在NIRSPEC PRISM模式下观察到WASP-39B的一个过境，8.23小时的观测值大致围绕过境事件。我们将NIRSPEC的Bright Object时间序列（BOT）模式与NRSRAPID读数模式，S1600A1 SLIT（1.6“×1.6”）和SUB512子阵列一起使用。在整个曝光过程中，我们记录了21,500个集成，每个集成在坡道上有5个0.28 s组。我们实现了82％的占空比。

　　我们使用萤火虫，T恤，Eureka！+Exotep和Tiberius Pipeline提取了WASP-39B的传输光谱。所有降低的结果均广泛一致（图3和扩展数据图1）。我们使用萤火虫的减少作为基线，以与整个本文中的模型进行比较，但是，可以从其他降低中推断出同等的总体结果。在扩展数据表2中比较了减少的一些关键属性。对于1/f噪声，所有降低都正确：相关的频率依赖性读取噪声是由探测器读数引起的图像和电子中的当前偏差引起的。我们注意到，随着JWST管道的增长步骤对原始计数率文件进行增益校正，本文引用的计数和计数率分别为电子和电子单位，每秒。

　　我们发现，通过应用此处描述的几个自定义步骤，可以恢复饱和区域。在没有这些步骤的情况下，大量饱和的区域在传输光谱中显示出数千ppm的较大且意外的点对点散射。我们注意到，当获得数据并减少数据时，可用的Sky NIRSPEC校准数据有限，包括不完整的检测器偏置图像，其值全部设置为零。我们在此步骤中使用了自定义偏置框架（私人通信，S。Birkmann）。尽管可以在不使用该校准的情况下提取大约2 µm的透射光谱长度为2 µm，但我们发现偏置校正对于在饱和区域中提取光谱至关重要。

　　此外，要恢复饱和区域，有必要执行参考像素校正，因为NIRSPEC PRISM的默认JWST管道跳过了某些东西，因为在子阵列中没有官方参考像素（下面的T恤部分）。所有降低还沿整列扩展了饱和标志，并且仅在饱和之前使用这些区域的坡度拟合。通过这些步骤，光谱与先前的HST和非常大的望远镜（VLT）观测值概述，该区域的改善在饱和之前只有一两个组。我们预计，随着更新的NIRSPEC校准数据的可用，棱镜观察中饱和区域的恢复可能会变得更容易，但是，如果可能的话，我们仍然建议避免在饱和之前避免少于两组的快速饱和，尤其是如果光谱区域对一个人的科学案例很重要。

　　我们对未校准的数据进行了自定义校准，包括在组级别的1/F噪声毁灭9，不良和热像素清洁，​​宇宙射线去除和5σ异常排斥。破坏数据还删除了2D图像中的潜在背景，尽管数据中没有明显。跳过了JWST Pipeline12（v.1.6.2）的跳步和深色阶段，并手动将非倒数子阵列的顶部和底部六像素设置为JWST Pipeline参考像素步骤中的参考像素。为了获得我们的最终波长校准，我们推断了没有分配的波长的检测器边缘像素，推断了STSCI提供的飞行内部仪器波长校准数据。使用地面波长溶液得出校准。我们进行了测试，以搜索校准中的零点偏移，而不是行星和恒星光谱，并且在半像素宽度或更高的水平上找不到任何水平。

　　JWST检测器使用一种非破坏性的升空采样技术进行了整合，在该技术中，从每种集成中包含的组中拟合坡道，以每秒的计数测量通量。扩展数据图2显示了受饱和影响影响的光谱区域。在任何给定组中的管道饱和的列中，我们仅使用前面组的数据进行坡道拟合，并手动将检测器的整列设置为饱和，如果该列中的像素饱和。由于一小部分光谱在第二组中达到了我们的饱和阈值，因此该频谱的该区域仅使用一组来得出“坡道”。尽管我们能够通过标记和忽略组级别的饱和像素来恢复该波长范围内的光谱，但我们注意到，饱和区域中的数据质量低于其余的光谱，鉴于每秒计数的数量是从少于五个组的少量测量的。

　　在整个时间序列中，我们使用互相关测量了光谱轨迹在整个检测器上的位置移位，并使用它们用磁通量插值来稳定图像。该过程降低了光曲线中位置依赖趋势的幅度。我们优化了每个波长像素处的通量提取孔的宽度，并提取了分光光度计。对于每个波长，我们测试了广泛的光圈宽度，并确定了将第一个350个数据点的光度法散射最小化的宽度。我们将清洁的分光光度计计算在波长中，以创建207个可变宽度光谱通道，每个垃圾箱中大约105个计数，宽度范围为3.3至60 nm。因为我们在饱和的检测器柱中使用较少的组，所以我们的箱宽度在该区域中的少数倍数较大，以说明每个检测器柱的计数率较低。

