As part of this article’s Reproducible Research Compendium, located on Zenodo at https://doi.org/10.5281/zenodo.7101283, we provide saved outputs from various pipeline stages and the data used to generate relevant figures, as well as a Jupyter Notebook with step-by-step data reduction instructions replicating our chosen analysis（https://doi.org/10.5281/Zenodo.7510106）。

　　为了确认WASP-39是一个相对不活跃的恒星，并且JWST观察结果并未受到恒星活性的不利影响，我们对基于地面的NGTS11进行了光度监测。监视始于2022年4月底，一直持续到8月下旬，跨越了JWST ERS ​​Transit在7月的WASP-39B观察结果。我们在大多数光度夜晚都使用一台相机拍摄一系列10秒的图像，平均持续2小时。在扩展数据中绘制了所得的监视光曲线图1（顶部），显示每个晚上一个binned点。还包括WASP-3912的TESS Sector 51预搜索数据调节的简单光圈光度法（PDCSAP）光曲线，该光曲线被归为2小时，可与NGT相当。两条光曲线都违反了天空亮度​​。它们显示出出色活性的证据，但在NGT中仅幅度低0.06％。

　　图1（底部）也绘制在扩展数据中，这是WASP-39B的单个传输观测值，带有NGT和TESS（其时间在监视光曲线上指示）。对于四个NGTS Transit，我们使用了多台摄像机。这显着改善了光度精度51，否则它受大气闪烁52的限制。运输模型是从扩展数据表1中列出的系统参数生成的。我们仅拟合过境时间和苔丝传输的相互深度，这比预期的略浅。

　　扩展数据中的过境观测值图1没有显示出星形横断事件的证据，这是在过境光曲线中可见的。在多个高精度转移中没有此类事件提供了其他证据，表明WASP-39是一颗安静的恒星，JWST ERS ​​Transit观察结果不太可能受到恒星变异性的不利影响。

　　JWST观察到WASP-39B在8.2小时内的2.8-H传输，在运输前后提供了基线，以准确测量过境深度。二分束分离器允许Nircam同时观察SW和LW通道中的目标53,54。LW通道使用Grism R+F322W2滤波器观察2.420–4.025 µm波长范围为4 µm时R≈1,600的光谱分辨率（扩展数据图1，顶部）。SW成像通道使用WLP8弱透镜和F210M滤光片（2.0–2.2 µm）产生扩展数据中显示的六边形模式图2（底部）。散布光可防止饱和度，从而在不完美的平面场上降低了变异性，并允许监视镜面对齐。SW和LW通道均使用Subrism256子阵列模式，带有四个输出放大器和Shallow4读取模式来最大程度地减少数据量。每次集成12组（总计82.17 s），我们获得了366个集成，以进行此次传输观察。

　　我们使用多种管道和拟合工具进行了独立的数据分析，以确保我们使用不同的还原管道获得了相同的传输频谱。我们还在给定数据减少管道中改变了拟合方法。

　　下面介绍的许多降低都使用了中间数据产品从JWST Science Calibration Pipeline（JWST; https：//jwst-pipeline.readthedocs.io/）进行了次要编辑，我们在此处简要汇总。JWST是一个Python软件套件，用于处理所有JWST仪器和观察模式的数据，并分为三个阶段。第1阶段接收核心文件并执行探测器级别的校正和坡道拟合单个暴露（即，坡道到斜坡的转换；这些坡道是在暴露期间的磁通量增加，不要在整个运输过程中与基线坡道混淆）。第2阶段从阶段1捕获斜率图像（坡道），并执行世界坐标系的分配，平坦的野外现场和波长解决方案的分配。第3阶段从第2阶段进行校准的二维图像，并提取一维光谱的时间序列。默认管道设置包括第2阶段的通量校准步骤。在下面显示的所有数据降低中，我们跳过了该步骤，因为它在提取的光谱时间序列中引入了散点。这是合理的，因为我们计算的过境深度是相对的，而不是绝对的通量测量值。

