我们通过默认的STSCI JWST校准管道（“ RateInts”文件）以及通过使用用户定义的输入和“跳转检测”和“跳跃检测”的步骤来制作了使用默认的STSCI JWST校准管道（“ RateInt”文件）的阶段1 2D光谱图像进行了多次分析。

　　每个管道从包含组级产品的原始“ UNCAL” 2D图像开始。正如我们注意到默认的超级次数图像质量差，我们使用默认偏置步骤或自定义版本制作了JWST校准管道的两次定制运行。自定义的步骤通过计算所有集成中第一组的中值像素值构建了伪偏置图像，然后从所有组中减去新的偏差图像。我们注意到，默认超级次数图像的质量差会比NRS2更明显地影响NRS1，一旦获得更好的超级次数，就可以修改此方法。

　　在坡道拟合之前，我们的标准和自定义偏差步骤均可按照编辑的JWST校准管道“破坏”组级图像，以删除所谓的“ 1/f噪声”（相关的噪声是由读取图案的电子设备引起的，该图案来自subarray Images11,12中的列带似乎是列中的列带。我们的组级破坏步骤使用了一个集成中所有组的分散轴的痕迹15σ的掩码，以确保在坡道中掩盖一致的像素集。然后，计算每组中每个列中非掩盖像素的中值值，并为每组减去。

　　JWST校准管道定制运行的结果是一组自定义的群体级破坏产品和自定义偏见的组级破坏产品。在这两种情况下，JWST校准管道的坡道跳跃检测阈值均设置为15σ（与4σ的默认值相反），因为它在集成水平上产生了最一致的结果。在JWST校准管道的两个自定义运行中，所有其他步骤和输入都以默认值为单位。

　　对于所有分析，使用JWST校准管道的波长图用于生成两个检测器的波长溶液，用于针对恒星吸收线的验证。从图像标头中提取BJDTDB中的中间整合时间，用于产生光曲线。我们的数据还原管道都没有进行平板校正，因为可用的平面田地质量较差，并且出乎意料地删除了光谱轨迹的部分。通常，我们发现可以在组或集成水平上校正1/f噪声。但是，在集成水平上重复的列清洁步骤在组级别进行校正可能会导致清洁器1D恒星光谱。对于NRS2尤其如此，这是由于柱数量有限的，其中检测器上未亮的区域在光谱轨迹上方和下方延伸，如扩展数据所示。

　　在下面，我们详细介绍了用于从G395H观测值中产生恒星光谱的时间序列的每个独立数据还原管道。

　　我们在我们的自定义组级破坏产品上使用了系外行星的时间表表征-JWST提取和诊断研究者（Exotic-Jedi45）管道，分别处理每个检测器。使用JWST校准管道产生的数据质量标志，我们替换了被确定为不良，饱和，死，热，低量子效率或无增益值的任何像素，周围像素的中位数值。我们还搜索了每个像素的像素，这些像素是从周围的20个像素中位数中位数的空间异常值（6σ）（以删除受影响的“不良”像素）或该像素中位数中位数中位数的异常值或异常值的分离器，以识别诸如cosmic rays的高级短期效应和更高的范围）和更高的范围。为了获得痕量位置和FWHM，我们在集成的每一列中安装了高斯，发现中位标准偏差为0.7像素。通过痕量中心和宽度拟合了四阶多项式，这些宽度是用中位过滤器平滑的，以获得简单的孔径区域。该区域延长了频谱轨迹的FWHM的5倍，中心上方和下方的频谱轨迹对应于7像素的中间孔径宽度。为了从每个集成中删除剩余的1/F和背景噪声，我们通过掩盖了距光圈5个像素的所有像素，从而减去了每列中未刷新区域的中值。对于每种集成，使用内膜内的提取将孔径区域的每一行和列中的计数汇总，将像素的相关分数通量在光圈边缘的边缘和交叉相关以产生X像素和Y像素移位以进行脱缩（见扩展数据图2）。平均而言，X像素移位代表NRS1和NRS2的像素的1×10-4和8×10-6的运动， 分别。孔径列总和导致1D恒星光谱，并使用增益因子从数据编号转换后根据光子噪声计算出误差。此后，这种减少表示为异国情调[V1]。

　　我们从自定义的组级破坏产品和自定义偏见的群体级破坏产品的产品中，使用上述异国情调 - 杰迪管道产生了1D恒星光谱，但如上所述，但是通过重复空间异常值步骤进行了进一步的清洁。因此，使用自定义的组级破坏产品进行进一步清洁的降低被称为异国情调 - 吉迪[V2]，并且使用自定义偏见的组级破坏产物进行进一步清洁，因此表示为异国情调 - 吉迪[V3]。

　　我们使用了Tiberius管道，该管道建立在LRG-BEASTS频谱降低和分析管道15,46,47上，这是我们的定制组级破坏产品。对于每个检测器，我们通过手动识别数据中的热像素来创建坏像素掩模。然后，我们将它们与标记为高于定义背景的3σ的像素组合在一起。在识别光谱迹线之前，我们将检测器的每一列插值到网格上比初始空间分辨率要10倍。此步骤通过改善子像素水平的通量提取，尤其是在光度孔径对像素的边缘的情况下，从而降低了提取数据中的噪声。我们还使用x和y中最近的in额像素在坏像素上插值。