　　在拟合传输频谱之前，我们使用非常宽的高SNR白光通道（3-5.5 µm）适合行星轨道参数（在扩展数据表1中列出）。将宽的垃圾箱限制在最红色的波长到最红色的波长可以最大程度地减少肢体变暗对过境光曲线的影响，以及所得的与轨道系统参数的协方差，同时忽略饱和区域。我们使用Markov链蒙特卡洛采样器司令32在LMFIT最小二乘最小化框架内拟合了这款白光曲线。我们使用1,000个步骤和统一的先验，其范围极宽，可以封装物理的极限，以确保先前没有偏见。我们的拟合方法解释了后验分布中非高斯归化性，从而解决了影响参数（b）和缩放的半轴轴（A/R*）之间已知的线性相关性（A/R*）

　　我们排除了前3,000个集成，因为它们显示出轻微的非线性基线通量趋势，并且由于具有高增强的天线移动，因此在光度法中从异常值中鉴定出的高增生天线移动，这与x和y方向的痕量偏移相关。为了测量传输频谱，我们将光曲线拟合在每个波长通道上的光曲线与Transit Model33共同拟合，以及由X和Y方向测得的光谱移动组成的系统矢量的线性组合。在每个通道上，我们将行星的过境深度和恒星肢体变暗，同时固定过境中心时间T0，影响参数B，并将归一化的半轴轴A/R*与在白光曲线拟合中确定的值。我们还将轨道时期定为4.0552941天的已发表值（参考文献34）。通过固定轨道系统参数，我们发现后验分布非常适合多变量高斯分布，因此使用Levenberg-Marquart最小二乘最小化算法24来有效地确定最佳拟合参数。在每个通道中，我们将正交中的过境深度误差线膨胀，并通过通过Binning Technique 35测量的光度法中测得的残留红噪声膨胀。在过境深度上测量的不确定性在50至200 ppm不等，中位数为99 ppm（扩展数据图4）。由于噪声水平非常接近限制，其中仅包括光子和读取噪声源，因此诸如Pandexo36之类的工具应准确预测其他行星可以实现的目标。我们测量了一些精选光谱通道的红色噪声增加，但否则，光曲线没有明显的系统误差，一些通道将降低到几个ppm的精度水平。我们在大约100 ppm的水平上测量X和Y抖动系统。我们看到中央传输时间的差异是波长在10 s的阶面的函数 这可能归因于大气温度和成分中的肢体不对称。我们在扩展数据中显示了这些特征图3。值得注意的是，我们看到2-3 µm范围内的明显正时结构，这可能是由于温度和/或云覆盖范围在2.7 µm处的水蒸气吸收特征探索的高度探测的高度（参考文献37）。可以更详细地研究分光光度法的进一步分析以研究肢体不对称。

　　我们使用二次函数拟合过境光曲线，以建模恒星四肢变暗为

　　其中i（1）是恒星圆盘中心的强度，µ = cos（θ），其中θ是视线和出现强度之间的角度，而a和b是四肢变暗的系数。我们还测试了四参数非线性肢体变暗功能38，这提供了等效的结果。实际上，我们首先适合u+= a+b和u- = a -b，用于二次定律。当将肢体变暗系数与理论值进行比较时，我们发现了来自参考文献的3D恒星模型的u+的理论得出值之间的偏移。39和JWST值从Transit Light曲线拟合得出（扩展数据图5）。该偏移表明WASP-39A的肢体比恒星模型预测的要明亮。我们适合此偏移，发现它为-0.065±0.022。由于模型很好地描述了U+的波长到波长的形状，然后我们将此偏移应用于理论的肢体变暗系数，然后随后固定U+，同时仅允许U-免费u-（扩展数据图5）。当拟合几个肢体变暗系数并提高透射光谱的精度时，该过程有助于减少脱合性，因为肢体变暗通常不能很好地受到约束，尤其是在长波长度上，肢体变暗为弱39（扩展数据图5）。将肢体变黑的拟合拟合在3D模型上固定系数上的主要效果是光谱的过境深度水平，该频谱的过渡深度较低，其值较低，值固定在模型上。我们将光谱与固定肢体变暗与参考文献的HST数据进行了比较。6在扩展数据中，图6也与固定在同一模型上的肢体变暗。总体而言，我们发现这两个光谱之间有很好的一致性。我们注意到，肢体变黑周围的假设可能会影响光谱连续体特别影响解释的气溶胶散射水平：有必要进行进一步的研究。

