Waiting
Processando Login

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Engineering
Click here for the English version

Engineering

Mapeamento de superfície de exoplanetas semelhantes à Terra usando curvas de luz de ponto único

Published: May 10, 2020 doi: 10.3791/60951
Automatic Translation
1, 1
1Division of Geological and Planetary Sciences, California Institute of Technology

Summary

O protocolo extrai informações de curvas de luz de exoplanetas e constrói seus mapas superficiais. Ele usa curvas de luz da Terra, que serve como um exoplaneta proxy, para demonstrar a abordagem.

Abstract

Resolver espacialmente características de exoplanetas a partir de observações de ponto único é essencial para avaliar a potencial habitabilidade de exoplanetas. O objetivo final deste protocolo é determinar se esses mundos planetários abrigam características geológicas e/ou sistemas climáticos. Apresentamos um método de extrair informações de curvas de luz de um ponto único de comprimento de onda e recuperar mapas de superfície. Utiliza decomposição de valor singular (SVD) para separar fontes que contribuem para variações de curvas leves e inferem a existência de sistemas climáticos parcialmente nublados. Através da análise das séries temporais obtidas a partir de SVD, as atribuições físicas dos componentes principais (PCs) poderiam ser inferidas sem suposições de quaisquer propriedades espectrais. Combinando com a geometria de visualização, é viável reconstruir mapas superficiais se um dos PCs for encontrado para conter informações de superfície. A degeneração originada da convolução da geometria dos pixels e das informações de espectro determina a qualidade dos mapas de superfície reconstruídos, o que requer a introdução da regularização. Com o objetivo de demonstrar o protocolo, são analisadas as curvas de luz de vários comprimentos de onda da Terra, que serve como um exoplaneta proxy. A comparação entre os resultados e a verdade fundiária é apresentada para mostrar o desempenho e limitação do protocolo. Este trabalho fornece uma referência para a generalização futura de aplicações de exoplanetas.

Introduction

Identificar mundos habitáveis é um dos objetivos finais da astrobiologia1. Desde a primeira detecção2, mais de 4000 exoplanetas foram confirmados até o momento3 com um número de análogos da Terra (por exemplo, TRAPPIST-1e)4. Esses planetas têm propriedades orbitais e planetárias semelhantes às da Terra, e, portanto, são potencialmente habitáveis. Avaliar sua habitabilidade a partir de observações limitadas é essencial nesse contexto. Com base no conhecimento da vida na Terra, os sistemas geológicos e climáticos são críticos para a habitabilidade, que, portanto, pode servir como bioassinaturas. Em princípio, características desses sistemas poderiam ser observadas à distância mesmo quando um planeta não poderia ser resolvido espacialmente melhor do que um único ponto. Neste caso, identificar características geológicas e sistemas climáticos a partir de curvas de luz de ponto único é essencial ao avaliar a habitabilidade dos exoplanetas. O mapeamento superficial desses exoplanetas torna-se urgente.

Apesar da convolução entre a geometria de visualização e as características espectrais, as informações da superfície de um exoplaneta estão contidas em suas curvas de luz de ponto único resolvidas pelo tempo, que podem ser obtidas à distância, e derivadas com observações suficientes. No entanto, o mapeamento de superfície bidimensional (2D) de exoplanetas potencialmente habitáveis semelhantes à Terra é desafiador devido à influência das nuvens. Métodos de recuperação de mapas 2D foram desenvolvidos e testados usando curvas de luz simuladas e espectros conhecidos5,6,7,8, mas não foram aplicados a observações reais. Além disso, nas análises das observações de exoplanetas agora e em um futuro próximo, suposições de espectros característicos podem ser controversas quando as composições da superfície planetária não são bem constrangidas.

