空间望远镜流浪行星探测数据处理教程

教程目标

本教程要帮助读者完成一个明确任务：围绕采用高时间采样、连续覆盖与高分辨率观测能力的空间望远镜微引力透镜巡天，搭建一条从观测数据到流浪行星候选样本、再到群体统计验证的可复现分析流程。

适合阅读本教程的读者包括：从事科学数据处理流水线开发的开发者、负责计算平台与数据管理的运维人员、需要评估巡天方案的技术负责人，以及希望理解流浪行星探测逻辑的科研软件工程师。读者不需要预先掌握特定厂商工具或专有平台操作，但应具备基础的数据处理、统计推断和流水线设计知识。

这里的“能看见什么”需要先澄清：微引力透镜巡天通常并不直接“拍到”流浪行星本体，而是观测背景恒星在短时间内被前景天体引力放大而产生的增亮事件。流浪行星是质量处于行星范围、又不围绕恒星公转、独自在星际空间漂泊的天体；它们自身几乎不发光，传统径向速度法和凌星法都很难发现。微引力透镜因此成为重要探测手段。空间平台的价值在于提高时间采样连续性、降低短时标事件漏检，并通过更高分辨率与更稳定的观测条件改善候选筛选和统计建模。

本教程不讨论运载器参数或发射流程，而聚焦载荷入轨后的数据处理与科学验证。发射入轨只是任务起点，真正决定科学产出的是后续巡天策略、流水线质量、选择函数建模与可复现验证。

适用场景

本教程适用于以下场景：

• 设计空间或地面联合的微引力透镜巡天数据处理流程；
• 对高时间采样光变曲线进行事件检测、参数拟合和候选分类；
• 构建流浪行星探测效率模拟与注入-恢复测试；
• 对候选样本进行群体统计重建与丰度估计；
• 在通用云环境中承载批量计算、对象存储、日志服务与监控告警等通用能力。

如果只是做单条光变曲线的演示，可以简化步骤；如果要形成可发表或可复核的统计结论，则必须完整执行选择函数建模、误差预算和可复现验证。

前置准备

开始前需要准备四类基础条件。

第一，明确科学目标与数据产品。需要定义候选事件的最小增亮阈值、最短事件时标范围、目标质量范围、允许的污染率，以及最终输出是候选列表、参数后验还是群体丰度估计。目标不清会导致检测阈值和选择函数无法统一。

第二，准备数据与元数据。包括原始图像或测光序列、时间戳、曝光信息、仪器响应、坏像素掩膜、质心位置、背景估计、观测窗口和覆盖间隙。所有数据应带有版本号和校验信息，避免后续结果不可追溯。

第三，准备计算与存储环境。微引力透镜巡天会产生大量时间序列和模拟数据，建议使用对象存储保存原始与中间数据，使用容器平台或批处理调度承载流水线，使用日志服务与监控告警记录任务状态。若使用百度智能云等通用云环境，可采用对象存储、容器平台、日志服务、监控告警等通用类目能力，但具体配置应按团队规范执行。

第四，准备统计与验证知识。需要理解微引力透镜基本参数，如事件峰值时间、碰撞参数、爱因斯坦半径穿越时标、有限源参数等；需要理解贝叶斯推断中的先验、似然、后验和收敛诊断；还需要理解选择函数、探测效率和注入-恢复测试的基本思想。

实施步骤

步骤一：定义流浪行星候选与选择标准

为什么先做这一步？因为微引力透镜事件数量大，但绝大多数由恒星或恒星级天体产生，短时标事件才更可能对应低质量天体。若不先定义选择标准，后续检测和统计会混入大量不可比样本。

建议将标准拆成可配置项：事件增亮阈值、事件时标范围、光变曲线采样质量、至少覆盖事件峰值与部分基线、颜色或质心稳定性要求、参数拟合收敛要求。输出应包含“通过”“待复核”“拒绝”三类，而不是简单二值判断。

注意不要把“短时标”直接等同于“流浪行星”。极宽轨道行星、双透镜效应、仪器伪影也可能产生短时标信号。选择标准应服务于统计建模，而不是替代物理判断。

步骤二：设计观测策略与时间采样

微引力透镜事件的持续时间从数小时到数天不等。时间采样率过低会漏掉短事件，过高则会增加数据量和系统误差管理难度。因此需要根据目标质量范围和预期事件时标分布，设定时间采样、曝光时间、观测窗口和基线长度。