　　我们使用T恤管道，例如参考。40，提取独立的光曲线和光谱。我们从未校准的“ UNCAL”数据产品开始，并在阶段1上应用一组自定义的处理步骤，该步骤构建在现有的JWST阶段1管道软件v.1.6.0上，带有参考文件CRD（校准参考数据系统）JWST_0930.PMAP。我们使用仪器团队共享的自定义偏差文件（S. Birkmann，私人通信），该文件是交付给JWST CRD的同一文件。

　　我们试图通过修改在小组阶段超过90％的全孔深度的质量标志来最大程度地减少计数率非线性的偏见效应。为了确保光谱轨迹内和背景区域内的像素之间没有系统的差异，我们沿每个组的整个像素列均匀地调整了质量标志，以进行所有集成。我们跳过了第1阶段的“跳跃”和“黑暗”步骤。

　　T恤代码包括一行，即使通过放大器校正来减少1/F噪声。我们首先通过选择速率文件中的每秒五个数据编号（DN S -1）的像素来识别源像素，并将该区域扩展到8个像素。然后，我们通过选择所有非源像素和管道标记的非使用“不使用”像素来识别1/F校正的背景像素。我们循环遍历每个组，并从所有奇数行（偶数）行中减去奇数（偶）背景像素的中值。接下来，我们找到所有背景像素的列中位数，以计算1/F条纹校正并从每列中减去。

　　在计算DN S-1中的速率文件后，我们使用T恤执行Spectrum31的协方差提取。我们使用像素0-7和25–32进行列列线性背景减法。我们使用以Y = 16像素为中心的矩形源提取区，宽度为14像素。我们假设像素与以前的背景像素31的研究相关性为8％。我们使用带有30节的样条来估计源像素处的恒星光滑光谱，并将不良像素识别为与样条偏离50σ的差异。超过50σ或标记为未使用的像素被标记，然后在这些像素上插值空间曲线。由于天文台41的特殊指向稳定性，未对质心或波长溶液进行校正。

　　拟合光曲线时，我们排除了UT 2022-07-10T23：20：01和2022-07-10T23：21：08之间的所有时间样本，以避免高增生天线移动的影响。我们首先使用所有波长拟合宽带光曲线。我们假设参考文献的偏心率和轨道参数。34对于A/R和期间。我们尝试将白光曲线与偏心曲线和植物的论点拟合，并发现偏心率与0一致。因此，我们假设零偏心率和一个投影到从拟合到苔丝数据的观测时间的运输中心。我们还假设数据的时间基线是指数的，并且时间是二阶多项式趋势。我们使用非信息性PRIORS42和外部码头代码43,44,45拟合二次肢体变暗参数，具有3,000个燃烧的步骤和3,000个采样步骤和两个不转弯采样链46。接下来，我们将光谱分成116个垃圾箱，每个仓宽。我们将所有各个光谱通道拟合，其轨道参数固定在宽带光曲线拟合中，并且仅允许传输深度和肢体变暗参数。我们由此产生的过境深度不确定性范围为35至732 ppm，中位数为90 ppm。

　　我们使用尤里卡！Pipeline47用于检测器处理，数据校准和恒星谱提取的数据还原步骤，以及Exotep Pipeline48,49,50，以在每个波长箱中生成光曲线并执行光曲线拟合。

　　我们使用JWST Pipeline的阶段0的未校准的未校准输出开始减少数据。从那里开始，尤里卡！在JWST管道的前两个阶段，V.1.6.0。我们使用JWST管道将坡度拟合到每个像素中的坡道并执行数据校准，并按照默认管道步骤进行操作，除非另有说明。我们跳过跳跃检测步骤，旨在纠正小组计数速率中不连续性的坡道作为时间的函数。由于坡道上的少量组，因此执行此步骤会导致很大一部分检测器像素被错误地标记为异常值，因此我们依靠后续阶段的时间序列离群值分离步骤来纠正宇宙射线。使用自定义偏置框架，而不是减少时CRD上可用的默认偏差框架。我们还扩展了第1阶段中的饱和标志，以比默认的JWST管道设置更保守饱和像素：在每个组中，如果它们达到该组的所有集成中的中间图像中的大约85％的整个图像中的85％，则我们将其标记为饱和，并在给定检测器列（常数波长）中添加饱和列（如果均为饱和度）。这是通过在检查未成年数据产品的基础上输入列的指标来掩盖列的，而不是对整个井百分比的内部计算。我们使用顶部和底部六行，包括上面描述的放大器校正的奇数版本，即使是通过放大器进行校正。我们进一步在坡道拟合之前在组级别上添加自定义背景校正，并从每一列中减去顶部和检测器底部的六个像素的中值， 在超过3-σ级别上排除异常值。我们跳过了STSCI检测器管道2阶段的“光子”步骤，因为我们的分析不需要绝对通量。当我们使用eureka！执行自定义频谱提取时，我们还跳过了“ Extract1d”步骤。