　　我们通过将高斯人安装在每列中，并使用一个运行的中位数来追踪光谱，该中位数是用五个数据点宽度的移动盒计算得出的，以平滑迹线的测得中心。我们将这些平滑中心拟合了四阶多项式，拆下的点，这些点被中位数偏离3σ，并用四阶多项式进行了改装。为了删除小组级破坏未捕获的任何残留背景通量，我们沿每列拟合了线性多项式，掩盖了恒星光谱。这是由一个宽度为4像素的孔定义的。我们还在光圈的两侧掩盖了一个额外的7像素，以使背景不拟合恒星PSF的翅膀，我们剪切了背景中的任何像素，这些像素与该特定列和框架的平均值超过3σ。删除每一列中的背景后，然后通过在4像素范围的光圈内求和并校正由插值引起的像素过采样到更精细的网格上，从而提取出恒星光谱，如上所述。在背景减法之前，根据光子噪声计算出恒星光谱中的不确定性。

　　我们在JWST校准管道的“ RateInts”产品上使用了转镜管道48，分别处理每个检测器。通过与高斯函数交叉相交，从中间的集成中发现了痕量位置，使用带有10像素范围范围范围的窗口的中间滤波器卸下离群值，并用样条将迹线平滑。我们通过从痕迹的中心掩盖10个像素内的所有像素，并从所有列中删除并删除中位数，从而从“ RateInts”产品中删除了1/F噪声。然后，我们使用最佳提取49获得了1D恒星光谱，在迹线上和下方具有5像素范围的光圈。这使我们能够以自动化的方式对待未在“ RateInts”产品中考虑或掩盖的坏像素和宇宙射线。为了监视观察结果中的系统趋势，我们还按照上述计算了痕量中心以及所有集成的FWHM。通过首先将每列减去其最大值的一半，在每列和每个集成下计算FWHM，并使用样条插入轮廓。然后发现该轮廓的根源估计了FWHM。

　　我们使用了尤里卡的两个定制版本！Pipeline50，将JWST校准管道的标准步骤与最佳提取方案相结合，以获得恒星光谱的时间序列。

　　第一个尤里卡！还原使用了我们定制的团体级破坏产品，并应用了尤里卡（Eureka）的第2阶段和第3阶段！阶段2是JWST校准管道的包装器，遵循默认设置，直到平坦的野外校准和光度校准步骤，两者都跳过。尤里卡的第3阶段！然后使用来执行1D恒星光谱的背景减法和提取。我们从校正NIRSPEC G395H光谱的曲率开始，通过将检测器柱移动整个像素，以将每个列中计数的分布峰带到我们子阵列的中心。为了确保此曲率校正平稳，我们计算了每个列中中位积分框架中每个段中的集成框的移位，并将运行的中位数应用于每列获得的移位。在校正后，从子阵列的顶部出现在底部的顶部，将像素移位施加到周期性边界条件下，以确保不会丢失像素。我们通过将平面线拟合并减去曲率校正数据框的每一列，通过拟合并减去扁平线，通过将所有像素从中心行拟合超过六个像素来获得。我们还以10σ的阈值以及3σ空间异常值拒绝例程进行了双重拒绝的双重迭代，以确保不良像素不会偏向我们的背景校正。选择这些异常值拒绝阈值以删除数据中的清晰异常值，并与背景减法步骤提供平衡。我们使用从中间框架（我们的子阵列的中央九行）定义的提取轮廓（在中央行的两侧四行）进行了最佳提取。我们还使用互相关测量了光谱从一个集成到另一个集成的垂直移动，并且在每种整合处的平均PSF宽度， 通过将所有列添加在一起并将高斯拟合到轮廓上以估计其宽度而获得。此后，这种减少被称为尤里卡！[V1]。

　　第二个尤里卡！还原（Eureka！[v2]）使用了JWST校准管道的“ Rate Intints”输出，并使用了Eureka的第2阶段！如上所述，使用了阶段3的修改版本。在此减少的情况下，我们使用样条校正了迹线的曲率，并使用每列的中位数找到了迹线的中心。我们通过从每一列中减去平均值来删除1/F噪声，将6像素远离痕迹的区域不包括3σ的Sigma Clipping Outliers。我们使用痕量中心两侧的4像素范围的光圈提取了1D恒星光谱。

　　肢体朝向是恒星物理结构的函数，从而导致从恒星中心到肢体的光的特定强度变化，因此肢体看起来比中心更暗。这是因为观察到恒星气氛的深度变化。在恒星的肢体上，与在恒星中心观察到的更深的大气相比，在倾斜几何形状处观察到的大气区域在较高的高度和较低的密度下，因此温度较低，在恒星的中心观察到较热，更密集的层。在较短的波长下，肢体变形的效果最为突出，与在更长的波长下观察到的平底光曲线相比，导致U形光线曲线更加明显。为了说明肢体变形对时间序列光曲线的影响，我们使用了分析近似值来计算平均强度与恒星中心强度的比率。系外行星过境光曲线最常用的肢体变形定律是二次，方形和非线性四参数法律51：