Neste artigo, demonstramos uma técnica de mapeamento de superfície para exoplanetas semelhantes à Terra. Usamos SVD para avaliar e separar informações de diferentes fontes que estão contidas em curvas de luz de vários comprimentos de onda sem suposições de qualquer espectro específico. Combinado com a geometria de visualização, apresentamos a reconstrução de mapas superficiais usando informações de superfície oportunamente resolvidas, mas espacialmente complicadas. Para demonstrar este método, observações de dois anos de comprimento de onda de um ponto único da Terra obtidas pelo Deep Space Climate Observatory/Earth Polychromatic Imaging Camera (DSCOVR/EPIC; www.nesdis.noaa.gov/DSCOVR/spacecraft.html) são analisadas. Usamos a Terra como um exoplaneta proxy para avaliar esse método porque as observações disponíveis atualmente de exoplanetas não são suficientes. Anexamos o código ao papel como exemplo. É desenvolvido sob python 3.7 com pacotes anaconda e healpy, mas a matemática do protocolo também pode ser feita em outros ambientes de programação (por exemplo, IDL ou MATLAB).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Configuração de programação

  1. Configure o ambiente de programação para o código anexado. Um computador com sistema operacional Linux é necessário, pois o pacote healpy não está disponível no Windows. O código não é computacionalmente caro, então um computador pessoal normal pode lidar com o protocolo.
  2. Siga a instrução (https://docs.anaconda.com/anaconda/install/linux/) para instalar o Anaconda com Python 3.7 no sistema e use os seguintes comandos no terminal para configurar o ambiente de programação:
    $ conda criar --nome myenv python=3.7
    Conda ativa myenv
    $ conda instalar anaconda
    $ conda instalar healpy
    NOTA: Essas etapas podem levar dezenas de minutos dependendo do hardware e da velocidade da Internet. O nome do ambiente 'myenv' nas duas primeiras linhas de comando pode ser alterado para qualquer outra string.

2. Obtenção de curvas de luz de comprimento de onda e geometria de visualização a partir de observações

  1. Na geometria de visualização, incluem a longitude e latitude dos pontos sub-estelares e sub-observadores para cada período de tempo correspondente.
    Para usar o seguinte código anexado, certifique-se de que esses dois arquivos tenham o mesmo formato que LightCurve.csv e Geometria.csv.
  2. Execute PlotTimeSeries.py para visualizar os dados e verificar suas qualidades. Serão criadas duas figuras LightCurve.png e Geometria.png (Figura Suplementar 1-2). Os parâmetros neste e seguindo códigos de plotagem podem precisar ser ajustados se aplicados a observações diferentes.
    $ python PlotTimeSeries.py LightCurve
    $ píton PlotTimeSeries.py Geometria

