A Machine Learning approach for correcting radial velocities using physical observables
Institut de Ciències de l’Espai (ICE, CSIC)(空间科学研究所(西班牙国家研究委员会));Institut d’Estudis Espacials de Catalunya (IEEC)(加泰罗尼亚空间研究所);University of Warwick(华威大学);Instituto de Astrofísica de Andalucía (IAA-CSIC)(安达卢西亚天体物理研究所(西班牙国家研究委员会));The Open University(开放大学);Max Planck Institut für Sonnensystemforschung (MPS)(马克斯·普朗克太阳系研究所);Zentrum für Astronomie der Universität Heidelberg(海德堡大学天文中心);Georg-August-Universität Göttingen(哥廷根大学)
M. Perger, G. Anglada-Escudé, D. Baroch, M. Lafarga, I. Ribas, J. C. Morales, E. Herrero, P. J. Amado, J. R. Barnes, J. A. Caballero, S. V. Jeffers, A. Quirrenbach, A. Reiners
Precision radial velocity (RV) measurements continue to be a key tool to detect and characterise extrasolar planets. While instrumental precision keeps improving, stellar activity remains a barrier to obtain reliable measurements below 1-2 m/s accuracy. Using simulations and real data, we investigate the capabilities of a Deep Neural Network approach to produce activity free Doppler measurements of stars. As case studies we use observations of two known stars (Eps Eridani and AUMicroscopii), both with clear signals of activity induced RV variability. Synthetic data using the starsim code are generated for the observables (inputs) and the resulting RV signal (labels), and used to train a Deep Neural Network algorithm. We identify an architecture consisting of convolutional and fully connected layers that is adequate to the task. The indices investigated are mean line-profile parameters (width, bisector, contrast) and multi-band photometry. We demonstrate that the RV-independent approach can drastically reduce spurious Doppler variability from known physical effects such as spots, rotation and convective blueshift. We identify the combinations of activity indices with most predictive power. When applied to real observations, we observe a good match of the correction with the observed variability, but we also find that the noise reduction is not as good as in the simulations, probably due to the lack of detail in the simulated physics. We demonstrate that a model-driven machine learning approach is sufficient to clean Doppler signals from activity induced variability for well known physical effects. There are dozens of known activity related observables whose inversion power remains unexplored indicating that the use of additional indicators, more complete models, and more observations with optimised sampling strategies can lead to significant improvements in our detrending capabilities.
Correcting HIRES radial velocities for small systematic errors