　　二次：

　　正方根：

　　非线性四参数：

　　其中i（1）是磁盘，U1，U2，S1，S2，C1，C2，C3和C4的特定强度是肢体变形系数，并且μ= COS（γ），其中γ是视线和出现强度和出现强度之间的角度。

　　肢体变形系数取决于特定的恒星大气，因此因恒星而异。为了在所有光曲线拟合中保持一致性，我们使用了3D恒星模型52用于TEFF = 5,512 K，log（g）= 4.47 cgs和Fe/H = 0.0，以及仪器吞吐量来确定I和μ。正如仪器调试表明，吞吐量高于前期预期53，从测量的异国情调jedi [v2]恒星光谱中产生了自定义吞吐量，该光谱由恒星模型和高斯平滑。

　　对于固定固定的肢体朝向系数，我们使用了使用外来LD54,55封装计算的值，这些值可以计算线性，二次和三参数和四参数非线性肢体肢体 - 朝向系数51,56。为了计算和适合Square-Root法律的系数，我们使用了以前概述的形式主义57,58。我们强调，我们在传输光谱中没有任何依赖性对我们独立减少和分析中使用的肢体变形程序的任何依赖性。

　　从提取的1D恒星光谱的时间序列中，我们通过将NRS1的通量超过2.725–3.716μm，而NRS2的3.829–5.172μm求和，我们创建了宽带传输光曲线。对于光谱光曲线，我们在这些波长范围内使用了一个共同的10像素式封装方案，以生成总计349个光谱箱（NRS1的146和NRS2的203）。我们还测试了更宽且较窄的binning方案，但发现10个像素范围的垃圾箱实现了频谱中噪声的最佳折衷，并在分析中展示了G395H的能力。在我们的分析中，我们独立处理了NRS1和NRS2光曲线，以解释两个检测器之间的系统学不同。为了构建WASP-39B的完整NIRSPEC G395H传输光谱，我们使用11个独立的光曲线拟合代码拟合了NRS1和NRS2宽带和光谱光曲线，这些代码如下所述。当需要启动值时，所有分析都使用相同的系统参数37。在我们的许多分析中，我们使用时间依赖性的去相关参数来减少原始的宽带和光谱光曲线，以使光谱迹线的FWHM变化或X像素和Y像素位置的变化（扩展数据图2）。我们还使用了各种方法来说明镜像事件，我们发现在更长的波长下，镜像效果较小（扩展数据图3）。

　　使用拟合管道1，我们测量了T0 = 2,459,791.612039±0.000017 BJDTDB和T0 = 2,459,791.6120689±0.000021 BJDTDB bjdtdb bjdtdb计算的NRS1和NRS12宽带;大多数拟合管道在引用不确定性的1σ之内获得的T0获得。

　　For each of our analyses, we computed the expected photon noise from the raw counts taking into account the instrument read noise (16.18 e− on NRS1 and 17.75 e− on NRS2), gain (1.42 for NRS1 and 1.62 for NRS2) and the background counts (which are found to be negligible after cleaning) and compared it to the final signal-to-noise ratio in our light curves (see Fig. 1).我们还通过计算Allan偏差59来确定光谱光曲线中的白噪声水平，该曲线用于测量与预期光子噪声的偏差，通过将数据固定到较小的较小的垃圾箱中（即每个箱中的数据点较少）并计算信号 - 噪声比率达到的信号比率达到了60。扩展数据图4显示了在数据上进行的11个减少中的三个降低的allan偏差（请参见Exotic-ismotim noings_calculator函数54）。

　　尽管每个数据分析之间都达成一般共识，但通过比较每个拟合管道的结果，我们可以更好地评估不同方法对数据减少的影响，例如去除不良像素。对于将来的研究，我们建议应用几种使用不同分析方法的管道，例如处理肢体变形，系统效应和降噪方法。考虑到不同的策略，目标和可能发生的偶然性事件的潜力，例如每次观察结果，都无法完全评估每种效果的测量影响。特别是，应注意小组与集成水平的1/f噪声去除噪声，以比本研究少的观测值。

　　下面，我们详细介绍了11个拟合管道中的每一个，并在扩展数据表1中汇总它们。

　　我们使用最小二乘优化器，scipy.ptimize lm（参考文献61），拟合了由外来jedi [v3]恒星光谱产生的宽带和光谱光曲线。我们同时将蝙蝠侠运输模型62与恒定的基线和系统模型一起拟合，用于数据前倾斜和倾斜后事件，固定了运输时间T0的中心，半轴轴与恒星半径a/r的比率以及倾斜度I与宽带i与宽带光抗曲线最佳拟合值的比率。系统模型包括X和Y上的线性回归，X和Y分别是分散和交叉分散方向中测得的痕量位置。我们通过将中位前通量中位数通量预缩到前倾斜的光曲线并通过中位传输后通量后倾斜后标准化光曲线来解释倾斜事件。在倾斜事件中，我们丢弃了前15个集成和三个集成。由于直接在痕迹上的离群像素，将14像素列被丢弃。我们将肢体变形系数固定在四参数非线性定律上。