　　对于1D光谱提取，我们将阵列修剪为在分散方向上仅包含14至495列，因为NIRSPEC的吞吐量在此范围之外可以忽略不计。然后，我们使用中位检测器框架来构建基于参考的最佳提取中使用的权重。51。如果像素具有明显的数据质量标志（也就是说，JWST管道标记为“由于各种原因不使用”的不良像素），或者它们被时间序列的10次剪裁的两个迭代剪辑。我们在源位置以八行（对应于4像素的光谱半宽度孔径）上执行最佳提取。源位置是从整个集成的所有检测器列的高斯拟合到总空间轮廓的最大值。

　　我们使用Exotep从每个检测器柱的天然像素分辨率下生成中值的光曲线，使用Eureka！第3阶段的恒星光谱输出。然后，我们通过计算窗口大小为20的运行中值并在几个时间序列中排除了3σ异常值，在白色和波长依赖的光曲线中进一步剪辑离群值。将这种离群值粘贴应用于每个帧的跨分散方向的通量，源位置和宽度，并且在色散方向上的频谱移动。

　　我们将天体物理和系统学模型参数共同拟合到白色（0.5-5.5 µm）光曲线以及每个依赖波长的光曲线。我们的天体物理交通模型是使用蝙蝠侠软件包33计算的。使用白光曲线，我们适合二次肢体变黑定律（方程（1）），WASP-39B的冲击参数，缩放的半轴轴A/R*，Transit Center和Planet-Star-Star Radius比率的两个系数。然后，在每个波长通道中，我们将行星的冲击参数，半轴轴和过渡时间固定在源自白光曲线的值，仅适合行星与星形半径比率以及两个二次肢体肢体变暗系数。对于系统模型，我们假设一个线性趋势随着时间的时间在每个光谱通道中可能不同，并且适合其斜率和y截距。最后，我们在每个光曲线上拟合一个点散射，这说明了我们的联合模型达到1个降低1的散射水平。拟合的光曲线在白光曲线和波长依赖性的频道中均位于原始光曲线中高频率散布的预期范围内，这证明了缺少系统的光曲线。我们将最终传输频谱（在整个频谱中汇总在一起）与图3中的其他降低进行视觉比较。

　　Tiberius管道建立在LRG-BEASTS光谱降低和参考文献中引入的分析管道上。16,52,53。Tiberius管道在第1阶段的JWST数据产品上运行，通过追踪恒星光谱，拟合和去除背景噪声和简单的光圈光度法，以获得1D恒星光谱。我们使用了萤火虫加工的阶段0数据。

　　在追踪光谱之前，我们将检测器的每一列插入较细的网格，10倍初始空间分辨率。此步骤可改善子像素水平的通量提取，尤其是在光孔径二分位像素的边缘，并导致数据中的噪声降低14％。我们还使用X和Y中最近的相邻像素在坏像素上插值。我们通过结合通过沿着像素行操作的中位数和通过视觉检查确定的不良像素的5σ偏外像素来识别不良像素。我们通过将高斯分布拟合在每列（其中列引用交叉分散方向）的高斯分布来追踪光谱。然后，我们使用一个运行的中值，该中位数是用一个宽度为五个数据点的移动盒计算的，以平滑轨迹的测量中心。我们使用四阶多项式拟合这些平滑中心，删除了五个中值绝对偏差异常值，并用四阶多项式进行了校准。

　　为了删除1/f校正未捕获的残留背景通量，我们沿着空间方向沿每一列拟合线性多项式。我们掩盖了恒星频谱，该光谱由孔的定义，其全宽度为4像素，以我们在上一步中从该背景拟合中发现的痕迹为中心。我们还在该光圈的任一侧掩盖了一个额外的7像素，以使背景拟合不受恒星点扩展函数的翅膀的影响。这使我们在检测器的每个边缘（总共14个像素）上有7个像素，可以估算背景。我们还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偏离了三个以上的偏差，以避免残留的坏像素和宇宙射线影响我们的背景估计。我们发现，此额外的背景步骤导致传输光谱的精度提高了3％。