3. Extrair informações de superfície de curvas de luz

  1. Centro de comprimento de onda de vários comprimentos de onda albedo curvas de luz de um exoplaneta e normalizá-los por desvio padrão correspondente em cada comprimento de onda. Isso resulta na igual importância de cada canal.
    Equation 1
    ondeR't,k e Rt,k são o albedo escalonado e observado na etapa t-th e o comprimento de onda k-th, respectivamente; μk e σk são o desvio médio e padrão da série de tempo albedo no comprimento de onda k-th.
    1. Corra Normalize.py para normalizar as curvas de luz, Rt,k. A saída é salva em NormalizedLightCurve.csv.
      $ píton Normalize.py
  2. Corra PlotTimeSeries.py para visualizar as curvas de luz normalizadas. Uma figura NormalizadaLightCurve.png será criada(Figura Suplementar 3).
    $ píton PlotTimeSeries.py NormalizedLightCurve
  3. Aplique SVD nas curvas de luz albedo dimensionadas para encontrar PCs dominantes e suas séries temporáticas correspondentes.
    Equation 2
    No lado esquerdo, T e K são o número total de passos de tempo e comprimentos de onda de observação; R' é a matriz de observações de albedo dimensionadas, cujo (t,k)-th elemento éR't,k. Do lado direito, colunas de V são PCs, vetores ortoonormais que definem os projetos de SVD de espaço; Σ é uma matriz diagonal, cujo (k,k)-th elemento é o desvio padrão das curvas de luz escalonadas ao longo do eixo k-th definido pela coluna k-th de V; colunas de U são a série de tempo correspondente de cada PC em V.
    1. Corra SingularValueDecomposition.py para decompor R'. Os U, Σ, VT resultantes são salvos nos arquivos de saída U.csv, SingularValue.csv e V_T.csv, respectivamente.
      $ píton SingularValueDecomposition.py
  4. Use PlotTimeSeries.py e PlotSVD.py para visualizar o resultado do SVD. Serão criadas três figuras U.png, Sigma.png e V_T.png (Figura Suplementar 4-6).
    $ python PlotTimeSeries.py U
    $ píton PlotSVD.py
  5. Analise as contribuições e a série temporal correspondente de PCs para determinar a que contém informações de superfície.
    1. Compare os valores singulares na diagonal de Σ. Espera-se que um exoplaneta parcialmente nublado com a Terra tenha dois valores singulares dominantes comparáveis.
      NOTA: Σ pode conter menos ou mais de dois valores singulares dominantes, que são discutidos abaixo.
    2. Compare os padrões da série temporal dos dois PCs dominantes. O PC que contém informações de superfície tende a ter uma forma mais regular do que o outro. Devido à assimetria longitudinal e ao reaparecimento da superfície com pequenas mudanças em dois dias consecutivos, a série temporal correspondente tende a ter variação diária aproximadamente constante.
    3. Calcular as periodicidades dos dois PCs dominantes usando o períodograma Lomb-Scargle9,10 para confirmar a seleção do PC. O PC que contém informações de superfície tende a ter picos mais elevados correspondentes ao período de rotação no espectro de densidade de energia.
    4. Execute Periodogram.py para obter o espectro de energia da série de tempo de cada PC. Os espectros de energia são salvos em Periodograma.csv.
      $ píton Periodogram.py
    5. Execute PlotPeriodogram.py para visualizar esses periodogramas e confirmar a seleção do PC. Será criado um periodograma.png (Figura Suplementar 7). O código de plotagem atual adiciona em linhas tracejadas representando ciclos anuais, semianuários, diurnos e meio-diários para referência, que podem precisar ser alterados quando aplicados a outras observações.
      $ píton PlotPeriodogram.py
    6. Selecione o PC, vj, que contém informações de superfície e sua série de tempo, uj.
      Equation 3
      Equation 4
      onde V[:,j] e U[:,j] são as colunas j-th de V e U, respectivamente; j é o índice de PC inferido na etapa 3.3 que contém informações de superfície.