　　We used the broadband light curves generated from the Tiberius stellar spectra and fitted for the ratio of the planet to stellar radii Rp/R, as well as i, T0, a/R, the quadratic law limb-darkening coefficient u1 and the systematics model parameters, the x-pixel and y-pixel shifts, FWHM and sky background, with the period P, the eccentricity e and u2 fixed.我们为所有拟合参数使用了统一的先验。我们的分析过境光曲线模型是由蝙蝠侠生成的。我们使用George65实施的高斯工艺（GP）63,64和Markov Chain Carlo Monte Carlo方法，使用高斯工艺（GP）63,64拟合了宽带光曲线，该模型通过司令66实现。对于我们的Tiberius光谱光曲线，我们将A/R，I和T0保持在宽带光曲线拟合确定的值上，并应用了从宽带光曲线拟合的系统校正，以帮助拟合镜像倾斜事件。我们使用GP和指数平方内核拟合了光谱光曲线，以减少上面详细介绍的相同系统。我们在所有其他拟合参数中使用了A/R和均匀先验的高斯先验。

　　我们使用了来自异国情调[V1]恒星光谱的过境光曲线，并使用最小二乘最小化器LMFIT67拟合宽带和光谱光曲线。我们将每个光曲线拟合了两个组件函数，该功能由运输模型（使用蝙蝠侠生成）乘以系统模型。我们的系统模型包括检测器上的X像素和Y像素位置（X，Y，XY，X2和Y2）。为了在系统模型中捕获倾斜事件的幅度，我们对横向前倾斜前和倾斜后进行了分段线性回归。我们首先通过固定P和E固定宽带光曲线，并使用宽均匀先验的T0，A/R，I，I，RP/R，恒星基线通量和系统趋势。对于光谱光曲线，我们将T0，A/R和I固定在宽带光曲线中的最佳拟合值，并适合RP/R。我们固定了固定的非线性肢体变形系数。

　　我们符合由转镜恒星光谱产生的宽带和光谱光曲线，该光谱与juliet68与TyneSty 69的动态嵌套采样和使用Batman计算的分析交易模型并行运行的朱丽叶68。我们分别符合NRS1和NRS2的宽带光曲线，固定P，E和ω，并为冲击参数B以及T0，A/R，RP/R，Extra Sovitter和平均过渡外通量拟合。我们还安装了两个线性回归器，一个简单的斜率和一个“跳跃”（在倾斜事件前使用零的回归器和倾斜事件后的回归器），以适合数据。我们使用Kipping采样方案拟合了Square-Root-Law肢体变形系数。我们将光谱光曲线拟合在仪器的天然分辨率上，固定T0，A/R和B。我们为光谱光曲线使用了宽带光曲线系统模型，每个波长bin具有宽均匀的先验，并为方形 - 根法律肢体末端变形系数设置了截断的正常先验。我们还为在每个波长的误差线上添加了一个抖动术语，在10到1,000 ppm之间的log-subrenge是在误差线上。我们通过首先计算Atlas Models70的非线性系数并通过垃圾邮件算法71来计算肢体变形系数的平均值。在拟合天然分辨率光曲线后，我们将数据纳入了10像素波长箱中。

　　我们安装了尤里卡（Eureka）的过境光曲线！[V1]使用Exotep Analysis框架72,73,74,75。Exotep使用蝙蝠侠来生成分析光曲线模型，添加了一个分析仪器系统模型以及光度散点参数，并使用主持人使用了最佳拟合参数及其不确定性。在拟合之前，我们使用磁通量，X像素和Y像素移位的窗口长度20的中位数以及从Eureka的“ ydriftWidth”数据产品运行10次剪辑的迭代，清洁了光曲线！阶段3（每次集成处的平均空间PSF宽度）。我们的系统模型由时代的线性趋势组成，倾斜事件发生后“跳跃”（不断偏移）。“ ydriftWidth”在适合之前已使用以定位倾斜事件。我们使用“ ydriftWidth”的中间运行来搜索最大的偏移量，并在倾斜事件发生后标记每个数据点，以便他们在我们的Systematics模型中获得恒定的“跳跃”偏移。我们还删除了适合倾斜事件的第一点，因为它没有被“跳跃”模型捕获。我们拟合了宽带光曲线，适合RP/R，光度散射，T0，B，A/R，二次肢体 - 朝向系数和Systematics模型参数（归一化恒定，时间和常数“跳跃”偏移）。我们在所有参数上都使用了非信息性平坦先验。轨道参数固定在随后的光谱曲线曲线的最佳拟合宽带光曲线值中。

