Data reduction method for OPTICAM multiband time series of transiting exoplanets

本文提出了一种针对 OAN-SPM 台站 OPTICAM 仪器热像素问题的数据预处理方法，通过采用 3×3 中值滤波器有效降低光曲线中的离散度和红噪声，并构建了结合 Python 模块与 AstroImageJ 的完整数据处理流程以优化凌星行星观测。

要点

这是一篇关于如何从“脏”照片中提取清晰宇宙信号的科学研究。为了让你轻松理解，我们可以把这篇论文想象成一位**“天文摄影师”和“图像修复师”的对话**。

🌌 故事背景：想拍星星，但相机“发烧”了

想象一下，你是一位天文摄影师，手里拿着一台超级先进的相机（叫 OPTICAM），架在墨西哥的一座高山上，专门用来捕捉系外行星（围绕其他恒星转的行星）经过恒星表面时留下的微小阴影（这叫“凌星”）。

但是，你的相机有个怪毛病：它**“发烧”了**。

• 什么是“热像素”（Warm Pixels）？
  当你长时间曝光（比如拍 30 秒）时，相机里的传感器（sCMOS 芯片）会发热。这导致屏幕上随机出现一些**“坏点”。这些坏点就像是在你的照片上突然冒出来的“噪点”或“死皮”**。
• 为什么这很麻烦？
  这些坏点不是固定的。上一张照片它们在这里，下一张就跑到那里去了，而且亮度忽高忽低。
  • 传统的修图方法（比如“减暗场”）就像是用橡皮擦去擦固定的污渍，但面对这些**“会跳舞的坏点”**，橡皮擦根本没用，甚至可能把星星的信号也擦掉了。
  • 结果就是：你拍到的行星凌星曲线（光变曲线）变得毛躁、充满杂音，就像在听收音机时全是“滋滋”的电流声，根本听不清音乐。

🔍 核心任务：寻找最好的“去噪”魔法

作者团队（S. Páez 等人）为了拍清楚一颗叫 TOI-7149 b 的行星，尝试了6 种不同的“修图”方法，看看哪种能最干净地去除这些“坏点”，同时不伤害星星原本的光芒。

他们就像在厨房里尝试不同的**“过滤网”**：

1. 传统方法（Standard Reduction）

• 做法：直接用相机自带的标准程序处理。
• 结果：就像试图用普通筛子筛面粉，那些“坏点”像小石子一样漏过去了。照片还是很脏，噪音很大。

2. 高斯模糊法（Gaussian Convolution）

• 做法：给照片加一层**“柔光滤镜”**（高斯模糊）。这就像把照片稍微弄糊一点，让尖锐的坏点平滑下来。
• 结果：
  • 小模糊（σ=1）：坏点还在，只是稍微淡了点，没用。
  • 大模糊（σ=3）：坏点确实没了，但星星也被弄糊了！就像为了去掉脸上的痘痘，把整张脸都涂了厚厚一层粉底，导致星星变暗、变模糊，甚至把坏点晕染成了**“假星星”**。这会让测量变得不准。

3. 中值滤波法（Median Filter）—— 大获全胜的冠军 🏆

• 做法：这是一种**“智能替换”**。想象你有一个 3x3 的小窗口（就像九宫格），放在照片的每一个像素上。
  • 如果中间那个像素是个“坏点”（特别亮或特别怪），算法会看看周围 8 个邻居。
  • 它不取平均值（因为平均值会被坏点拉偏），而是取**“中位数”**（把 9 个数值排排队，取最中间那个）。
  • 如果中间是坏点，它就会被周围正常的邻居“投票”替换掉。
• 结果：
  • 3x3 窗口（w3）：这是最佳方案！它像一把精准的手术刀，只切掉那个“坏点”，完全保留了星星原本的形状和亮度。
  • 5x5 或 7x7 窗口：窗口太大了，就像用大铲子挖坑，可能会把星星的一部分也挖掉，或者因为坏点太多（有时一张图里 60% 的像素都是坏的），大窗口里可能全是坏点，导致替换失败。