4. Construir mapa de superfície planetária

  1. Use o método Hierárquico equal area iso-Latitude Pixelization (HEALPix)11 para pixelar o mapa de recuperação. Ele divide a superfície esférica de um planeta em pixels com a mesma área e distribuição uniforme. Denotar o valor desconhecido do pixel p-th como xp.
    1. Execute HEALPixRandom.py para visualizar o método de pixelização. Uma figura HEALPixRandom.png será criada (Figura Suplementar 8). Olado do parâmetro N na linha 17 pode ser alterado para diferentes resoluções. Esta etapa pode levar alguns segundos a minutos, dependendo da resolução.
      $ píton HEALPixRandom.py
  2. Calcule o peso do pixel p-th em observações no t-th time step, wt,p, usando geometria de visualização.
    Equation 5
    onde αt,p, βt,p são os ângulos solares e a espaçonave zenith no pixel p-th no t-th time step; ct é um termo de normalização da observação t-th de modo que a soma do peso total em cada passo de cada vez é unidade.
    NOTA: A geometria é considerada conhecida nesta etapa, ou pode ser derivada de outras análises, que são discutidas abaixo.
    1. Executar ComputeWeight.py para calcular wt,p. Altere o valor dolado N na linha 23 para outras resoluções do mapa recuperado. A saída é salva como W.npz devido ao seu tamanho.
      $ píton ComputeWeight.py
  3. Use PlotWeight.py para visualizar esses pesos. Uma série de números, um em cada etapa de cada vez, será criado em uma pasta Peso. Fundi-los resulta em Vídeo Suplementar 1, que mostra como o peso de cada pixel muda com o tempo. Esta etapa pode levar horas para ser concluída devido ao grande número de visualizações.
    $ píton PlotWeight.py
  4. Combine geometria e observações para chegar a um problema de regressão linear.
    Equation 6
    onde P é o número total de pixels de recuperação; W é a matriz de peso com wt,p como o elemento (t,p)-th; x consiste em xp como o elemento p-th, que é a quantidade a ser resolvida neste problema.
    Resolva o problema de regressão linear com uma regularização da norma L-2.
    Equation 7
    onde eu sou a matriz de identidade e λ é o parâmetro de regularização.
    NOTA: 10-3 é um bom valor para λ quando T~104 e P~3*103. Eles devem ser ajustados comparando os valores dos dois termos no erro quadrado regularizado, e, como mostrado abaixo.
    Equation 8
    1. Corra LinearRegression.py para resolver este problema de regressão linear. O resultado de x é salvo no arquivo PixelValue.csv. Altere o valor do λ na linha 16 para diferentes pontos fortes da regularização.
      $ píton LinearRegression.py
  5. Converta x em um mapa de superfície 2D de acordo com a regra de mapeamento do HEALPix.
    1. Execute PlotMap.py para construir os mapas recuperados usando diferentes parâmetros de regularização. Três números Map_-2.png, Map_-3.png e Map_-4.png serão criados com a configuração atual (Figura Suplementar 9). A relação entre os índices de pixels e suas localizações no mapa está descrita no documento HEALPix11. Este passo leva dezenas de segundos.
      $ píton PolotMap.py

5. Estimar a incerteza do mapa recuperado

  1. Reescreva o problema de regressão linear na etapa 4.3 com o "verdadeiro valor" de x como z e o ruído de observação, ε. Equation 9
    1. Assuma ε seguir uma Distribuição Gaussiana N (0, σ2I[T*T]) e estimar sua covariância. T-P é o grau de liberdade de uj da observação quando o mapa recuperado é fixo.
      Equation 10
    2. Combine equações na etapa 4.4 e 5.1. Resulta em um vetor gaussiano de x.
      Equation 11
    3. Calcular a expectativa e a matriz de covariância de x.
      Equation 12
    4. Obtenha a incerteza de cada elemento em x como a raiz quadrada do elemento correspondente na diagonal de Cov[x].
      Equation 13
      onde ep é a incerteza de xp; Diag[Cov[x]]p é p-th elemento na diagonal de Cov[x].
    5. Executar Covariance.py para calcular a matriz de covariância de x. O resultado é salvo em Covariance.npz devido ao seu tamanho. Este passo leva dezenas de segundos a minutos, dependendo do tamanho de W.
      $ píton Covariance.py
  2. Convertae p para o mapa 2D recuperado de acordo com a regra de mapeamento do HEALPix.
    1. Execute PlotCovariance.py para visualizar Cov[x] e mapear a incerteza ep para o mapa recuperado. Serão criadas duas figuras Covariância.png e Incerteza.png (Figura Suplementar 10-11).
      $ píton PlotCovariance.py