　　我们使用自定义的LMFIT光曲线拟合代码拟合了来自异国情调[V1]恒星光谱的Transit Light曲线。最终的系统脱还是模型包括一个蝙蝠侠分析过境模型乘以系统性恒星基线项组成的系统模型，X像素和Y-Pixel Shifts的线性术语以及指数坡道函数。倾斜事件是通过使用（1+常数×y偏移）项将光曲线与Y像素移位的光曲线解相关的，并在每个光曲线中拟合的常数。对于宽带光曲线曲线，我们固定P并适合T0，I，RP/R，A/R，X像素和Y像素移位以及指数斜度振幅和时间表。我们固定了非线性肢体变形系数。对于光谱曲线曲线拟合，我们将T0，I和A/R的值以及指数的坡道时间尺度固定为宽带光曲线拟合值，并适合RP/R，X-Pipixel和Y-Pixel Shifts和Y-Pixel Shifts和Ramp幅度。宽带和光谱光曲线拟合中的所有拟合参数都使用了宽大的先验。

　　We fitted transit light curves from the Eureka! [V2] stellar spectra, using PyLightcurve (ref. 75) to generate the transit model with emcee as the sampler. We calculated the nonlinear four-parameter limb-darkening coefficients using ExoTHETyS (ref. 76), which relies on PHOENIX 2012–2013 stellar models77,78, and fixed these in our fits to the precomputed theoretical values. Our full transit + systematics model included a transit model multiplied by a second-order polynomial in the time domain. We accounted for the tilt event by subtracting the mean of the last 30 integrations of the pre-transit data from the mean of the first 30 integrations of the post-transit data, to account for the jump in flux, shifting the post-transit light curve upwards by the jump value. We fitted for the systematics (the parameters of the second-order polynomial), Rp/R and T0. We used uniform priors for all the fitted parameters. We adopted the root mean square of the out-of-transit data as the error bars for the light-curve data points to account for the scatter in the data.

　　我们使用了从异国情调[V1]恒星光谱产生的过境光曲线。我们将宽带光曲线与蝙蝠侠运输模型乘以二阶系统模型乘以X像素和Y像素移位的函数。我们固定了每个波长bin的两个二次肢体变形系数。我们使用宽阔的不知情先验安装了RP/R，I，T0和A/R，并使用主持人进行了拟合。对于光谱曲线曲线，我们将i和a/r固定在宽带光曲线最佳拟合值上，并适合在正交中添加的额外错误术语。

　　我们使用了来自异国情调[V1]恒星光谱的过境光曲线。我们固定了两个二次肢体 - 变形系数，并用蝙蝠侠交通模型拟合了光曲线，乘以X像素和Y像素移位的二阶功能的系统模型。我们为光谱曲线曲线固定了T0，A/R和I的最佳拟合宽带光曲线值，并适合RP/R适用于每个10像素箱的臂配合使用，并使用司令，步行者在Levenberg-Marquardt minimization的最佳拟合解决方案周围以最佳拟合溶液的最初初始化。对于宽带和光谱光曲线，我们还适合每点误差项。

　　我们拟合了来自异国情调[V2]恒星光谱的过境光曲线，并使用JAX实现的自动分化（参考文献79）进行了模型拟合。我们使用了带有时间依赖的Matérn（ν= 3/2）内核和可变的白色噪声抖动项的GP系统模型。平均函数由时间上的线性趋势和一个sigmoid函数组成，以说明由于镜倾斜事件而导致的频道中磁通的下降。对于运输模型，我们使用了以前开发的Light-Curve Models81,82。对于GP Systematics组件，对celerite Package83使用的算法的概括是针对JAX的。我们固定了两个二次肢体变形系数。对于最初的宽带光曲线拟合，同时拟合了NRS1和NRS2。除RP/R外，所有的Transit参数均在两条光曲线上共享，RP/R可以独立地在NRS1和NRS2上变化。我们适合T0，即运输持续时间B和两个RP/R值。对于光谱曲线曲线拟合，然后将所有传输参数固定在宽带拟合中确定的最大样本值值，除了RP/R，允许每个波长箱有所不同。假定包括RP/R在内的过境模型参数的不确定性是高斯，并使用Fisher Information矩阵估算了最大样品溶液的位置，该矩阵是使用JAX自动分化框架精确地计算出来的。

　　我们使用了尤里卡的过境光曲线！[v2]带有开源的尤里卡（Eureka）的时间序列恒星光谱！使用马尔可夫链蒙特卡洛方法拟合数据（由司令实施）来估算最佳拟合过境参数及其不确定性。时间性时间的线性趋势被用作系统模型，并使用步骤功能来说明倾斜事件。我们将A/R，I，T0和TILT事件的时间固定在NRS1宽带光曲线的最佳拟合值中，在倾斜事件中，三个集成从光曲线夹住。我们为rp/r安装了二次肢体朝向系数，线性时间趋势和倾斜事件的阶跃幅度，均匀的先验均具有统一的先验，既适合台阶和肢体变形系数。

