Voiko jo tällä sanoa, että alkaa olla ensimmäinen suomalaisen amatöörin tekemä eksoplaneetan pimennyshavainto plakkarissa? Vai onko joku muu ehtinyt ensin?
Tuo vihreä viiva merkkaa ajankohtaa, jolloin eksoplaneetta on tähden takana (pimennyksen keskikohta tarkemmin sanottuna). Mustat 'plussat' ovat mittapisteitä, eli yksi piste vastaa yhtä valokuvaa, ja tässä grafiikassa niitä on yli tuhat.
Näyttää tuohon pimennyksen keskikohdalle muodostuvan pikku kuoppa. Nämä pimennykset ovat erittäin vaikeita havaita, koska mitattu tähden kirkkaus himmenee vain prosentin kymmenyksen luokkaa.
Grafiikka tehty IDL:llä.
En ole ainakaan kuullut, että kukaan suomalainen olisi vielä havainnut eksoplaneetan menoa tähden taakse. Huima suoritus! Millä laitteilla teit havainnot?
Lainaus käyttäjältä: naavis - 30.11.2016, 20:58:13
En ole ainakaan kuullut, että kukaan suomalainen olisi vielä havainnut eksoplaneetan menoa tähden taakse. Huima suoritus! Millä laitteilla teit havainnot?
Chilen Harlingten San Pedro de Atacama observatorion 20" Planewave CDK:lla. Nostetaan vielä tasoa sillä, että havainnot tehty fotometrisella B-filtterillä, joka päästää valoa läpi kirkkaaseen filtteriin verrattuna vain muutaman prosentin.
Oletko yrittänyt prosessoida (filtteröidä, keskiarvoistaa, tms.) tuota kuoppaa paremmin esiin?
Lainaus käyttäjältä: PetriKe - 30.11.2016, 21:10:38
Chilen Harlingten San Pedro de Atacama observatorion 20" Planewave CDK:lla.
Hieno havainto. Selkeästi amatöörivehkeetkin käytössä.. :rolleyes:
-V
Enpä juuri muista nähneeni vastaavia pimennyshavaintoja tehdyn ammattiobservatorioillakaan ?
Tai sitten olen sekoittanut vaan ylikulkuhavaintoihin.
Lainaus käyttäjältä: Pappis - 30.11.2016, 21:11:35
Oletko yrittänyt prosessoida (filtteröidä, keskiarvoistaa, tms.) tuota kuoppaa paremmin esiin?
Näyttäisi noilla punaisilla plussilla tehdyn jonkinlainen binnaus datalle.
Voisi olla mielenkiintoista tehdä/nähdä joku liukuva ikkunointi myös.
Jep, punaiset pisteet on binnattuja arvoja (eli laskettu ympäröivien datapisteiden keskiarvo). Tässä näkyy paremmin tuo keskimmäinenkin.
Suurena haasteena ollut detrending, varsinkin kun esim. jalustan meridian flip osuu pimennyksen alueelle. Silloin mittapisteiden bias muuttuu, ja käppyrä hyppää ylös tai alas. Pystyn sen kyllä nappamaan pimennyksen ulkopuolisesta datasta takasin baselineen, mutta pimennyksen osalta data saattaa hiukan valehdella.
Mitä tarkoitat Lauri liukuvalla ikkunoinnilla?
Lainaus käyttäjältä: PetriKe - 30.11.2016, 21:40:25
Mitä tarkoitat Lauri liukuvalla ikkunoinnilla?
Varmaan liukuvaa keskiarvoa, eli jokaisen datapisteen kohdalla lasketaan keskiarvo siitä ja muutamasta ympäröivästä datapisteistä.
Tässä on grafiikka zoomattuna tuon pimennyksen osalle. Grafiikkaan on myös piirretty keltaisella tämän hetkisen teoreettisen mallin mukainen pimennyskäyrä. Kuten huomataan, punaiset keskiarvopisteet osuvat aika hyvin malliviivalle, paitsi aivan keskikohdalla, joka havaintoni mukaan on mallia syvempi. Tämä voi olla oikea havainto, tai datapisteiden joukkoon on osunut muutama virhearvo, jotka syventävät tuota keskikohtaa liian paljon.
Wow, onneksi olkoon (onhan tuo nyt ~lähes selvä~ havainto), ja hattu päästä. Zoom-kuva näyttää kaikin puolin tasajakaumalta (https://upload.wikimedia.org/wikipedia/commons/0/01/Uniform_Spherical_Distribution_1.png), paitsi että siellä on planeetan mentävä poikkeama! :shocked:
Lainaus käyttäjältä: PetriKe - 30.11.2016, 21:40:25
Mitä tarkoitat Lauri liukuvalla ikkunoinnilla?