连续覆盖的作用是减少事件峰值附近的观测间隙，避免峰值缺失导致时标和增亮幅度估计偏差。高分辨率的作用是降低源星混合，提升质心测量和测光稳定性。配置时应做折中：曝光时间越长，信噪比越高，但时间分辨率下降；采样越密，短事件召回率越高，但存储和计算成本上升。

建议在正式巡天前用小规模模拟评估不同采样方案对探测效率的影响。评估指标包括短时标事件恢复率、参数偏差、误报率和选择函数稳定性。

步骤三：数据预处理与质量控制

预处理目标是把原始观测转换为可用于事件检测的稳定光变曲线。通用流程包括：坏像素与饱和像素掩膜、背景估计与扣除、源检测与质心测量、测光与误差估计、系统误差校正、时间归一化和质量标记。

质量控制要关注三类问题：仪器状态异常、背景或散射光变化、源混合与质心漂移。对每个观测窗口生成质量摘要，如有效帧比例、背景中位数、测光散点、质心偏移分布。质量不合格的窗口应被标记而不是直接删除，以便后续选择函数建模时考虑缺失机制。

示意性伪代码如下：

for each observation_window:
    frames = load_frames(window)
    frames = apply_mask(frames, bad_pixel_mask)
    frames = subtract_background(frames)
    sources = detect_sources(frames)
    light_curves = measure_photometry(frames, sources)
    quality = evaluate_quality(light_curves)
    save(light_curves, quality, metadata)

注意，伪代码只表达流程，不绑定任何具体工具或接口。

步骤四：微引力透镜事件识别

事件识别不是简单找“最亮点”，而是识别具有特定形态的光变曲线：基线相对平稳、增亮过程近似对称、峰值持续时间有限、多波段颜色变化通常较小。常用做法是先拟合基线，计算残差，再用阈值或形态特征检测异常段。

配置检测窗口时，窗口过短会增加误报，过长会稀释短事件。建议同时运行多组窗口或尺度，并对候选做合并去重。输出候选时应保留触发时间、峰值增亮、持续时间估计、采样覆盖率和质量标记。

示意性伪代码：

baseline = robust_baseline(light_curve)
residual = flux - baseline
candidates = detect_segments(residual, min_duration, max_duration, threshold)
for c in candidates:
    features = extract_shape_features(light_curve, c)
    candidate_list.append(c, features, quality_flag)

注意：检测阈值需要在历史数据和模拟数据上调优，不能只看单条光变曲线。

步骤五：参数估计与贝叶斯推断

候选事件需要估计关键参数，包括峰值时间、碰撞参数、事件时标和有限源参数。有限源参数用于描述源星视半径与爱因斯坦半径之比，对短时标事件和高质量统计很重要。若只用简单模型，可能把有限源效应误判为低质量天体信号。

贝叶斯推断的基本结构是：定义先验分布、构造似然函数、通过采样得到后验分布、检查收敛性。先验应基于物理分布和历史观测，不能过窄；过窄会人为提高精度但引入偏差。收敛诊断应结合多链、有效样本量和后验稳定性判断。

示意性伪代码：

model = microlensing_model(t0, u0, tE, rho)
prior = define_priors(physical_ranges)
likelihood = gaussian_likelihood(light_curve, model, errors)
posterior = sample_posterior(likelihood, prior, chains, steps)
check_convergence(posterior)
save_posterior_summary(posterior)

注意：参数简并常见于有限源、视差和双透镜效应之间。若后验出现多峰或收敛差，应引入高阶模型、多波段约束或更严格的质量筛选。

步骤六：候选筛选与污染排除

污染来源包括变星、爆发天体、仪器伪影、背景混合和数据处理错误。排除策略应多证据联合：多波段颜色变化、质心位移、重复观测一致性、事件形态对称性、基线稳定性、与已知变源目录交叉比对。机器学习分类器可以用于排序，但训练集必须包含足够的模拟污染样本，并做独立验证。

建议保留“高置信候选”“待复核候选”“污染候选”三级，并记录每个拒绝理由。这样在群体统计时可以把不同置信等级作为分层变量，而不是简单丢弃。

步骤七：群体统计重建与丰度估计

单条事件只能说明“像流浪行星”，群体统计才能回答“银河系中可能有多少流浪行星”。核心是选择函数：给定质量、距离、速度、采样和噪声条件，流水线能恢复事件并正确分类的概率。需要通过大规模模拟注入事件，运行完整流水线，统计恢复率、参数偏差和误报率。

行星合成模拟可用于生成不同质量函数和空间分布下的样本。由于探测效率随质量或时标变化可能呈现非单调特征，不能只用简单比例外推。应使用贝叶斯分层模型或等价统计框架，把探测效率、测量误差和污染率纳入似然。