　　下面我们分别描述了应用于SW光度法和LW光谱法的独立数据减少。在每种情况下，我们都会注意到数据减少与标准JWST管道偏离的位置。

　　我们使用开源Eureka进行了两次独立的SW数据减少！和T恤管道。

　　尤里卡！是一种开源管道，旨在对JWST系外行星时间序列观测进行光谱提取和拟合55。尤里卡！SW数据减少使用了第1阶段和第2阶段的默认JWST设置，除了将跳跃检测过程中的排斥阈值增加到10σ，这提高了所得的光曲线的质量。

　　在第3阶段中，我们首先掩盖了所有像素，其中JWST管道凸起了“ do_not_use”数据质量标志。然后，我们使用7σ阈值对每个单个像素的时间轴进行了异常拒绝，并将此过程重复两次。接下来，我们通过在没有包含恒星的像素计算的每个行中减去四个放大器区域中的每个放大器区域中的1/F噪声。我们使用立方函数在标记的像素上插值。最后，我们确定了图像中心并在目标上执行了光圈光度法。我们探索了不同的目标孔径和背景环，并选择了将根平方变化最小化的组合，从而导致目标孔径半径为65个像素，而背景环则从70像素到90像素相对于中心。

　　T恤是一种开源管道（https://tshirt.readthedocs.io/en/latest/），具有修改JWST管道的工具，并执行光度和最佳光谱的光谱提取。

　　在第1阶段的SW分析中，T恤应用了使用背景像素来减少1/F噪声的逐行，奇数/偶数/偶数放大器（Roeba）的减法算法。在此过程中，背景像素用于以类似的方式纠正每个组与参考像素校正（https://jwst-pipeline.readthedocs.io/en/latest/jwst/jwst/refpix/index.html）。Roeba校正发生在偏置减法步骤之后。首先，从所有列中减去所有列的背景速率的中位数，从所有奇数列的背景速率中值从所有奇数列中减去中位数，以删除大多数Pre-Amp REST RESET RESET偏移和奇数/甚至像素效应。接下来，从每一行减去每一列背景速率的中位数，以删除时间尺度的1/f噪声比一行读取时间更长（5.24 ms）。对每组进行了校正，因此不会通过管道检测到1/F噪声作为虚假的跳跃或宇宙射线。我们使用了从源的所有像素以上超过201个像素来估计背景和1/F噪声，然后从该行中的所有像素中减去每行的中值。跳过了JWST的第2阶段，因为它仅将速率从每秒钟的类似物到数字单位（ADU）更改为实体单位，并进行平坦的野外现场。这不会影响光曲线的相对测量值（由于高点的精度），并且可以与检测器级别的效应进行比较。

　　对于光度提取，我们使用了79像素的源半径和79像素到100像素的背景环。我们进行了二维高斯拟合，以确定光圈的中心。

　　我们使用Eureka！，大气传输光谱分析代码（Hansolo）和T恤管道进行了三个独立的LW数据减少。

　　我们分析时校准参考数据系统中的参考文件包括波长作为X坐标（分散方向）的线性解决方案，但这在蓝色端并不严格准确。对于所有方法，我们使用调试计划1076来得出三级多项式波长解决方案，该解决方案在行星星云IRAS 05248-7007中使用PFUND和支架氢系列。该溶液中的残差为0.1 nm，WASP-39中的恒星吸收系与1 nm以内的溶液一致。校正的波长和原始波长溶液之间的差异在频谱的红色端几乎为零，但在蓝色端处增加到约50 nm。

　　我们调查了尤里卡的几种变体！LW数据降低以最大程度地减少最终提取光曲线的中值绝对偏差（MAD），并具有不同的宇宙射线跳跃检测设置，识别光谱迹线，光谱提取的光圈大小，背景减法区域以及用于异常排斥的限制。在这里，我们介绍了产生纸张主体中显示的频谱的数据还原的详细信息。

　　第1阶段和第2阶段与JWST管道相同，除了增加跳跃检测期间的排斥阈值至6σ。在第3阶段中，我们首先将数据缩小到从跨分散方向延伸从4-64延伸的子阵列，在光谱方向上延伸4-1,704。然后，我们掩盖了磁通量或误差的数字（NAN）值的所有像素。我们使用高斯轮廓拟合光谱轨迹，并校正迹线的曲率到最近的整数像素。我们从背景计算的光谱轨迹的两侧排除了一个14像素范围的区域，并进行了列线性拟合以减去背景。我们使用双介质7σ阈值在背景减法期间沿时间轴沿空中背景排列。此外，我们在多项式拟合期间使用了7σ阈值来进行异常排斥。为了获得频谱，我们使用所有数据框的中值构建了一个归一化的空间轮廓，然后在半径为9像素的光圈上使用了最佳提取56。对于最佳提取，我们拒绝了10σ阈值以上的离群值。扩展数据图3显示了经过曲率校正的，背景缩减的中间框架，其背景和光圈区域。