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Usamos curvas de luz de um ponto único de comprimento de onda da Terra para demonstrar o protocolo, e comparamos os resultados com a verdade do solo para avaliar a qualidade do mapeamento da superfície. A observação utilizada aqui é obtida pelo DSCOVR/EPIC, que é um satélite localizado perto do primeiro ponto lagrangiano (L1) entre a Terra e o Sol tirando imagens em dez comprimentos de onda da face iluminada pelo sol da Terra. Dois anos (2016 e 2017) de observações são utilizados para esta demonstração, que são os mesmos de Jiang et al. (2018)12 e Fan et al. (2019)13, onde mais detalhes sobre as observações são apresentados. Uma observação amostral às 9:27 UTC, 2017 Fevereiro 8 é mostrada na Figura 1. Imagens da Terra são integradas a pontos únicos para simular observações de curvas de luz obtidas por Alienígenas, observadores distantes, que não poderiam resolver espacialmente a Terra melhor do que um pixel. Portanto, são geradas curvas de luz de exoplanetas de comprimento único de vários comprimentos de onda com ~10.000 passos de tempo, que são os dados de entrada deste protocolo.

Após o passo 3, encontramos dois PCs dominantes nas curvas de luz de vários comprimentos de onda, e o segundo PC (PC2) contém informações de superfície. Derivada como etapa 3.5, a série temporal do PC2 mostra morfologia mais regular com uma variação diária aproximadamente constante, e seu espectro de energia mostra um ciclo diurno mais forte do que o primeiro PC (PC1, Figura 2). Portanto, um mapa de superfície deste exoplaneta proxy é construído seguindo o passo 4 (Figura 3a), que consiste no valor do PC2 em cada pixel. Comparado com a verdade terrestre da Terra (Figura 3b), o mapa reconstruído recupera todos os principais continentes, apesar de algumas discordâncias no hemisfério sul, onde nuvens impedem parcialmente a observação de informações superficiais. A incerteza de cada valor de pixel obtido de acordo com a etapa 5 (Figura 3c) está na ordem de 10% disso no mapa recuperado, sugerindo uma boa qualidade do mapeamento da superfície e um resultado positivo.

Figure 1
Figura 1: Imagens de reflectância do hemisfério iluminado pela Terra.
As observações são feitas por DSCOVR/EPIC em dez comprimentos de onda e às 9:27 UTC, 2017 8 de fevereiro. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: Séries temporadas e espectros de potência dos dois PCs dominantes.
aSérie temporal do PC1. O máximo e o mínimo diários são denotados por linhas pretas. (b) Espectro de energia da série temporal do PC1. Ciclos anuais, semesanários, diurnos e meio-diários são denotados como linha de traço preto. (c) e (d) são idênticos a(a ) e (b), mas correspondem a PC2. Este número é extraído de Fan et al. (2019)13. Clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3: Reconstrução da superfície da Terra.
(a) Mapa de superfície da Terra, que serve como um exoplaneta proxy, reconstruído a partir de curvas de luz de vários comprimentos de onda. As cores no mapa são os valores do PC2 em cada pixel. O contorno do valor mediano é denotado como a linha preta. bVerdade terrestre do mapa de superfície da Terra. (c) Incerteza do mapa reconstruído mostrado em (a). Este valor é modificado a partir de Fan et al. (2019)13. Clique aqui para ver uma versão maior desta figura.

Figure 4
Figura 4: Resultado de encontrar o parâmetro de regularização ideal.
O valor ideal do parâmetro de regularização λ é de 10-3.153 (linha tracejada) quando χ2 da reconstrução (linha sólida) atinge seu mínimo. Clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5: Teste de sensibilidade do ruído de observação.
(a) Coeficiente de correlação entre PC2 e fração de terra no campo de visão (linha sólida) derivado de observações com diferentes razões de sinal para ruído (S/Ns). A correlação original das curvas de luz sem ruído é mostrada como a linha tracejada. (b) A importância de cada PC na fração de terra derivada com diferentes observações S/Ns. A importância é calculada usando modelos de Árvores de Regressão Impulsionadas de Gradiente (GBRT), conforme descrito em Fan et al. (2019)13. Clique aqui para ver uma versão maior desta figura.