📊 最终结论：为什么 3x3 中值滤波是赢家？

作者通过对比发现：

1. 噪音最小：使用 3x3 中值滤波处理后的照片，那些像“电流声”一样的红噪音（Red Noise）最少。
2. 证据最强：在统计学上，用这种方法处理的数据，拟合出的行星模型最可信（贝叶斯证据最高）。
3. 适用性广：无论星星是亮是暗，这种方法都能很好地工作，特别是当星星比较暗（信号弱）的时候，它的作用更是救命稻草。

🛠️ 他们的“工具箱”：PROFE + AstroImageJ

为了让其他天文学家也能用上这个方法，作者开发了一套自动化流水线：

• PROFE：一个 Python 写的“自动管家”。它负责把原始照片拿进来，自动运行那个"3x3 中值滤波”的魔法，把坏点修好。
• AstroImageJ：一个著名的天文软件，负责后续的“精修”和测量。
• 流程：原始数据 -> PROFE 去噪 -> AIJ 测量 -> 得到完美的行星数据。

💡 一句话总结

这篇论文告诉我们要想看清宇宙中微小的行星信号，当相机传感器因为“发烧”产生随机坏点时，不要试图模糊整张照片，也不要只用橡皮擦。最好的办法是使用3x3 的中值滤波，像**“智能邻居投票”**一样，精准地剔除坏点，还原星星最真实、最清晰的样子。

这就像是在嘈杂的派对上，你不需要把整个房间隔音（模糊），也不需要捂住耳朵（标准处理），而是只需要精准地屏蔽掉那几个大声喧哗的捣乱者（坏点），就能听清你想听的音乐了。

技术摘要

以下是关于论文《Data reduction method for OPTICAM multiband time series of transiting exoplanets》（OPTICAM 多波段凌星系外行星时间序列的数据处理方法）的详细技术总结：

1. 研究背景与问题 (Problem)

• 仪器背景：OPTICAM 是安装在墨西哥圣佩德罗马尔特尔国家天文台（OAN-SPM）2.1 米望远镜上的高时间分辨率光学仪器，配备三个 sCMOS 探测器（Andor Zyla 4.3-Plus），支持 $u', g', r', i', z'$ 滤光片的多波段同时观测。
• 核心问题：OPTICAM 的 sCMOS 探测器在曝光时间 $\ge 10$ 秒时会产生显著的热像素（Warm Pixels）。
  • 特性：这些热像素的计数值在帧与帧之间不可预测地变化（表现为“椒盐噪声”或偏置电平升高），无法通过标准的暗场减法（Dark Subtraction）消除，因为暗场中的热像素位置与科学帧中的并不完全一致。
  • 影响：热像素会在光变曲线中引入**红噪声（Red Noise）**和白噪声，严重降低测光精度，影响凌星信号的提取和行星参数的反演。
  • 现状：传统的宇宙线剔除方法（识别并替换坏点）在此处不适用，因为热像素比例极高（在某些通道中高达 60%），且行为复杂多变。

2. 方法论 (Methodology)

研究团队以 TESS 确认的凌星行星 TOI-7149 b 的 $g', r', i'$ 波段观测数据为例，评估了六种不同的数据预处理策略，旨在消除热像素影响的同时保留恒星信号。

2.1 数据预处理方案对比

研究比较了以下六种方法（均应用于科学帧和校准帧）：

1. 标准处理 (st)：仅使用主暗场（Master Dark）减法和主平场（Master Flat）除法。
2. 高斯卷积 (Gaussian Convolution)：
   • $g1$：$\sigma=1$ 像素的高斯核。
   • $g3$：$\sigma=3$ 像素的高斯核。
   • 原理：平滑图像，减少尖锐变化。
3. 中值滤波 (Median Filter)：
   • $w3$：$3\times3$ 像素窗口。
   • $w5$：$5\times5$ 像素窗口。
   • $w7$：$7\times7$ 像素窗口。
   • 原理：将每个像素替换为其邻域的中值，有效去除离群值（热像素）而不破坏信号结构。

2.2 光变曲线拟合与评估

• 拟合工具：使用 juliet 包对多波段光变曲线进行联合拟合，引入高斯过程（GPs）来模拟基线变化和关联噪声。
• 评估指标：
  • 贝叶斯证据 (Bayesian Evidence, $\ln Z$)：用于统计上比较不同模型（不同预处理方法）的优劣。
  • 测光精度：残差均方根（RMS）。
  • 关联噪声：10 分钟分箱后的 RMS ($RMS_{10\ min}$)。
  • 拟合优度：约化卡方 ($\chi^2_\nu$)。