　　Hansolo管道最初是为了分析用8-m级望远镜观察到的地面传输光谱57,58，并进行了调整以使其在NIRCAM数据上使用。Hansolo从校准的Rateints开始。适合JWST阶段1的输出。

　　我们使用lacosmic算法59从二维图像中删除宇宙射线效应，并使用拟合每列的莫法特函数鉴定了光谱迹线。为了卸下天空，我们从每一列中拟合并减去线性趋势，从拟合中心两侧的20个像素的区域中不包括。然后，我们通过将半宽为3像素的孔径求和来提取光谱。使用互相关将来自不同图像的光谱彼此对齐。为了纠正离群像素，将每个频谱归一化以说明过境对时间序列的影响。从平均值>3σ之外的离群值>3σ远距离从归一化光谱中每个波长点的时间序列中删除，并随时间替换为中位数。然后，我们将光谱重新缩小到了它们的原始幅度。

　　与SW减少一样，对第1阶段JWST坡道到斜坡管道进行了一些修改。Roeba减法减少了1/F噪声（上述用于光度法）；但是，只有1,847至2,044的像素在最右侧的放大器上，可作为低弹片背景使用。

　　对于第3阶段，T恤进行了由像素之间的协方差加权的最佳光谱提取26。我们在空间方向上使用了一个以5像素为半宽的空间方向的光谱孔。我们选择了背景区域以在空间方向上延伸在像素5-24和44-65之间。背景与列列线性趋势相吻合，并带有3σ剪辑。对于频谱提取，我们使用具有20节的立方样条拟合空间曲线，而离群排斥的阈值为30σ。如果像素被“ DO_NOT_USE”数据质量标志或空间配置文件异常值检测视为异常值，则该空间轮廓的其余部分由参考配置文件加权，以确保磁通保存。对于协方差加权，假定像素之间的相关性为8％，如背景像素的噪声特性所测量。

　　我们都使用了尤里卡！和T恤适合SW光曲线。在这两种情况下，光曲线都与包括运输和系统噪声的模型拟合。但是，为了研究不同系统模型对所得光谱的影响，每个拟合都使用了略有不同的噪声模型。扩展数据表1总结了每个SW拟合中使用的系统模型。

　　对于LW拟合，我们将数据求和到15 nm箱（约15个像素）。我们对垃圾箱进行了实验，小至10 nm，但发现将垃圾箱尺寸降低到15 nm以下导致肢体变暗的限制不佳，并在所得的光谱中增加了额外的散射。扩展数据图4显示，噪声主要是高斯到排入/出口长度的长时间尺度。此外，我们通过在整个2.420–4.025 µm波长区域中求和的光谱来创建白光曲线。我们尝试了不同的波长切断，但选择在该波长区域提取光谱，因为低仪器吞吐量影响了该区域以外的提取光曲线的质量。扩展数据图5显示了所有减少的传输光谱，其中一个垃圾箱在蓝色端添加，在红色端添加了两个，以及这些垃圾箱波长处的相对吞吐量。该图显示了从NIRCAM/F322W2频段通道边缘附近的数据得出的大误差线。因此，我们建议未来的工作将光谱限制为2.420 µm至4.025 µm之间的波长区域。

　　我们使用四个独立的管道拟合LW光曲线：色拟合，Eureka！，Hansolo和T恤。彩色拟合是一种开放源（https://github.com/catrionamurray/chromation_fitting/）Python工具，可执行基于数据可视化器的灯光拟合（Z。K. Berta-Thompson（Z。K. Berta-Thompson），制备中的手稿；对于这项工作，将色拟合的灯曲线拟合应用于Eureka！减少数据。与SW拟合一样，我们将LW光曲线与包括不同噪声参数化的模型拟合。扩展数据表2总结了每个LW拟合中使用的系统模型。