　　然后，通过将恒星光谱求和在每列处移除背景后在4像素范围内的光圈内求出通量。由JWST曝光时间计算器估计的背景计数水平在每秒几个计数的顺序上，这意味着背景可以忽略不计。此外，由于我们执行1/f的减法，因此逐列减去这种微弱的背景。我们尝试了孔径宽度的选择，还使用8个像素和16像素范围的孔进行减少。8像素范围的光圈的中值不确定性比4像素孔高1％，而16像素孔的不确定性比4像素大15％。相同的变化反映在残留物的中位根平方与光曲线拟合。由于棱镜数据的恒星点扩散函数非常狭窄，我们认为随着光圈宽度的增加而增加的噪声增加与光子噪声，读取噪声和不良像素的影响有关，而恒星通量较低。在提取恒星光谱之后，我们将测得的计数速率除以10倍以纠正我们的像素过采样，如上所述。

　　为了去除残留的宇宙射线，我们通过与中位数恒星频谱进行比较来识别每个恒星频谱中的异常值。我们在三个迭代中进行了此操作，每次都涉及制作中位谱，识别异常值（10、9、8σ），并替换包含宇宙射线的像素，并在相邻像素之间进行线性插值。我们测试了这种插值，以免分配宇宙射线像素零重量，发现这导致了传输频谱的差异可忽略不计。为了纠正恒星光谱中的移位并将像素空间中的每个光谱对齐，我们将每个恒星光谱与观察值的第一光谱交叉相交，并将每个光谱线性地将每个光谱重新样品重新样本到一个公共波长网格上。我们采用由T恤管道计算出的自定义波长解决方案，该解决方案使用JWST管道使用世界坐标系在Pixel Row 16上评估波长。

　　我们的白光曲线是通过在0.518至5.348 µm之间的整个波长范围上求和来创建的。我们制作两组光谱光曲线：以1像素分辨率的一组440光曲线和3像素分辨率的一组147光曲线。我们掩盖了20,751–20,765的掩盖，因为高增生天线移动会导致光曲线中的噪声增加。由于系统的坡道，我们还通过分析掩盖了前2,000个集成。这意味着我们的光曲线每个都包含19,486个数据点。

　　为了适应我们的光曲线，我们首先拟合白光曲线以确定系统参数。

　　我们适合以下参数：缩放的行星半径（RP/R*），行星的轨道倾斜度（I），中型传输时间（TC），缩放分离（A/R*），线性肢体肢体变暗系数（U1）和定义系统模型的参数。我们将行星的轨道周期固定在4.0552941d，而偏心率为0（参考文献34）。对于其余参数，我们使用参考文献中的值。34作为最初的猜测。

　　对于Analytic Transit Light曲线模型，我们将BATMAN33与二次肢体变暗定律一起使用。我们使用Exotic-LD54,55，带有3D恒星模型39来确定适当的肢体变暗系数（LDS），采用恒星参数（TEFF = 5,512±55 K，log G = 4.47±0.03 cgs，[Fe/H]，[Fe/H] = 0.01±0.09 Dex）。34和Gaia DR3（参考文献56,57）。对于我们的最终拟合，我们将二次系数U2固定为由外来世界确定的值。但是，我们还没有固定U1和U2的一组拟合，发现这会导致传输频谱在质量上与LDS固定的频谱相似。对于系统模型，我们将以下三个多项式总结：二次的时间，在检测器上的X位置为X位置，在检测器上恒星的Y位置线性。最终拟合模型M是：

　　如果t是时间，则p是传输模型的参数，t，a是辅助数据，s是系统模型的参数（多项式系数）。系统模型是在每个辅助输入（AI）上运行的多项式模型的总和，ni定义了每个副标的序列。

　　我们分为三个步骤安装白光曲线：第一个适合从光曲线中删除任何4σ离群值的拟合，第二个拟合物用于重新恢复光度不确定性，以使最佳拟合模型可从χν2= 1且与重新降级的光度不确定性相吻合，从而估计了我们的最终参数值和不确定性。参数不确定性计算为协方差矩阵的对角线的标准偏差，后者是根据Scipy返回的Jacobian计算得出的。