Figura Suplementar 1: Série temporal de reflexão da Terra em dez comprimentos de onda. Clique aqui para baixar este número.

Figura suplementar 2: (a) Série temporal de latitude do ponto sub-observador. b O mesmo que (a), mas para a longitude. c e (d) são idênticos a (a) e (b), mas correspondem ao ponto subes estelar. Clique aqui para baixar este número.

Figura Suplementar 3: Série temporal de reflexão normalizada da Terra em dez comprimentos de onda. Clique aqui para baixar este número.

Figura Suplementar 4: Série temporal dos dez PCs, colunas de U. Clique aqui para baixar este número.

Figura Suplementar 5: Valores singulares correspondentes a cada PC, elementos diagonais de Σ. Clique aqui para baixar este número.

Figura Suplementar 6: Espectros de reflexão normalizados de dez PCs, colunas de V. Clique aqui para baixar este número.

Figura suplementar 7: Espectros de densidade de energia de séries temporadas de dez PCs. Clique aqui para baixar este número.

Figura Suplementar 8: Pixelização do mapa de recuperação, preenchido com valores de pixels aleatórios. Clique aqui para baixar este número.

Figura suplementar 9: Mapa reconstruído da Terra utilizando diferentes parâmetros de regularização de (a) 10-2, (b) 10-3e (c) 10-4. Clique aqui para baixar este número.

Figura Suplementar 10: Matriz de covariância de x. Clique aqui para baixar este número.

Figura suplementar 11: Raiz quadrada dos elementos diagonais da matriz de covariância de x, mapeada no mapa de superfície recuperado. Clique aqui para baixar este número.

Vídeo S1: Pixel pesa para observações em cada período em 2016 e 2017.

Arquivos Suplementares. Clique aqui para baixar esses arquivos.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Um requisito crítico do protocolo é a viabilidade de extrair informações superficiais de curvas de luz, o que depende da cobertura da nuvem. Na etapa 3.5.1, os valores relativos dos PCs podem ser diferentes entre exoplanetas. No caso da Terra, os dois primeiros PCs dominam as variações da curva de luz, e correspondem a nuvens e superfícies independentes da superfície (Fan et al. 2019)13. Eles têm valores singulares comparáveis para que as informações de superfície possam ser separadas seguindo as etapas 3.5.2 e 3.5.3. Para uma observação futura de exoplanetas, em casos extremos de um exoplaneta totalmente nublado ou livre de nuvens, apenas um PC dominante apareceria no SVD na etapa 3.3. A análise espectral é necessária neste caso para interpretar o significado deste PC, pois as composições de nuvens e superfície são diferentes. Se o PC dominante corresponder à superfície, os passos 4 e 5 ainda poderão ser seguidos; se corresponder a nuvens, pode-se concluir que as informações superficiais são bloqueadas por nuvens e, portanto, não podem ser extraídas usando curvas de luz em determinados comprimentos de onda. Neste caso, o mapeamento de superfície não é viável. Um terceiro ou mesmo quarto PC dominante comparável também pode existir, o que pode corresponder a outra camada de nuvens ou processos hidrológicos em larga escala, e não invalidaria as seguintes etapas do método, desde que as informações superficiais sejam extraídas.