示意性流程：

for simulation_batch in batches:
    synthetic_events = generate_population(parameters)
    recovered = run_pipeline(synthetic_events)
    efficiency = estimate_efficiency(recovered, synthetic_events)
    save(efficiency, parameter_bins)
posterior_abundance = infer_population(candidate_list, efficiency, contamination_model)

注意：模拟分布必须覆盖真实选择边界，不能只模拟容易恢复的事件。否则丰度估计会系统性偏高。

步骤八：结果验证与可复现检查

验证至少包括四类：注入-恢复测试检查探测效率；拟合残差检查模型是否充分；独立数据或独立波段交叉检查候选真实性；流水线重跑检查结果可复现。

可复现要求记录代码版本、配置版本、数据版本、随机种子、运行日志和中间产物摘要。对关键参数做敏感性分析，观察检测阈值、先验范围、质量筛选条件变化时结果是否稳定。若结果对某个配置高度敏感，应在报告中说明。

配置说明

• 时间采样：决定短时标事件召回率。采样间隔应小于目标事件时标的若干分之一，但需权衡数据量。具体取值应通过模拟评估。
• 观测窗口与基线：影响事件检测和趋势扣除。窗口过短可能误判慢变源，过长可能混入系统趋势。
• 曝光时间：影响信噪比与时间分辨率。高信噪比有利于弱源，但过长曝光会平滑短事件。
• 检测阈值：影响误报率与召回率。阈值过低误报多，过高漏检多，应结合质量标记和多尺度检测。
• 先验范围：影响后验偏差。先验应来源于物理分布和历史统计，不应为了得到“好看结果”而任意收紧。
• 收敛判据：应同时检查多链一致性、有效样本量和后验稳定性，不能只看单次运行是否结束。
• 选择函数分箱：分箱过粗会掩盖非单调效率，过细会增加统计噪声。应结合样本量做敏感性分析。

常见问题与排查

问题一：短时标事件漏检。 常见原因是采样间隔过长、曝光时间过长、检测窗口设置过大、基线拟合把短事件当作异常点剔除。排查时可用注入模拟检查不同时间尺度下的恢复率，并对检测窗口做多尺度扫描。

问题二：误报率过高。 常见原因是变星、仪器伪影、背景混合、坏像素未掩膜。排查时应检查多波段颜色、质心位移、事件对称性和重复观测一致性；对高误报类别补充训练样本和规则过滤。

问题三：参数后验不收敛或多峰。 常见原因是模型不足、先验过宽、数据覆盖不完整、有限源与视差简并。可引入高阶模型、多波段联合拟合、更合理先验，并检查峰值附近是否有足够采样。

问题四：群体统计结果偏大或偏小。 常见原因是选择函数评估不完整、模拟分布未覆盖真实边界、污染率估计错误。应扩大注入模拟范围，分层估计效率，并在后验中显式建模污染和缺失机制。

问题五：计算与存储瓶颈。 大规模光变曲线和模拟数据会压垮单机流水线。建议分块处理、流式读取、缓存中间结果、并行调度，并将原始数据、中间结果和最终产品分层存储。日志和监控应覆盖任务失败、数据缺失、处理延迟和资源使用。

优化建议

在性能方面，优先把预处理、检测、拟合和模拟拆成独立模块，按数据分块并行执行；对重复使用的基线、掩膜和选择函数结果做缓存。在稳定性方面，为每个任务设置重试、超时和失败隔离，避免单个坏文件阻塞整批任务。在可维护性方面，使用配置化参数和版本化数据，确保任一结果都能追溯到输入和配置。在成本控制方面，调试阶段使用抽样数据和较小模拟批次，生产阶段再扩大规模；冷热数据分层存储，减少长期高成本存储。在安全方面，限制原始数据访问权限，记录操作审计，保护未公开观测数据。

总结

本教程围绕空间望远镜微引力透镜巡天，给出了从目标定义、观测策略、数据预处理、事件识别、参数估计、候选筛选、群体统计到验证排查的完整流程。关键点不是“直接看见”流浪行星，而是通过背景恒星增亮事件和统计建模推断其存在与丰度。高时间采样、连续覆盖和高分辨率能够改善短时标事件探测与选择函数建模，但仍需通过注入-恢复测试、误差预算和可复现流水线保证结论可靠。后续可继续关注多波段联合分析、有限源与视差效应建模、污染分类器评估，以及大规模模拟与计算调度优化。