　　遵循白光曲线，我们符合光谱，波长式光曲线。对于这些拟合，我们将A/R*，I和TC固定在白光曲线拟合中确定的值：11.462±0.014，87.847±0.015°，2,459,770.835623±0.000008 Barycentric Julian Dydamical Dynamical Dixamical Time（BJDDB。）。这些值与萤火虫还原的白光参数不同，这些差异将在未来的工作中更详细地探讨。为了零秩序，轨道参数中的偏移导致在结果传输频谱中导致简单的垂直偏移。其余的拟合参数与白光曲线拟合相同。我们使用Levenberg -Marquardt算法执行相同的拟合迭代，以确定RP/RS作为波长的函数。

　　在数据集的四个主要减少方面存在程序差异，这可能解释了最终降低光谱之间微妙的定性差异。有必要对这些细微差别进行仔细的调查，并将在以后的论文中提出。扩展数据表2突出显示了减少之间的一些关键程序差异。我们注意到，尽管存在这些差异，但由于数据的稳定性和过境技术的自我校准性质，因此所产生的系外行星彼此之间的质量非常吻合（图3）。

　　WASP-39B的活性较低，其Ca II H和K恒星活性指数为logr’hk = -4.994（参考文献4）。参考文献中报道了WASP-39A的NGTS和TESS光度监测。22，在0.06％的水平上发现较低的调制，没有明显的星光横梁。由于恒星活性水平低，恒星活动不太可能影响过境观测。

　　我们使用四个不同的1D RCTE模型网格来评估大气特性，例如对单个气体，金属性，碳与氧气（C/O）元素丰度比的检测以及存在/不存在云。使用SCCHIMERA58,59，PICASO 3.0（参考文献60,61,62,63），ATMO54,64,65和Phoenix66667型号用于生成专门针对Wasp-39b的网格。尽管使用基于χ2的网格搜索方法将ATMO和Phoenix网格用于拟合数据，但使用嵌套的Sampler68,69，使用Picaso 3.0和Scchimera网格在网格检索框架中。在每个嵌套样品的可能性计算中，传输光谱是通过在预先计算的1D RCTE模型大气的后进行的。在此后处理的传输计算过程中，SO2体积混合比和云特性被注入光谱。扩展数据图7显示了四个网格中每个网格获得的最佳拟合模型，而不是使用萤火虫数据减少管道获得的传输频谱。Scchimera，picaso 3.0和Atmo产生的拟合在3.2和3.3之间降低，而凤凰网格的χ2降低为4.3。降低的χ2定义为从所有数据点计算的总χ2除以数据点的总数。尽管Picaso 3.0，Scchimera和Atmo预测大气的金属性约为10倍太阳能，但凤凰城发现最合适的金属性是100倍太阳能，这可能是由于沿云和金属尺寸沿凤凰网格的较大网格间距。尽管模型定性地匹配了数据，但这些网格最合适的模型获得的减少χ2也大于三，这表明这些网格并不特别适合数据。这些差的拟合可能出现许多原因，例如受饱和影响的数据区域， 由于垂直混合或光化学以及上层大气中散射的非灰色性质，大气中存在不平衡化学。扩展数据表3提供了具有不同拟合方法（网格检索和网格搜索）的四个不同网格获得的最佳拟合大气参数的摘要。为了探索饱和区域对最佳拟合参数的影响，我们将饱和区域中的过境深度误差（0.68–1.91 µm）膨胀1,000倍，并使用两个Picaso V.3.0和Scchimera Grids使用网格检索框架来重新计算最佳拟合模型。我们发现，这并没有显着改变任何最合适的参数，包括金属性和C/O比。扩展数据表3列出了当饱和区域误差线夸大1,000倍时获得的最佳拟合参数。我们总结了这些1D网格在此处获得的主要结果，并将读者推荐给参考。29对于每个模型网格的详细描述。

　　我们通过参考文献来量化每个物种的检测显着性。70。为了在Scchimera网格检索框架中这样做，我们一次在传输频谱计算步骤（1D RCTE大气模型保持不变）中删除每个气体，然后一次重新运行嵌套的采样器。我们将每次去除的气体的贝叶斯证据与所有气体的贝叶斯证据与网格检索的证据进行了比较。除云和SO2混合比参数外，参数数量没有变化。扩展数据表4显示了本练习的结果总结为对数 - 基础因子，并转换为检测意义：例如参考。71。