A degeneração resultante da convolução da geometria e do espectro é o fator dominante que restringe a qualidade do mapa recuperado, como discutido em Cowan & Strait (2013)14 e Fujii et al. (2017)15. Como a série temporal de PCs dominantes cobre apenas uma pequena parte do plano PC, há sempre uma troca entre variações espaciais e espectrais. Em outras palavras, o mapa recuperado (Figura 2a) não poderia ser muito melhorado mesmo com um número infinito de passos de tempo e observações perfeitas, desde que usando curvas de luz nos mesmos comprimentos de onda. Introduzimos a regularização para aliviar parcialmente a degeneração. O valor ideal do termo de regularização λ na etapa 4.4 é determinado por meio de observações sintetizadas pela verdade do solo, onde o uj observado é substituído por frações de terra ponderadas e dimensionadas no campo de visão (FOV). Para gerar a observação sintética, usamos a equação na etapa 4.3 e substituímos x pelas frações terrestres de cada pixel, y. y é dimensionado para a mesma faixa com x usando a forte correlação linear entre PC2 de observação, u2, e a fração de terra FOV média13. Devido à degeneração, y não pode ser perfeitamente recuperado da regressão linear na etapa 4.4, por isso determinamos o valor ideal de λ ao encontrar o mínimo de χ2, dimensionado residual quadrado pela variância de cada pixel. Este último é estimado pelo valor absoluto de cada pixel. Isso é semelhante ao critério de curva L em Kawahara & Fujii (2011)16. No caso específico deste artigo em que T=9739 e P=3072, o valor ideal de λ é 10-3.153 (Figura 4).

O ruído de observação, outro fator que influencia a qualidade do mapeamento, pode corromper a análise SVD das curvas de luz na prática. Testamos a robustez do protocolo introduzindo diferentes níveis de ruído de observação às curvas de luz originais. Presume-se que contenham todas as fontes de ruído (por exemplo, fundo do céu, corrente escura e ruído de leitura) e siga a distribuição gaussiana. Nas curvas de luz originais sem ruído, o PC2 apresenta forte (r2=0,91) correlação linear com a fração de terra FOV13,de modo que sua série temporal é usada para o mapeamento da superfície. Com o aumento do nível de ruído, a correlação entre PC2 e superfície torna-se mais fraca(Figura 5). O coeficiente de correlação, r2,fica abaixo de 0,5 quando a relação sinal/ruído (S/N) é inferior a 10(Figura 5a),embora a importância do PC2 ainda seja dominante(Figura 5b). Sugerimos um S/N mínimo de 30 para a aplicação do protocolo com confiança na generalização futura. Vale a pena notar que S/N aqui é a razão do sinal de exoplaneta para o ruído de observação, com o sinal da estrela-mãe sendo removido.

Acredita-se que a geometria de visualização seja conhecida no passo 4.2, pois precisamente a visualização da geometria das observações de exoplanetas está além do escopo deste trabalho. Além dos elementos orbitais que podem ser derivados de observações de curvas leves, e período de rotação a partir de espectros de densidade de energia(Figura 2b e 2d), há apenas duas quantidades, solstício de verão/inverno e obliquidade, que são necessárias para mapeamento de superfície. O solstício de verão/inverno geralmente coincide com o extremo da série temporal da superfície correspondente do PC, desde que exista assimetria perceptível entre os hemisférios norte e sul. A obliquidade do exoplaneta pode ser inferida a partir de sua influência na amplitude e frequência das curvas de luz17,18. Todas essas derivações requerem observações amostrando frequência pelo menos maior do que a da rotação planetária, que atualmente é raramente satisfeita para exoplanetas.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada a revelar.

Acknowledgments

Este trabalho foi parcialmente apoiado pelo Laboratório de Propulsão a Jato, Instituto de Tecnologia da Califórnia, sob contrato com a NASA. YLY reconhece o apoio do Laboratório Planetário Virtual da Universidade de Washington.

Materials

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

DOWNLOAD MATERIALS LIST

References

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

Tags

Engenharia Edição 159 Ciência Planetária Espectroscopia Astronômica Exoplanetas Variabilidade da Superfície de Exoplanetas Características da Superfície Planetária exoplanetas semelhantes à Terra
Mapeamento de superfície de exoplanetas semelhantes à Terra usando curvas de luz de ponto único
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Fan, S., Yung, Y. L. Surface Mapping … More

Fan, S., Yung, Y. L. Surface Mapping of Earth-like Exoplanets using Single Point Light Curves. J. Vis. Exp. (159), e60951, doi:10.3791/60951 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter