Metody detekce exoplanet

Abstract

Cílem této práce je navrhnout a implementovat způsob analýzy dat z tranzitní metody pro detekci exoplanet. Použitá data pochází z vesmírného teleskopu TESS a jsou v podobě světelných křivek, které zachycují pozorované změny jasu hvězdy v čase. Tato práce se zaměřuje na modelování založené na datech pomocí regrese Gaussovských procesů. Modely s neperiodickými i periodickými jádry byly využity k identifikaci světelných křivek vhodných pro detrendování a následné odstranění nechtěných trendů. Dále byly použity modely s perio\-dickými jádry ke zkoumání cyklických událostí v datech. Na závěr byly aplikovány modely s neperiodickými jádry, natrénovanými na složených tranzitech, k detekci tranzitů v ostatních světelných křivkách pomocí korelace. Postupy popsané v této práci nabízí automatizovaný způsob předzpracovní dat a detekci možných tranzitů.

The aim of this work is to design and implement an approach for analysing data from the transit method for exoplanet detection. The data used comes from the TESS space telescope in the form of light curves, which record the observed brightness changes of a star over time. In this work, I focused on data-driven modelling and detection of exoplanets using Gaussian process regression. Both non-periodic and periodic kernel models were used to identify light curves suitable for detrending and to remove unwanted trends. Following this, models with periodic kernels were used to investigate the periodicity of the data. Finally, models with non-periodic kernels, trained on folded transits, were applied to detect transits in other light curves by correlation. The approaches described in this thesis provide an automated way to pre-process the data and identify possible transits.