Quantifying the Impact of Starspot-Crossing Events on Retrieved Parameters from Transit Lightcurves

Resumen Técnico: Cuantificación del impacto de los eventos de cruce de manchas estelares en los parámetros recuperados de curvas de luz de tránsito

Planteamiento del problema
La fotometría de tránsitos exoplanetarios y la espectroscopía de transmisión a menudo asumen que las estrellas anfitrionas poseen superficies homogéneas y temporalmente constantes. Sin embargo, la actividad estelar —específicamente las manchas oscuras y las faculae brillantes— introduce una contaminación dependiente de la longitud de onda. Este "efecto de la fuente de luz del tránsito" (TLSE, por sus siglas en inglés) puede inflar o reducir las profundidades de tránsito observadas y entrelazar las firmas espectrales estelares con las características atmosféricas planetarias. Este problema es particularmente agudo para las enanas M, que exhiben altos niveles de actividad y son objetivos primarios para la caracterización atmosférica con instalaciones como el Telescopio Espacial James Webb (JWST). Aunque los eventos de ocultación de manchas (eventos de cruce de manchas estelares, o SCEs) crean protuberancias de flujo cromático distintivas en las curvas de luz, su tratamiento sigue siendo inconsistente. Las prácticas comunes incluyen el enmascaramiento del evento o su modelado, pero el impacto de estas elecciones en las profundidades de tránsito recuperadas, las propiedades de las manchas y las incertidumbres de los parámetros aún no se ha cuantificado plenamente. Además, existen fuertes degeneraciones entre el radio de la mancha, la latitud, el contraste y la ubicación, lo que atrapa a los algoritmos de optimización en máximos locales de verosimilitud y complica la derivación de parámetros de manchas físicamente consistentes a partir de fotometría de banda única.

Metodología
Los autores emplean la herramienta de Python de código abierto chromatic_fitting, que utiliza el marco starry (mapeo de superficie de armónicos esféricos) para modelar simultáneamente los tránsitos planetarios y los SCEs. El estudio procede a través de varias etapas:

1. Inyección y recuperación sintética: Los autores generaron una muestra de 1,000 SCEs simulados en curvas de luz de tránsito de longitud de onda única (luz blanca). Inyectaron manchas con variaciones en contraste ($C$), radios ($R_{spot}$), latitudes ($f_{spot}$) y longitudes ($\lambda_{spot}$) a través de un sistema estrella-planeta ($R_* = 1 R_\odot$, $R_p = 0.1 R_\odot$, órbita circular, parámetro de impacto $b=0$).
2. Recuperación de parámetros: Para la muestra completa, realizaron una optimización de Máxima A Posteriori (MAP) para recuperar los parámetros de la mancha y del tránsito. Para abordar la naturaleza multimodal del espacio posterior, realizaron ciclos de optimización sobre 13 posiciones iniciales diferentes para evitar máximos locales. Para un subconjunto de cinco casos representativos (variando las Relaciones Señal-Ruido, SNR), realizaron un muestreo completo de Monte Carlo por Cadenas de Markov (MCMC) utilizando PyMC3 para explorar las distribidades posteriores y las covarianzas.
3. Comparación de Enmascaramiento vs. Modelado: El estudio comparó la precisión de las profundidades de tránsito recuperadas cuando los SCEs se modelaban frente a cuando se enmascaraban (eliminaban de la curva de luz).
4. Marco de Mapeo de Degeneración: Los autores introdujeron un nuevo marco geométrico para "tallar" el espacio de parámetros degenerados. En lugar de depender únicamente del muestreo posterior, utilizaron tres métricas observables directamente de los SCEs—época de cruce ($t_{spot}$), duración ($\Delta t_{spot}$) y amplitud ($\Delta D_{spot}$)—para definir restricciones geométricas sobre la longitud, latitud, radio y contraste de la mancha. Esto permite la generación de priors informativos para el muestreo MCMC.
5. Aplicación a Datos Reales: La técnica de mapeo de degeneración se aplicó a una curva de luz real de JWST/NIRSpec-PRISM de Kepler-51d, que contiene un SCE claro. Los resultados se compararon con análisis previos utilizando starry y spotrod.