2.3 自动化流程构建

开发了一个结合 PROFE（开源 Python 模块）和 AstroImageJ (AIJ) 的自动化处理流水线，用于实施推荐的最佳预处理方法。

3. 关键贡献与结果 (Key Contributions & Results)

3.1 热像素行为表征

• 通过暗场序列分析，将热像素分为四类（A-D 型），包括偏置电平升高型、阶梯跳变型、偶发跳变型和间歇性跌落型。
• 确认热像素比例随曝光时间增加而显著上升（Channel 3 在 30s 曝光下可达 60%），且单像素行为在不同观测序列中不可预测。

3.2 预处理方法评估结果

• 标准处理 (st)：无法消除热像素，导致光变曲线噪声水平高，尤其在 $g'$ 波段（恒星信号较弱，接近暗电流水平）表现最差。
• 高斯卷积 (g1, g3)：
  • $g1$ 无法有效减少热像素数量。
  • $g3$ 虽能平滑热像素，但会将热像素的流量扩散到相邻像素，形成类似“假恒星”的伪影，污染测光孔径，且导致恒星峰值计数下降约 13%，增加了背景噪声贡献。
• 中值滤波 (w3, w5, w7)：
  • $3\times3$ 中值滤波 (w3) 表现最佳。它有效去除了热像素，未产生伪影，且对恒星峰值计数的影响最小（仅降低约 9%）。
  • 性能指标：$w3$ 在所有波段中均获得了最高的贝叶斯证据 ($\ln Z$)，且 $RMS_{10\ min}$（关联噪声指标）最低。
  • 对比：$w5$ 和 $w7$ 虽然也能去噪，但由于窗口过大，可能包含多个热像素或过度平滑恒星信号，导致红噪声抑制效果不如 $w3$。

3.3 行星参数反演

• 使用 $w3$ 预处理的数据拟合得到的行星参数（如 $R_p/R_*$, $a/R_*$, $i$）与其他方法相比具有更高的统计置信度。
• 尽管 $a/R_*$ 与发现论文（Kanodia et al. 2025）略有差异，但作者认为这是由于本研究的光变曲线精度更高、基线覆盖更完整所致。

3.4 推荐阈值

研究建议，为了最小化热像素影响，目标星和比较星的峰值计数在 30 秒曝光下应至少达到 ~1300 ADU（即信噪比接近 1 时，$3\times3$ 中值滤波尤为重要）。

4. 技术实现与流水线 (Implementation)

论文提出了一个混合流水线：

1. PROFE (Python)：负责读取原始 FITS 文件，应用 $3\times3$ 中值滤波 预处理，更新元数据，并生成诊断图（如质心移动、红噪声曲线）。
2. AstroImageJ (AIJ)：接收预处理后的 FITS 文件，执行主暗场/平场构建、标准校准、孔径测光。
3. PROFE (Python)：再次接管，进行光变曲线归一化、时间平均分析等后处理。

5. 科学意义 (Significance)

• 解决特定仪器难题：首次系统性地解决了 OPTICAM sCMOS 探测器在长曝光下热像素不可预测变化的问题，填补了该仪器在系外行星凌星观测数据处理上的空白。
• 提升测光精度：证明了 $3\times3$ 中值滤波是消除 sCMOS 热像素红噪声的最优解，显著提高了地面望远镜多波段凌星观测的精度。
• 开源工具推广：发布了 PROFE 代码库，为 OAN-SPM 2.1m 望远镜的观测者提供了一套标准化的、可复现的数据处理流程，促进了该仪器在系外行星研究中的广泛应用。
• 方法论启示：对于其他使用 sCMOS 探测器且面临类似热像素问题的天文观测项目，该研究提供的“中值滤波预处理”策略具有广泛的借鉴意义。

总结：该论文通过详细的热像素行为分析和多种预处理方法的对比，确立了 $3\times3$ 中值滤波 作为 OPTICAM 仪器处理凌星光变曲线的标准预处理步骤，并构建了相应的自动化流水线，显著提升了该仪器在系外行星表征方面的科学产出能力。