The Mean Longitudinal Magnetic Field and its Uses in Radial-Velocity Surveys
Notice bibliographique
Résumé
This work focuses on the analysis of the mean longitudinal magnetic field as a stellar activity tracer in the context of small exoplanet detection and characterisation in radial-velocity (RV) surveys. We use SDO/HMI filtergrams to derive Sun-as-a-star magnetic field measurements, and show that the mean longitudinal magnetic field is an excellent rotational period detector and a useful tracer of the solar magnetic cycle. To put these results into context, we compare the mean longitudinal magnetic field to three common activity proxies derived from HARPS-N Sun-as-a-star data: the full-width at half-maximum, the bisector span and the S-index. The mean longitudinal magnetic field does not correlate with the RVs and therefore cannot be used as a one-to-one proxy. However, with high cadence and a long baseline, the mean longitudinal magnetic field outperforms all other considered proxies as a solar rotational period detector, and can be used to inform our understanding of the physical processes happening on the surface of the Sun. We also test the mean longitudinal magnetic field as a "stellar proxy" on a reduced solar dataset to simulate stellar-like observational sampling. With a Gaussian Process regression analysis, we confirm that the solar mean longitudinal magnetic field is the most effective of the considered indicators, and is the most efficient rotational period indicator over different levels of stellar activity. This work highlights the need for polarimetric time series observations of stars.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».