　　根据上述独立的光曲线拟合，我们使用多种分析和拟合方法从NIRSPEC G395H观察结果产生了11个传输光谱。扩展数据表1显示了每个拟合管道中使用的不同步骤的分解。在这项工作中，使用了三种不同的2D光谱图像产物，产生了七个不同的1D恒星光谱。然后，使用五种不同的肢体朝向方法进行了11种不同的贴合管道。这些拟合管道中的每一个都会对观测值和11个比较透射光谱进行独立的分析。扩展数据图5详细介绍了所有11个分析的比较信息，以量化其相似性和差异。

　　我们计算了每个波长箱中11个光谱的标准偏差，并将其与该箱中获得的平均不确定性进行了比较。每个拟合管道中每个垃圾箱的平均标准偏差为199 ppm，而平均不确定性为221 ppm（bin的平均不确定性为131至625 ppm）。所有管道中每个垃圾箱的计算标准偏差范围为85至1,040 ppm，标准偏差低于500 ppm的垃圾箱中的98％以上。我们看到在更长的波长下的散射增加，散射的结构与测得的恒星通量紧密遵循，超过3.8μm的吞吐量与恒星通量减少结合在一起。所有11个传输光谱的未加权平均不确定性遵循与标准偏差相似的结构，而不确定性在更长的波长下增加。每个拟合管道的不确定性相互一致，彼此之间的不确定性通常被高估了，与所有降低的平均不确定性相比。

　　从所有11个传输光谱中，我们使用从1/方差加权的所有bin加权的所有减少量（1/σ2）中使用的Transit深度值计算了加权平均传输光谱（1/σ2，其中σ是每个还原的数据点的不确定性）。对于此加权平均传输频谱，每个垃圾箱中不确定性的未加权平均值用于表示每个点上的误差线。通过使用所有11个独立获得的透射光谱的加权平均值，我们不会在我们对大气的解释中施加无限的重量。尽管加权平均值可能对任何一个频谱都敏感，但我们发现与平均值相比，我们的不确定性通常被高估了。同样，我们选择使用透射光谱不确定性的平均值而不是中位数，因为这会导致对每个垃圾箱中不确定性的更为保守的估计。我们发现，所有11个传输光谱都在加权平均传输光谱的2.95σ之内，而无需施加偏移。

　　我们通过减去加权平均光谱并除以每个垃圾箱中的不确定性，计算了每个拟合管道的归一化传输频谱残差。我们生成了归一化传输频谱残差的直方图，并使用残差的平均值和标准偏差来计算归一化概率密度函数（PDF）。我们对每个归一化残差进行了kolmogorov – Smirnov测试，发现它们都围绕平均值近似对称，并具有正常的分布。这证实了它们的形状是高斯的，其无效假设是，在大多数情况下，它们并不是高斯强烈拒绝的（见扩展数据图5）。

　　残留物的PDF根据其均值及其传播的偏差表示了三个不同的计算光谱簇。第一个群集被负小于200 ppm的否定，并且对应于使用提取的恒星光谱的拟合管道，并接受了进一步的清洁步骤（例如，外来jedi [v3]）。第二个簇从平均值阳性偏移约为120 ppm，并包含产生的大多数传输光谱。我们认为，该小组没有明显的趋势来进行任何特定的减少或拟合过程。最终群集以平均值为中心，但具有较大的分布，表明在平均传输频谱上方和之下都有较大的散射。这可能是NRS1和NRS2之间未清洁的异常值或边际偏移的结果。这些传输光谱表明，11个独立的拟合管道能够准确地重现相同的传输光谱特征结构，从而进一步强调了系统学对时间序列光曲线的最小影响。我们怀疑由不同的还原产物和拟合管道引起的微小差异与1/F噪声的超级次数和处理有关。我们预计，新的超级次数图像将改善这些影响，预计将由STSCI发布，并且对1/F噪声在小组级别上的影响更详细地调查。

　　为了鉴定光谱吸收特征，我们将WASP-39B的加权平均传输光谱与来自三个独立模型网格的几种1D RCTE大气模型进行了比较。每个正向模型均在一组常见的物理参数上计算（例如，金属性，C/O比，内部温度和热量重新分布），在扩展数据表2中显示。此外，每个模型网格都包含不同的处方，以治疗某些物理效应（例如，散射气溶胶）。尽管每个网格都包含来自不同线列表的不同不透明度来源（请参见扩展数据表2），但它们每个都考虑所有主要分子和原子种类84。将每个模型的传输频谱汇总到与观测值相同的分辨率，以计算每个数据点χ2，并以非波长非依赖性的传输深度偏移为自由参数。通常，远期模型网格符合数据的主要特征，但由于向前模型网格间距13的有限性质以及这些参数的不敏感性对3-5μm的3-5-μm传输谱（例如，> 100 k的识别率均在> 100 k中，> 100 k的温度差异，因此无法对许多大气参数施加统计学意义的约束。

