix 的映射规则将 e_p 转换为检索到的 2D 地图。
   1. 运行PlotCovariance.py以可视化Cov[x]，然后将不确定性 e_p映射到检索到的地图。将创建两个数字协.png和.png（补充图10-11）。
      $ 巨蛇PlotCovariance.py

结果

我们使用地球的多波长单点光曲线来演示协议，并将结果与地面真相进行比较，以评估表面测绘的质量。此处使用的观测结果由DSCOVR/EPIC获得，这是一颗位于地球和太阳之间的第一个拉格朗日点（L1）附近的卫星，拍摄地球太阳表面十个波长的图像。两年（2016年和2017年）的观测值用于此演示，与江等人（2018年^）12 和范等人（2019年^）13的观测结果相同，其中提供...

讨论

该协议的一个关键要求是从光曲线中提取表面信息的可行性，这取决于云的覆盖范围。在步骤 3.5.1 中，在系外行星之间，PC 的相对值可能不同。就地球而言，前两台PC主导光曲线变化，对应于与表面无关的云层和表面（Fan等人，2019年^）13。它们具有可比较的奇异值，因此可以按照步骤 3.5.2 和 3.5.3 分隔曲面信息。对于未来对系外行星的观测，在极端情况下，无论是完全多云的还?...

材料

Name	Company	Catalog Number	Comments
Python 3.7 with anaconda and healpy packages			Other programming environments (e.g., IDL or MATLAB) also work.