扩展近红外信息内容
eniric的Python项目详细描述
eniric-扩展近红外信息内容
eniric是一个python 3软件，用于访问近红外（nir）光谱的径向速度精度。 ensiric是在figueria等人使用的代码initilly上构建的。2016年分析M-矮星的精度，扩展使用菲尼克斯-ACES库中任何同伦光谱的能力，使其更易于使用。
特点：
- 光谱展宽
考虑到给定的旋转速度
vsini和分辨率r - 大气传输
分析3种情况下的RV精密度，见Figueria等人。2016
- 大气传输不处理SIST
- 在一年中掩盖所有受给定百分比大气吸收影响的区域。
- 假设测量通量的方差受到影响的完美大地电磁波相关性。
- 相对RV精度 RV预选相对于光度学波段中心的指定每像素信噪比存在。figueira等人使用的默认值。2016年J波段中心的信噪比为100。
- 重新采样 允许每半高宽将光谱重采样到n个像素。默认值为3。
- 波段选择
分析近红外光谱中单个光度带
z，y，j，h，k可达到的RV精度。 - 增量质量/精度 除了光度带精度之外，您还可以确定整个光谱中窄波长切片上的增量光谱质量或RV精度，类似于Artigau等人的图1。2018年
用法
现在可以计算任何Phoenix-ACES模型的理论RV精度。 您需要在"config.yaml"中配置Phoenix模型的路径
<>aces_precision.py -t 3900 -l 4.5, -m 0.5 -r 100000 -v 1.0 -b J K
将计算凤凰-ACES光谱J波段和K波段的RV精度，参数为[teff=3900K，logg=4.5，[fe/h]=0.5]，观测分辨率为100000，旋转速度为1.0 km/s。
有关要使用的命令行参数的详细信息，请参见wiki或键入
aces_precision.py -h
轮廓
该程序分为"光谱准备"和"精度计算"两个主要阶段工作。
光谱制备
eniric/nirranalysis.py
此阶段接受原始的Phoenix-ACES光谱模型并对其进行转换，将此计算结果保存为.txt文件。
它包括：
- 从通量到光子计数的转换。
- 分辨率卷积
- 重新采样
在eniric_scripts中提供了一些脚本，用于在所有所需参数上自动运行此准备。您必须修改到事物的路径。
精度计算
python eniric_scripts/nir_precision.py
这将接收经过处理的光谱，并对原始文件中列出的所有3个条件执行精度计算。
- CODD1。总信息 <>+/-30公里/秒的大地电磁线>；2%掩蔽
- COD3。具有方差校正的完美大地电磁校正
它还将磁通水平缩放到所需频带中的所需信噪比水平，如下所示，因为这会影响所计算的rv精度。默认情况下，J波段的信噪比为100。
频带信噪比缩放。
默认情况下，根据初始文件，每个谱带在j波段的中心被归一化为100 snr。
现在这是通过在频带中心以1像素分辨率（3个点）测量信噪比来自动实现的。并相应地缩放。这就增加了一个与rv精度相关的光谱模型因子。 要绕开，可以手动指定要规格化到的snr级别和要规格化到的特定频带。（例如，它可以是它自己）。
说明
创建一个空目录来保存分析。 创建带有重新采样、结果、菲尼克斯数据的数据目录 复制config.yaml并调整与您创建的内容和原始菲尼克斯光谱相关的路径。
eniric_scripts/prepare_spectram.py-这将打开菲尼克斯通量谱，以微米为单位添加波长轴，并将通量转换为光子计数。它保存在菲尼克斯数据目录中。（波长的复制确实浪费了空间。）
eniric_scripts/nir_run.py-对制备的光谱执行分辨率和旋转卷积。
这也会进行重新采样。
例如python../codes/eniric/eniric_scripts/nir_run.py-s m0 m3 m6 m9-b y j h k-v 1.0 5.0 10.0-r 60000 80000 100000——采样率3
背景
此代码的来源在figueira等人的中使用。2016年
P. Figueira, V. Zh. Adibekyan, M. Oshagh, J. J. Neal, B. Rojas-Ayala, C. Lovis, C. Melo, F. Pepe, N. C. Santos, M. Tsantaki, 2016,
Radial velocity information content of M dwarf spectra in the near-infrared,
Astronomy and Astrophysics, 586, A101
它在卷积方面存在一些效率问题，这些问题都是改进后的upo
错误：
修改此代码时发现许多错误。严重影响了大地电磁线掩蔽的条件。这会改变这一列中的RV，有时会显著改变。然而，这并没有改变已发表论文的结论。修正后的表格将包含在更新出版物Neal et.al.中。2018年（筹备中）。
最大的是 1）使用numpy映射切片而不是综合列表。（~快250倍） 2）使用joblib并行化卷积。 3）缓存结果以避免重复相同的卷积。
在解决1）特定测试用例的卷积速度从1hour 22 minutes下降到27 seconds
欢迎加入QQ群-->： 979659372