　　我们使用了ATMO RCTE GRID85,86,87,88，其中包括不同日间 - 夜间能量再分配因子，大气金属性，C/O比，雾率，雾霾因子和灰色云因子的模型传输光谱，并具有一系列线路列表和压力范围的源源88。总共有5,160个型号。在此网格中，我们发现最佳拟合模型具有3倍太阳金属性，C/O比为0.35，灰色云的不透明度是350 nm处H2瑞利散射的强度的5倍，而N = 1.098的强度为N = 344个数据点，仅适用于y的绝对效果。

　　我们使用Phoenix大气模型计算了传输光谱的网格89,90,91，从而改变了行星的热量重新分布，大气金属性，C/O比，内部温度，气溶胶的存在和大气化学（平衡或Rainout）。所使用的不良度包括BT2 H2O系列List92，以及Hitran的129个其他主分子吸收室93和kurucz和bell Data for Atomic物种94。与其他主要使用hitemp和exomol列表相比，此版本的凤凰城中可用的Hitran线列表通常仅在室温下完成，这可能是CO2光谱功能明显变化的原因。这种转移是凤凰和其他模型网格之间χ2差异的原因。总共有1,116个型号。在该网格中，最佳拟合模型具有10倍太阳金属性，C/O比为0.3，内部温度为400 K，Rainout Chemistry和0.3 MBAR的云甲板顶部。对于n = 344个数据点，最佳拟合模型具有χ2/n = 1.203。

　　我们使用了开源辐射 - 感染平衡模型Picaso 3.0（参考文献95,96），该模型在基于Fortran的EGP模式97,98中具有其遗产，以计算WASP-39B的1D压力 - 温度模型的网格。Picaso 3.0中包含的不透明度源在扩展数据表2中列出，其中包括的29个分子不透明度来源，所使用的著名分子的行列表为：H2O（参考99），CO2（参考文献100），CH4（CH4），CH4（REF。101）和CO（REF。102）。模型网格中的参数包括行星的内部温度（TINT），大气金属性，C/O比和日际与夜间的热量再分布因子（请参阅扩展数据表2），具有相关性-K粘液率98,103。总共有192个无云模型。我们通过两种方式包括云的效果。首先，我们使用云模型Virga95,104进行了后处理，该曲线是从先前开发的方法论38中进行的，其中我们包括三个可凝结物种（MNS，NA2S和MGSIO3）。Virga需要垂直混合参数，KZZ（CM2 S -1），并且需要垂直恒定的沉积效率参数。通常，FSED控制云不透明度的垂直范围，其值低（FSED< 1) creating large, vertically extended cloud decks with small particle sizes. In total, there were 3,840 cloudy models. The best fit from our grid with Virga-computed clouds has 3 times solar metallicity, solar C/O (0.458) and fsed = 0.6, which results in a χ2/N = 1.084.

　　As well as the grid fit, we also use the PICASO framework to quantify the feature-detection significance. In this method, we are able to incorporate clouds on the fly using the fitting routine PyMultiNest105. We fit for each of the grid parameters using a nearest-neighbour technique and a radius scaling to account for the unknown reference pressure, giving five parameters in total. When fitting for clouds, we either fit for Kzz and fsed in the Virga framework (seven parameters in total) or we fit for the cloud-top pressure corresponding to a grey cloud deck with infinite opacity (six parameters in total). These results are described in the following section.

　　From the chemical equilibrium results of the single best-fit models, the molecules that could potentially contribute to the spectrum based on their abundances and 3–5-μm opacity sources are H2 and He (via continuum) and CO, H2O, H2S, CO2 and CH4. More minor sources of opacity with VMR abundances <1 ppm are molecules such as OCS and NH3. For example, removing H2S, NH3 and OCS from the single best-fit PICASO 3.0 model increases the chi-square value by less than 0.002. Therefore, we focus on computing the statistical significance of only H2O, SO2, CO2, CH4 and CO.

　　To quantify the statistical significance, we performed two different tests. First, we used a Gaussian residual fitting analysis, as used in other JTEC ERS analyses23,29,31. In this method, we subtracted the best-fit model without a specific opacity source from the weighted-average spectrum of WASP-39b, isolating the supposed spectral feature. We then fit a three-parameter or four-parameter Gaussian curve to the residual data using a nested sampling algorithm to calculate the Bayesian evidence106. For H2O and CO, the extra transit depth offset parameter for the Gaussian fit was necessary to account for local mismatch of the fit to the continuum, whereas only a mean, standard deviation and scale parameter were required for a residual fit to the other molecules. We then compared this to the Bayesian evidence of a flat line to find the Bayes factor between a model that fits the spectral feature versus a model that excludes the spectral feature. These fits are shown in Extended Data Fig. 6.

　　Although the Gaussian residual fitting method is useful for quantifying the presence of potentially unknown spectral features, it cannot robustly determine the source of any given opacity. We therefore used the Bayesian fitting routine from PyMultiNest in the PICASO 3.0 framework to refit the grid parameters, while excluding the opacity contribution from the species in question. Then, we compared the significance of the molecule through a Bayes factor analysis107. Those values are shown in Extended Data Table 3.