　　For all fits, the parameters were estimated with a Markov chain Monte Carlo fit, using either the emcee Python package60 (for fits performed with Eureka!), the pymc3 Python package61 (implemented through the Exoplanet code62,63, for fits performed with chromatic-fitting or tshirt) or the ConAN Python package57,58 (for fits performed withHansolo）。在扩展数据表1和2中，还列出了每个拟合的光曲线的自由参数数量和所得的差异MAD。在扩展数据表3中给出了白色光曲线拟合中最佳拟合参数。

　　在执行与LW数据的拟合过程中，我们经常发现，最佳拟合变速器光谱是针对不同的肢体变形参数化的垂直移动，并且对于某些降低，在水特征的明显大小上显示出变化。特别是，我们发现，与所有肢体朝向系数固定在外来的64,64,65,66的输出中可能会导致偏倚的行星光谱，并且可能会呈现残差的更高水平相关的噪声。我们将其归因于JWST在恒星肢体变形模型中的高精度光曲线和缺陷的结合，以准确地表示WASP-3967,68。因此，此处介绍的结果使用二次肢体变形定律，其经典形式或由参考文献进行重新聚集。69，一个或两个系数作为免费参数。我们证实，这些参数化产生的传输光谱彼此之间是一致的，并且与使用更复杂的肢体变形参数化所产生的光谱，例如具有固定或自由参数的四参数定律70。因此，我们建议使用NIRCAM的未来传输频谱分析使用类似的方法。N. Espinoza等人将进一步讨论完整过境系外行星社区计划的肢体划定的结论。（准备中的手稿）。

　　最终拟合的光曲线在扩展数据中显示了图6，最终传输光谱如图2所示。SW和LW数据集在我们在Zenodo上的可重复的研究纲要中都可以找到，网址为https://doi.org/10.5281/zenodo.7101283。每个传输频谱与尤里卡之间的中间差异！频谱为0.87σ（使用每个点的最大误差），这表明一致性水平。此外，残差没有显示时间相关的噪声的证据，如图5所示。

　　为了易于解释，我们将我们的大气模型与仅一个传输光谱进行了比较。我们选择了尤里卡！频谱是平均最接近的中位光谱（每个箱的中间过境深度）。

　　为了解释NIRCAM/F322W2的LW数据，我们使用辐射 - 感染平衡模型的三个网格进行了χ2拟合传输光谱：ATMO71,72,73，Phoenix74,75,76和Picaso 3.077,78。所有模型都使用一组通用的行星参数，但具有不同的不透明度来源，云处理和网格点，以下详细描述。将每个模型归纳为数据的分辨率，以执行χ2拟合。我们进行了这三个独立的模型网格，以完全审查有关大气金属性和数据中特定分子特征的推论。

　　我们的主要大气模型网格是由开源辐射 - 概念均衡代码Picaso77（版本3.078）构建的，该版本是从基于Fortran的基于Fortran的外极巨星（EGP）Model79,80,81开发的。我们使用Picaso 3.0在热化学平衡中生成一维温度压力谱。基本Picaso 3.0正向模型网格使用行星内在温度（TINT）的变化为100 K，200 K和300 K计算大气混合比；C/O比为0.229、0.458、0.687和0.916；和大气太阳金属度值为0.1×，0.316×，1.0×，3.162×，10.0×，31.623×，50.119×和100×太阳能。Picaso网格假定全天 - 夜间能量重新分布。为了计算大气轮廓的模型传输光谱，我们使用了参考文献描述的不透明性。81（请参阅特别的扩展数据表2），该数据从参考资料中源自H2O。Refs的82,83，CH4。84,85,86，参考文献。Refs的87和硫化氢（H2S）。84,88,89。

　　然后，我们使用基于CHON的一维化学动力学代码vulcan33和云建模代码Virga90，即eddysed Cloud Code91的Python实施，以与混合和光化学产品以及云的效果相比，与混合和光化学产品的混合化学相比。这些附加后处理的网格还包括垂直恒定的涡流扩散率（KZZ）为105–1011 cm2 s-1的步骤2 dex，以及透明和多云的模型。对于瓦肯不平衡运行，我们仅针对金属度值（1×，10×，50×和100×太阳能）和C/O比（0.229、0.458和0.687）计算了模型网格点。我们发现，与瓦肯人的多云和清晰的不平衡网格都没有提供改善的价值。鉴于这些预计的不平衡网格模型的稀疏性，我们在黄蜂39B大气中对自洽的不平衡化学进行了严格的量化，与未来的工作。