HIRES摄谱仪安装在$10$ -m-1望远镜上,属于一小组径向速度(RV)仪器,它们产生的恒星RV具有低至$\sim1$ ms $^{-1}$的长期精度。在$2017$中,HIRES团队公布了在$1996$和$2014$之间收集的$1,699$恒星的$64,480$ RV。在这个银行的RV,我们确定了一个样本的RV安静的恒星,其RV散射是$<10$ ms $^{-1}$,并使用它们来揭示两个小的,但显着的夜间零点效应:一个不连续的跳跃,所造成的重大修改的仪器在8月$2004$,和长期漂移。$2004$跳变的大小为$1.5\pm0.1$ ms $^{-1}$,慢速零点变化的典型幅度为$\lesssim1$ ms $^{-1}$。此外,我们发现一个小的,但显着的相关性恒星RV和相对于当地午夜的时间,表明平均夜间漂移$0.051\pm0.004$毫秒$^{-1}$小时$^{-1}$。我们纠正了$64,480$ HIRES RV的系统性影响,我们发现,并使纠正的RV公开。我们的研究结果证明了观测RV安静恒星的重要性,即使是在校准不当的RV摄谱仪时代。我们希望修正后的HIRES RV将有助于在观测到的恒星周围寻找新的行星候选者。
The HARPS search for southern extra-solar planets. XXXI. Magnetic activity cycles in solar-type stars: statistics and impact on precise radial velocities
上下文通过径向速度测量寻找太阳系外行星依赖于恒星光球的稳定性。目标。我们的目标是表征磁活动周期的统计特性,并研究它们对光谱测量的影响,如径向速度,线平分线和线形。方法.我们使用的数据从HARPS高精度行星搜索样本包括304 FGK恒星超过7年。我们获得高精度的Ca II H & K色球活动测量,并将其转换为R'HK指数使用更新的校准考虑到恒星金属丰度。我们研究R'HK变异作为时间的函数,并寻找可能的相关性与径向速度和线形参数。结果我们根据Ca II H & K变化的幅度和时间尺度对恒星进行分类,并尽可能确定活动周期。我们发现,在太阳附近,39 +/-8%的老太阳型恒星没有任何活动周期(或者只有非常弱的活动周期),而61 +/-8%的恒星有活动周期。非循环星几乎只在G矮星中发现,平均活动水平log R'HK <-4.95。磁周期振幅一般随活动水平的降低而降低。相当一部分恒星的径向速度和线形参数与活动周期相关,表现出很小的变化。径向速度对磁循环的敏感性随着温度的升高而增加,而晚K矮星几乎不敏感。结论.活动周期确实会引起长周期、低幅度的径向速度变化,其水平高达~25 m/s。因此,在寻找长周期系外行星时必须谨慎。然而,这些影响可以被校正到高精度的径向速度数据,同时测量钙II H & K通量和线形参数的去趋势。(节录)
Towards Extremely Precise Radial Velocities: I. Simulated Solar Spectra for Testing Exoplanet Detection Algorithms
最近和即将推出的稳定光谱仪正在推动多普勒光谱学的前沿,以检测和表征低质量行星。这些仪器的规格是如此令人印象深刻,以至于恒星的固有变化预计会限制它们对大多数目标恒星的多普勒精度(Fischer et al. 2016)。为了充分发挥它们的潜力,天文学家必须开发新的策略来区分真实的多普勒频移和恒星的内在变化。由于恒星黑子、光斑和其他与旋转相关的变化,恒星的变化特别令人担忧,因为恒星的旋转周期通常包括在潜在的行星轨道周期范围内。为了通过多普勒行星调查稳健地探测和准确地描述低质量行星的特征,系外行星界必须开发能够联合建模行星扰动和恒星固有变化的统计模型。为了实现这一目标,本文介绍了用SOAP 2.0(arXiv:1409.3594)创建的极高分辨率的太阳光谱的模拟,其中包括多个不断变化的恒星斑点。我们预计这组数据将有助于未来的研究开发,测试和比较统计方法测量物理径向速度之间的污染恒星的变化。
Photon-weighted barycentric correction and its importance for precise radial velocities
当重心校正应用于精确的径向速度测量时,通常的做法是仅在观测的光子加权中点时间计算其值,而不是在整个曝光上积分。然而,由于重心校正不随时间线性变化,这导致在导出的径向速度中的系统误差。这种二阶效应的典型量级为10 cm s $^{-1}$,但它取决于几个参数,例如天文台的纬度、目标在天空中的位置和曝光时间。我们表明,有现实的观察情况下,误差可以达到超过1毫秒$^{-1}$。因此,我们建议在这种情况下工作的仪器总是记录和存储曝光计通量曲线(或类似的测量),以用作重心校正的光子权重。在现有的数据中,如果通量曲线不再可用,我们认为,在重心校正的二阶误差可以减轻通过添加一个修正项假设恒定的通量。
Minimizing the bias in exoplanet detection - application to radial velocities of LHS 1140
一颗围绕LHS 1140运行的周期为24.7d的岩石行星已经被发现,这是基于在其光和高精度径向速度数据中发现的凌日现象(Dittmann et al. 2017)。通过两种独立的方法得到的这一发现是一种观察性的尝试,然而,我们发现对数据的保守分析给出了不同的解决方案。根据我们对恒星活动的诊断,在径向速度数据中,一个三行星系统是显而易见的。我们鼓励进一步进行有针对性的光度和径向速度观测,以限制显然造成3.8天和90天径向速度信号的小型海王星和超级地球质量物体。我们使用我们的软件包Agatha(https://phillippro.shinyapps.io/Agatha/)提供一个全面的策略,从径向速度数据中的恒星活动中解开行星信号。
Daily variability of Ceres' Albedo detected by means of radial velocities changes of the reflected sunlight
黎明号最近在谷神星上发现了明亮的特征,这扩展了以前的测光和空间望远镜观测。这些特征应该会使反射太阳光谱的线轮廓产生扭曲,因此会产生由矮行星旋转调制的明显径向速度变化。在这里,我们报告了在2015年7月31日和8月26日至27日的夜晚,通过3.6米La Silla ESO望远镜的高精度HARPS光谱仪对谷神星进行的两次观测。观测结果揭示了一个相当复杂的行为,可能结合了由于旋转引起的径向速度调制,振幅约为+/- 6 m/s,以及意想不到的昼夜效应。后者的变化意味着由于暴露在太阳辐射下产生的火焰,Occator明亮特征的亮度发生了变化。谷神星的短期变化从几小时到几个月不等,可以通过专门的径向速度观测来确认和跟踪。