box-least-squares

Box Least Squares (BLS) 週期圖技能是一種專門為處理光度時間序列數據的天文學家與研究人員設計的資料分析資源。它作為一個自動化引擎，用於檢測隱藏在光度曲線中的週期性信號，特別針對系外行星穿過母恆星或聯星系統相互食變時所產生的盒狀凌日特徵。透過將凌日信號建模為週期性的倒頂帽形狀，該技能允許使用者從雜訊較多的觀測數據中提取精確的軌道參數，是如 Transit Least Squares (TLS) 或 Lomb-Scargle 等其他週期圖方法的強大替代方案。

• 利用 astropy.timeseries 庫執行自動化凌日檢測，便於整合至更廣泛的天文數據處理流程中。

• 計算關鍵的凌日變量，包括軌道週期、凌日持續時間、通量下降深度以及凌日中點參考時間 (T0)。

• 支援靈活的目標函數，允許使用者在最大似然估計與信噪比 (SNR) 優化之間進行切換，以更有效地處理觀測中的相關雜訊。

• 包含進階的統計驗證方法，例如奇偶凌日深度比較，有助於區分行星凌日與食雙星誤報。

• 透過 autopower 方法提供自動化週期網格生成，確保週期搜尋既高效且計算詳盡。

• 輸入：需要時間序列光度數據，通常以時間、通量及選填的通量誤差陣列形式提供；需使用 astropy 單位以確保時間與通量縮放的一致性。

• 輸出：返回一個包含週期、功率值、持續時間與凌日時間陣列的週期圖物件，以及用於特定候選峰值的統計字典。

• 使用限制：使用者必須確保高品質的週期網格間距，以避免遺漏真實週期；過於粗糙的網格或不適當的頻率範圍可能導致別名識別或錯失信號。

• 實用建議：務必使用 compute_stats 進行驗證以分析奇偶不匹配狀況；高 SNR 值 (>7) 以及多次凌日中深度的一致性是識別可行候選目標的關鍵指標。

• 整合：最適合作為行星發現分析工作流程中的模組使用，建議於進行天文研究中標準的數據減少與清理程序後執行。