　　在Picaso中，使用Virga的温度相关的云冷凝物物种将云既作为灰色吸收剂，又作为MIE散射体。对于灰色云，网格在1个bar和0.1 bar之间指定了云的光学深度（τcloud），范围为τcloud= 3.2×10-6至1，在所有波长中为0.1 DEX的步骤。对于特定冷凝物的云，我们使用Virga在KZZ范围内使用MNS，NA2S和MGSIO3的沉积效率（FSED）值计算对数正态粒径分布（FSED）值。较小的沉积效率，FSED，具有较大的涡流扩散，KZZ产生了更扩展的云甲板和更强的云不透明度。

　　我们还使用了来自凤凰辐射 - 感染平衡码的大气模型网格，以适合数据74,75,76。与Picaso 3.0网格相似，包括白天 - 夜间能量再分配因子，内部温度（200 K和400 K），散装大气金属度（0.1×，1×，10×，10×和100×太阳能）和C/O比（136个网格点从0.3到1）变化。通过雾剂因子（0和10×多气体雷利散射）和灰色 - 云层压力水平（0.3 MBAR，3 MBAR，3 MBAR和10 MBAR），将气溶胶特性通过参数化。还计算了在1 bar处淬灭的分子丰度以模拟垂直混合的模型。该网格还包括雨滴，以说明在深层大气中隔离为冷凝物的物种。裁判描述了不熟悉性。76,92，摘自参考。88。

　　与上述模型网格相似，我们将数据与ATMO辐射 - 概念 - 心理平衡代码的模型网格进行了比较。71,72,73,93。Atmo网格使用与凤凰网格中使用的大气和气溶胶参数化相似的大气和气溶胶参数化，还包括在深层大气中凝结的物种的雨水。Also included are day–night energy redistribution factors (0.25, 0.5, 0.75 and 1; with 1 as full redistribution), atmospheric metallicity (0.1×, 1×, 10× and 100× solar), interior temperature (100 K, 200 K, 300 K and 400 K), C/O ratio (0.35, 0.55, 0.7, 0.75, 1.0 and 1.5), cloud scattering factor (0,0.5×，1×，5×，10×，30倍和50×H2 H2瑞利散射在1 MBAR和50 MBAR压力水平之间350 nm和一个Haze散射因子（1×和10×Multi-Gas Rayleigh散射）。H2O，二氧化碳和CH4的不良性取自Refs。83,84,85,86，Ref。88。

　　我们应用了三个网格中的每个网格（ATMO，Phoenix和Picaso 3.0），以拟合NiRcam F322W2光谱（2.4-4.0 µm）。在此过程中，我们发现这些模型强烈偏爱太阳或超摩尔金属气氛（1-100×太阳能），tebselar c/o比（≤0.35）（≤0.35）和云的实质性贡献，这些云由每个模型网格（请参见上面的每个网格描述）都不同。我们在扩展数据中显示了每个模型网格的最佳拟合图7。这种解释与使用JWST的NIRSPEC/PRISM仪器的结果一致，从3.0-5.0 µm（参考7）（参考文献7），改善了以前的HST HST-13,14,14,14,15,15,15,17,17,18,18,18,94或HST和HOST基于地面和地面的Optical onluctial onluctionallations 166。

　　对于仅NIRCAM的拟合度，Picaso灰云方案的最佳拟合度（= 1.16）比Picaso+Virga更逼真的云（= 1.23），这两种云都比Clear-Model最佳拟合（100×太阳能）更优于= 1.53。Virga最佳拟合网格导致1×太阳金属性的大气，C/O = 0.229，FSED = 0.6，KZZ = 109 cm s-2。这种Virga最佳拟合模型由MN和MGSIO3的云组成，具有深度（≥100bar）云底座，并减少光学深度至大约毫米压力。