Dataa voi filtteröidä tekemällä sille konvoluution jollain tietyn muotoisella ikkunafunktiolla. Jos käytetään laatikon muotoista funktiota, saadaan perinteinen liukuva keskiarvo. Erilaista dataa varten voi jonkun muun muotoinen ikkuna toimia paremminkin.
Filtteröidyssä datassa on siis käppyrän piirtämiseen käytettävissä yhtä monta datapistettä kuin alkuperäisessäkin datassa, mutta niistä tulee siistimpi käppyrä. Vrt. että tuossa binnaamisessa datapisteiden määrä tippuu vain muutamaan pisteeseen.
Jos tuon datan saisi jossain numeromuodossa jonnekin näkyviin, voin näyttää esimerkkejä. Tosi mielenkiintoinen keissi. :)
Lainaus käyttäjältä: Lauri Kangas - 01.12.2016, 13:32:25
Dataa voi filtteröidä tekemällä sille konvoluution jollain tietyn muotoisella ikkunafunktiolla. Jos käytetään laatikon muotoista funktiota, saadaan perinteinen liukuva keskiarvo. Erilaista dataa varten voi jonkun muun muotoinen ikkuna toimia paremminkin.
Filtteröidyssä datassa on siis käppyrän piirtämiseen käytettävissä yhtä monta datapistettä kuin alkuperäisessäkin datassa, mutta niistä tulee siistimpi käppyrä. Vrt. että tuossa binnaamisessa datapisteiden määrä tippuu vain muutamaan pisteeseen.
Jos tuon datan saisi jossain numeromuodossa jonnekin näkyviin, voin näyttää esimerkkejä. Tosi mielenkiintoinen keissi. :)
IDL:ään näköjään löytyy useita vaihtoehtoja: SAVGOL, SMOOTH, TS_SMOOTH, boxcar ja NASA:n poly_smooth. Täytyy vähän tutkailla noita.
Tässä kuvaus tuosta NASAn funktiosta:
Reduce noise in 1-D data (e.g. time-series, spectrum) but retain
; dynamic range of variations in the data by applying a least squares
; smoothing polynomial filter,
;
; Also called the Savitzky-Golay smoothing filter, cf. Numerical
; Recipes (Press et al. 1992, Sec.14.8)
;
; The low-pass filter coefficients are computed by effectively
; least-squares fitting a polynomial in moving window,
; centered on each data point, so the new value will be the
; zero-th coefficient of the polynomial. Approximate first derivates
; of the data can be computed by using first degree coefficient of
; each polynomial, and so on. The filter coefficients for a specified
; polynomial degree and window width are computed independent of any
; data, and stored in a common block. The filter is then convolved
; with the data array to result in smoothed data with reduced noise,
; but retaining higher order variations (better than SMOOTH).
;
; This procedure became partially obsolete in IDL V5.4 with the
; introduction of the SAVGOL function, which computes the smoothing
; coefficients.
Savitsky-Golayn menetelmä on tehokas ja hyvä, se säilyttää datan dynaamisen alueen (normituksen) käytännössä ennallaan. Sitä tuli aikoinaan käytettyä yliopistolla aika paljon, ja kirjoitin tätä varten jopa Matlab-makron. Jos löydän koodin jostain kovalevyn kätköistä, voin lähettää sen näytille. Joten suosittelen kokeilemaan! Kannattaa kokeilla sekä dataan itseensä, että kokeilla derivaatan laskemista SG-algoritmilla. Derivaatta paljastaa muutoksen monesti paremmin, jos vaan data antaa myöten (kohina ei ole liian suurta).
Tässä konvoluutiolla käsitelty data käyttäen Savitzky-Golay filtteriä (punainen viiva). Ikkuna 273 pistettä, 2nd degree. Tätä pitää harjoitella ja tutkia, kiitos vinkeistä!
No niin! Nyt alkaa näkyä jotakin. Jos tuota selkeyttäisi (julkaisua ajatellen), niin:
- datapisteet pisteinä (ja ehkä muutamaan pisteeseen virherajat)
- teoreettinen ja SG-filtteröity käyrä eri väreillä (esim. pun ja sin, pun ja vihr. tai sin ja vihr.), keltainen ei oikein näy helposti.
Hienoa työtä!
Hienoa! Onnittelut.
Vuonna -82 aloittelin tätä harrastusta ollessani toisella luokalla, ja koko aihe oli silloin jotain aivan tavoittamattomalta tuntuvaa, scifiä. Silloin tunne oli, että ikinä ei millään edes saada tietoa onko muilla tähdillä planeettoja ylipäänsä. Ja nyt harrastaja havaitsee eksoplaneetan pimennyksen. Aina välillä pitää oikein pysähtyä ällistelemään.