　　我们还按照参考文献中使用的程序来量化不同气体的检测意义。29。为了计算每种气体的检测显着性，Picaso 3.0网格（[m/h] = +1.0，c/o = 0.68）的最佳拟合传输光谱模型被重新计算而没有该气体。首先鉴定出特定气体具有最突出效应的波长范围，然后通过在没有数据中的气体的情况下减去模型来计算残留光谱。H2O，CO2，CO，NA，SO2和CH4的残留光谱在扩展数据的六个面板中显示。我们将每个残留光谱均具有两个函数拟合，即高斯 - 高斯 - 高斯 - VOIGT函数和恒定线。我们使用Dynesty嵌套采样常规68来执行拟合并确定与每个拟合的贝叶斯证据。然后使用均与高斯 - 沃伊格函数的残留光谱拟合与恒定线之间的贝叶斯因子，然后使用恒定线来确定气体的检测显着性。例如，为了计算H2O的检测显着性，使用了两个相邻的H2O特征在1到2.2 µm之间。我们注意到，H2O也有望成为其他波长范围（例如2.2-3 µm）中的主要不透明度来源，因此为此分析选择两个特征将对H2O的检测显着性产生下限。这些功能及其1σ信封的最佳拟合双高斯函数在扩展数据中显示了红线和阴影区域。图8左上图。相同的残留光谱还拟合了一条直线，在扩展数据中显示了蓝色。发现两个模型之间的贝叶斯因子的对数为LNB = 242，这表明，具有H2O模型的模型比没有任何H2O的模型显着偏爱模型。使用参考文献中的处方计算与该贝叶斯因子相对应的H2O的检测显着性。71，被发现为22σ。相同的方法， 但是，对于CO2，CO，SO2，H2S和CH4的单个高斯功能，也遵循了一个高斯函数，以在最后一列中的扩展数据表4中获取其检测显着性。我们对CO2的高斯残留拟合显着性与参考文献中提供的NIRSPEC PRISM数据的初始分析相匹配。29。

　　如扩展数据表4所示，所有气体的检测显着性随着贝叶斯因子分析技术的增加而增加，相对于高斯 - VOIGT功能技术。SO2也是如此，这也是如此，因为该特征通过其各自的不透明度曲线更好地拟合了分子的检测和识别。

　　由于恒星大气中的重叠吸收线，分辨率连接的偏置效应可稀释行星大气特征的测得幅度。尽管对于大多数恒星而言，这种效果比M矮人较早可忽略不计，但在WASP-39中预计会有一些出色的CO吸收，这意味着测得的行星CO丰度可能会偏置。参考文献中的等式4。72并使用该行星和恒星的高分辨率（大约105）模型，我们量化了这种偏置效应大小的上限。我们发现，行星CO特征在4.5–5.1 µm区域中偏向30至40 ppm，导致大约1 -−σ低估了行星CO吸收强度，随后又低估了其丰度。我们注意到，由于恒星旋转，行星轨道径向速度和行星风的稳定，分子线的多普勒扩大（未被凤凰）的多普勒拓宽（这是未被凤凰）宽的。未来的工作可能会受益于WASP-39的CO乐队头的更详细的建模和高分辨率观察结果，它将更好地量化这种稀释的大小。

　　WASP-39B的最合适的大气金属性大约是使用模型网格的太阳金属性的十倍。扩展数据中的顶部面板图9显示了行星在2.0至5.3 µm之间观察到的传输光谱（由于金属性最突出，其变化是最突出的），以及几种传输光谱模型，假设不同的大气金属率范围不同（例如，0.3×solar）到超高值（例如，超极值）（例如，100×solar）。底部面板显示了不同大气C/O比在太阳金属性上对许多传输频谱模型以及数据以及数据的影响。由于Star Wasp-39具有近极元素丰度73，因此缩放的太阳丰度是该恒星的合理选择。3.1–4和2.2–2.5 µm之间的CH4特征在扩展数据中显示的近极和太阳金属热化学平衡模型中非常突出。这与4.3至4.6 µm之间的大二氧化碳特征和可测量的CO在4.7 µm之间结合在一起，导致了行星的超极（10×）金属性估计值。RCTE模型的C/O比显着影响预测的气体丰度，因此计算出的传输频谱。扩展数据图9底面板显示，对于金属富含C/O比的金属富含大气（例如，> 10×太阳能）低于0.7，透射率由含氧气体（H2O，CO2，CO）的特征主导：例如，参考。65,74,75。但是对于较高的C/O比（例如，0.916），透射光谱在大于1.5 µm的波长下占据CH4。我们在约0.7时获得了WASP-39B的C/O比的上限。然而， 这些解释基于假设热化学平衡的模型网格的单最佳拟合。其他化学不平衡过程，例如大气混合和高能辐射诱导的光化学也可能会影响这种解释。这些不平衡化学效应需要在WASP-39B的背景下进行进一步的探索，并将在未来的工作中进行讨论（Welbanks等人（在PREP），Tsai等人（提交））。