　　We find significant evidence (>3σ) for H2O, CO2 and SO2. In general, the two methods only agree well for molecules whose contribution has a Gaussian shape (that is, SO2 and CO2). For example, for CO2, we find decisive 28.5σ and 26.9σ detections for the Bayes factor and Gaussian analysis, respectively. Similarly, for H2O, we find 21.5σ and 16.5σ detections, respectively. The evidence for SO2 is less substantial, but both methods give significant detections of 4.8σ and 3.5σ, respectively. Although the Gaussian fitting method found a broad 1-μm-wide residual in the region of CO (that is, >4.5μm），其形状与Prism Data31所见的形状不同。CO仍未通过贝叶斯拟合分析来发现，因此我们无法牢固地证实CO的证据。同样，没有发现CH4的证据23。CH4吸收区域中的高斯残留拟合仅发现一个非常宽的逆高斯，因此不包括扩展数据表3。

　　我们在Pymultinest Fitting框架中使用Picaso Best-Fit模型进行了注射测试，以确定与观测值相匹配的SO2的丰度。我们使用Exomol Line List108添加SO2不透明度，而无需将RCTE模型重新阐明以自感来计算新的气候配置文件。在没有SO2的情况下，动态拟合云甲板的单个最佳估计值是太阳金属性的10倍，亚壁C/O（0.229），导致χ2/n = 1.11的略有差。使用SO2，单个最佳拟合量降至太阳金属性，太阳能C/O。这表明云处理和频谱活性分子的排除对批量大气参数的产生物理解释有影响。最终，如果我们在Virga Cloud处理中适合SO2，那么我们获得了3倍太阳金属性，太阳能C/O，log SO2 = -5.6±0.1（SO2 = 2.5±0.65 ppm）和χ2/N = 1.02，这是我们的单个最佳贴图模型（如图4所示）。在上下文中，太阳能的3-10倍的大气金属性将提供72-240 ppm H2S的热化学平衡丰度，这是光化学生产的SO2的推测来源（参考文献36）。

　　为了确认SO2吸收以解释4.1-μm光谱特征的合理性，我们还使用最佳拟合凤凰模型（10倍的太阳金属性，C/O = 0.3）的结构计算出规定的，垂直均匀的SO2 VMR，为0、1、1、5和10 ppm。我们使用Exomol SO2线List108的GCMCRT辐射传输代码109计算了临时光谱（参见图7的扩展数据）。相对于SO2丰度和执行Levenberg-Marquardt回归的模型线性插值的最佳拟合值为4.6±0.67 ppm。将这种丰富的SO2插入最佳拟合凤凰模型中，将χ2/N从1.2提高到1.08。

　　未来的大气检索可以为SO2丰度提供更统计学的稳定测量，并从棱镜传输谱中看到的类似吸收中添加额外的信息29,31。

　　任何模型网格都不适合以4.56μm为中心的0.08μm宽颠簸。在WASP-39B的其他观察结果中，该功能是由G395H的分辨率提取的。遵循与上述相同的高斯残留拟合程序，我们发现特征意义为3.3σ（参见扩展数据图6）。为了确定WASP-39B大气中可能的不透明度来源可能是这种吸收的原因，我们将特征与CH4（参考文献110），C2H2（Ref。111），C2H4（Ref。112），C2H6，C2H6（Ref。113）（Ref。113），Co（Ref。114），CO2（Ref。100），CO2（Ref。100），Ref。113（Ref。（Ref。116），HCL（参考113），H2S（参考117），HF（参考文献118），H3+（参考文献119），LICL（Ref。115），NH3（Ref。120），No（Ref。114），NO（Ref 114），NO2（Ref。113），N2O（Ref。114），Ref。114），Ref。122（Ref。（Ref。113），PH3（参考123），PN（参考文献124），PO（Ref。125），SH（参考文献126），SIS（参考文献127），SIH4（参考128），SIO（参考文献129），So的X – X状态，So的X – X状态（参考文献130），SO2（Ref。108），Ref。108），CO2（CO2），以及IS 3（COOT。108）和IS 3（IS COOTOTOT，IS，HOL）和HYCO，但没有找到令人信服的候选人，该候选人以正确的波长或正确的宽度显示不透明度。该功能的狭窄表明它可能是一个非常不同的Q分支，其中基态的旋转量子数与激发态下的旋转量子数相同。但是，在我们探索的分子中，没有在此波长下具有独特的Q分支的候选者，其p分支和R分支并没有阻碍相邻的二氧化碳和连续性的CO+H2O不透明度。

　　我们还注意到，其中许多物种缺乏高温线列表数据，因此很难确定排除此类物种。例如，Hitran2020（参考文献113）可用OCS和CS2，但在Exomol131中不可用。此外，如果光化学对于WASP-39B很重要，如SO2的存在所示，那么可能有许多不平衡物种可能有助于过境频谱，其中一些物种目前没有高温不透明度数据（例如OCS，NH2或HSO）。对该行星和其他行星的这一波长区域的未来观察可能会证实或反驳该未知吸收剂的存在。