Resultos Clave

• Precisión de Recuperación: Para SCEs de alto SNR ($>4$), las longitudes de las manchas están estrictamente restringidas (80% de las recuperaciones dentro de $1^\circ$ del valor real). Sin embargo, las degeneraciones complican la recuperación de los contrastes, radios y latitudes de las manchas, con un 80% de las recuperaciones cayendo dentro del 17%, 19% y $9^\circ$ de sus valores reales, respectivamente.
• Recuperación de la Profundidad de Tránsito: En promedio, la diferencia entre la profundidad inyectada y la recuperada es del 0.78% (78.3 ppm). En el 80% de los casos de alto SNR, la profundidad de tránsito se recupera con un error inferior al 0.6%.
• Modelado vs. Enmascaramiento: Para tránsitos donde el TLSE infla la profundidad en $>1.3\%$, el ajuste de un SCE mejora la recuperación de la profundidad de tránsito sobre el enmascaramiento en más del 95% de los casos. Por el contrario, para manchas con contrastes pequeños ($<5\%$) y/o fracciones de cobertura pequeñas ($<2\%$), el ajuste a menudo conduce a una sobrecorrección, produciendo estimaciones de profundidad de tránsito peores que el enmascaramiento simple.
• Inflación de la Incertidumbre: Incluso cuando los SCEs se ajustan con éxito, inflan significativamente las incertidumbres en las profundidades de tránsito recuperadas. Para precisiones tipo JWST, los factores de inflación de la incertidumbre oscilan entre 10x y 100x el límite teórico de ruido de fotones.
• Restricciones de Degeneración: El marco geométrico logró estrechar el espacio de parámetros degenerados. Para Kepler-51d, los observables restringieron la longitud de la mancha a $7^\circ \leq \lambda_{spot} \leq 15^\circ$ y el radio a $R_{spot} \geq 9^\circ$.
• Eficiencia de MCMC: La aplicación de priors geométricos derivados al análisis de Kepler-51d mejoró la velocidad de convergencia de MCMC (6,000 pasos frente a 10,000 con priors no informativos) y permitió al muestreador explorar una mayor proporción del espacio degenerado, solapándose más eficazmente con los resultados de otras herramientas como spotrod.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco práctico para cuantificar y mitigar el impacto de los SCEs en la caracterización de exoplanetas. Los autores sostienen que:

1. El ajuste es generalmente superior al enmascaramiento: Para SCEs significativos, modelar el evento produce profundidades de tránsito más precisas y evita la dependencia de modelos de atmósfera estelar imperfectos requeridos para corregir por manchas no ocultas.
2. Derivación Empírica del Contraste: Al modelar los SCEs, es posible derivar empíricamente los espectros de contraste de las manchas. Esto permite la corrección de la contaminación por manchas no ocultas en los espectros de transmisión mediante el ajuste únicamente para la fracción de cobertura restante, evitando la necesidad de modelos estelares de enanas M discrepantes.
3. Priors Geométricos: El método propuesto de utilizar observables de curvas de luz para mapear y podar el espacio de parámetros degenerados proporciona priors físicamente motivados que mejoran la eficiencia del muestreo y ayudan a interpretar las discrepancias entre diferentes herramientas de ajuste de manchas (por ejemplo, starry vs. spotrod).
4. Precaución sobre SNR Bajo/Manchas Pequeñas: Los autores advierten que para eventos de bajo SNR o manchas muy pequeñas/de bajo contraste, el modelado puede introducir sobrecorrección y grandes incertidumbres, sugiriendo que el enmascaramiento puede ser preferible en estos regímenes específicos.

El trabajo concluye que, si bien los SCEs introducen complejidad e inflan las incertidumbres, también ofrecen una vía única para restringir directamente las propiedades de la superficie estelar y corregir la contaminación sin depender de modelos estelares teóricos, una capacidad cada vez más vital para las observaciones de alta precisión de JWST.