　　如果估计了透射光谱探测的压力范围，则可以使用最合适的金属模型对CH4丰度置于上限。为了估计数据探测的压力范围，我们使用最佳拟合Picaso 3.0模型来计算大气的压力和波长依赖性传输贡献函数76。最佳拟合10×太阳金属picaso v.3.0模型的此贡献函数显示为扩展数据中的热图。我们还计算了具有太阳金属性模型的贡献函数，并发现它们也探测了相似的压力范围。扩展数据图10还显示了在扩展数据中呈现不同金属率的模型中的压力依赖性CH4丰度。图9顶部面板。由于数据仅优选超极性金属性热化学平衡模型，因此扩展数据中的丰度曲线图10有助于我们将CH4体积混合率在0.1和2 MBAR之间的上限放在上限5×10-6上。

　　与清晰大气模型所期望的深度相比，观察到的光谱显示在整个波长范围内的略有柔和的过境深度。这暗示着具有弱波长依赖性的大气中的一些额外的不透明源。不透明度源（例如云）可以在变速光谱中静音光谱特征2,4。我们后处理具有灰色（即无波长）云的传输频谱模型，以检查它们是否优于数据优于清晰的大气模型。但是，云的处理在四个1D RCTE模型网格之间有所不同。Picaso 3.0和Scchimera Grids使用以下方程式实现了云的不良度，

　　其中τi，Cld是模型中ITH大气层的云光学深度，其压力宽度ΔPI和G表示行星的重力。灰色云不透明度的最佳拟合值κCld= 10-2.07 cm2 g-1是通过将RCTE模型网格与该云不透明度的后处理，并将这些后处理后的模型与数据进行比较，从而在贝叶斯框架中计算出来。Atmo网格在1到50 MBAR之间的几个压力下包括灰色云甲板，但具有可变因子0、0.5、1和5的云云，相对于H2在0.35 µm处的H2散射横截面相对于0.35 µm的散射，其中一个因子0指示无云模型光谱。凤凰网格包括相似的云甲板，但在0.3到10 MBAR之间具有云光学深度增强因子（同样定义为ATMO网格）0和10。我们发现，与所有四个模型网格中的清晰模型相比，云模型更适合数据。云在整个波长范围内的气态特征深度的贡献也显示在图4中，灰色阴影区域。

　　一维RCTE模型均未捕获数据中看到的4 µM吸收特征。我们搜索了几种候选气体物种，如果它们的丰度与热化学平衡的预期丰度不同，它们可能会产生此特征。搜索化学物种的清单包括C2H2，CS，CS2，C2H6，C2H4，CH3，CH，CH，C2，C2，CH3CL，CH3F，CH3F，CN，CN，CN和CP等C含类气体。还搜索了各种金属氢化物，溴化物，溴化物，泛质和氯化物，例如LIH，ALH，FEH，CRH，BEH，TIH，CAH，HBR，LICL，HCL，HCL，HF，HF，ALCL，NAF和ALF，作为解释该功能的潜在候选者。SO2，SO3，SO和SH是所考虑的基于硫的气体之一。Other species that were considered include gases such as PH3, H2S, HCN, N2O, GeH4, SiH4, SiO, AsH3, H2CO, H+3, OH+, KOH, Brα-H, AlO, CN, CP, CaF, H2O2, H3O+, HNO3, KF, MgO, PN, PO, PS, SiH, SiO2, SiS, TiO and VO.

　　在所有这些气体中，SO2在光谱形状和化学上的合理性方面是最有前途的候选者，尽管SO2的预期化学平衡丰度太低而无法产生数据中看到的吸收信号。但是，以前在外部大气中探索光化学的工作25,26表明，可以通过光化学过程在辐照行星的上层大气中创建较高量的SO2。因此，我们在贝叶斯框架中具有不同量的SO2的Picaso 3.0和Scchimera化学平衡模型后处理，以估计解释4 µm特征强度所需的SO2丰度。发现SO2所需的体积混合比约为10-5-10-6。请注意，在获得此估计值时，我们假设SO2体积混合比不会随着简单而变化。在光化学方案中，尽管SO2探测的压力范围也受到限制，但这种假设可能是不现实的。光化学模型是否可以在WASP-39B的大气条件下产生这一数量的SO2，这是一个紧迫的问题，即ERS团队现在正在探索（Welbanks等人（在Prep），Tsai等人（提交））。目前，ERS团队目前还在调查其他任何气态吸收器，可以更好地解释此功能。