　　来自凤凰网格的最佳拟合平衡模型具有100×太阳金属性，C/O比为0.3，在3 MBAR处具有云甲板。多云模型通常比清晰的模型优先，但没有统计显着性（1.25，而1.22比1.22）。凤凰网格发现具有非常高的金属性（100×太阳能）的最佳拟合，因此对云的这种低置信度反映了限制在狭窄波长的数据固有的云金属性退化性（例如，参考文献95），以及潜在的模型网格的稀疏度。

　　对于Atmo网格，NIRCAM光谱的最佳拟合平衡模型为1倍太阳金属性，C/O比为0.35，云系数为5，而雾系数为1。与其他两个网格一样，强烈的云模型（云量为≥5）优先于1.1 vers 1.1 vers 1.2 vers 1.1 vers 1.1 vers 1.1 vers。

　　在图8的扩展数据中，我们显示了HST/WFC3（G141和G102的光谱，覆盖0.8-1.65 µm）与JWST/NIRCAM（F210M+F322W2，2.0-4.0 µm）之间的比较。我们选择仅显示来自HST的WFC3观察结果，因为这些观察值比空间望远镜成像频谱仪或基于地面的数据的观测值更高。此外，由于HST/WFC3具有HST上任何仪器的最多档案外行数据，因此未来的JWST系外行星计划将主要依靠此HST工具来进行TELESCOPE比较或扩展JWST数据的波长覆盖率。例如，添加光学和短波长近红外数据可以通过更好地限制云的存在和程度13（例如，参考文献95）来帮助打破金属性脱位。可以从它们的粒径中推断出高海拔云或危险，其中小颗粒更有效地散布了较短的波长（例如，参考文献96,97），从而使能够从较云彩的低云层大气中解散，从而使较少的云氛围较少，高云，高金属氛围17。

　　一旦我们找到了nircam光谱的Picaso网格的“单一最佳拟合”（10×太阳能，C/O = 0.229，灰色光学的光学深度= 2.6×10-3，从1 bar到0.1 bar），我们将其用作基本模型来探索特定分子检测的重要性。首先，我们测试了在存在或不存在H2O，CO2，CH4或H2S的情况下是否可以提高最佳拟合度。我们通过依次将这些物种中的每一个归零，如图3所示，然后重复我们的χ2分析，从而重新运行最佳拟合基本模型。

　　我们发现，尽管H2O，H2S和CH4的存在产生了更高的价值，但只有H2O和H2S以统计意义的方式进行。由于H2S在NIRCAM波长范围内不包含强大的分子特征，因此对于其他分子的检测显着性，我们执行的高斯残留拟合不适用，并且我们将其进一步定量用于更严格的大气检索分析。将CH4的丰度增加到最佳模型之外也可以改善这种情况，尽管又不是高度统计学意义。

　　在手头上最合适的情况下，我们研究了单个分子物种的存在。对于分子检测意义，我们进行了相同的高斯残差拟合，在扩展数据中显示了与NIRSPEC/PRISM 3.0-5.0 µM Analysis中的CO2检测相同。我们在整个NIRCAM波长范围内的高斯残留模型和恒定模型之间找到了一个123.2的贝叶斯因子Ln（b），对应于15.9σ，是一个强检测。对于CO2，我们在2.4 µm至2.9 µm之间的高斯残留模型和恒定模型之间发现LN（B）为0.82，或1.9σ，这是弱或非检测98。WASP-39b7,41,42在NIRSPEC数据中以4.3 µm的形式检测到CO2，但是强烈的重叠H2O带在2.8 µm处可阻止NiRcam进行显着的CO2检测。鉴于我们对CH4丰度的上限，我们还对CH4进行了相同的高斯残留拟合，并在大约2σ下找到弱或非检测。

　　两个WASP-39B NIRSPEC数据集7,41,42观察到的证据证明了4.0 µm附近的分子特征，目前最好用二氧化硫解释。NIRCAM的最红数据点（> 4.025 µm）也显示出与NIRSPEC数据中看到的此功能一致的增加。但是，如图5所示，这些NIRCAM数据点具有非常大的误差线，因为检测器吞吐量急剧下降了4.0 µm。未来的研究以彻底探索黄蜂大气中二氧化硫的物理化学可能性，必须依靠可以完全捕获完全吸收特征的波长，这超出了高效率Nircelity Nircam/f3222w2测量值。