ابرهای درشتی از ماسه داغ در بادهای قدرتمند این دو ستاره شکست خورده می وزند.
تلسکوپ فضایی جیمز وب (JWST) در دقیق‌ترین گزارش آب و هوا از چنین «ستاره‌های شکست‌خورده»، آب و هوای طوفانی را در آسمان دو کوتوله قهوه‌ای کشف کرده است.
دو کوتوله قهوه ای یک جفت دوتایی به نام WISE 1049AB را تشکیل می دهند که توسط کاوشگر مادون قرمز میدان وسیع ناسا (WISE) در سال ۲۰۱۳ کشف شد. این دو تنها ۶.۵ سال نوری از ما فاصله دارند. آنها نزدیک‌ترین کوتوله‌های قهوه‌ای به خورشید ما هستند و بنابراین یک هدف عالی برای ابزار قدرتمند مادون قرمز تلسکوپ فضایی جیمز وب هستند.
کوتوله قهوه ای جسمی است که به اندازه کافی جرم نیست که بتواند همجوشی هسته ای هیدروژن به هلیوم را در هسته خود مشتعل کند و به یک ستاره تمام عیار تبدیل شود – با این حال به نظر می رسد که برای سیاره بودن بیش از حد پرجرم است و تصور می شود مانند ستارگان شکل بگیرد. از طریق فروپاشی گرانشی ابری از گاز مولکولی. به این ترتیب، کوتوله‌های قهوه‌ای به‌عنوان حلقه مفقوده‌ای بین سیارات غول‌پیکر گازی مانند مشتری و ستارگان کم‌جرم، کوتوله‌های M در نظر گرفته می‌شوند.
مشاهدات قبلی اتمسفر کوتوله‌های قهوه‌ای مختلف را بررسی کرده‌اند، اما آنها همیشه به عکس‌های فوری با میانگین زمانی محدود بوده‌اند، به این معنی که ما نمی‌توانیم چیزهایی را در جو کوتوله‌های قهوه‌ای ببینیم که با گذشت زمان تغییر می‌کنند. با این حال، کوتوله های قهوه ای چرخان سریعی هستند – WISE 1049A هر ۷ ساعت یک بار و B هر ۵ ساعت یک بار روی محور خود می چرخد - و شرایط جو آنها می تواند در طول زمان تغییر کند، به این معنی که مشاهدات قبلی که در اجسام تاثیری نداشتند تحولات ممکن است تنوع زیادی را از دست داده باشد.
با این حال، JWST توانایی تشخیص این تغییرات را در طول زمان دارد. تیمی به رهبری بث بیلر از دانشگاه ادینبورگ WISE 1049AB را به مدت ۸ ساعت با ابزار مادون قرمز میانی JWST (MIRI) و سپس بلافاصله پس از آن به مدت ۷ ساعت دیگر با طیف‌سنج مادون قرمز نزدیک (NIRSpec) مشاهده کردند.
محققان دریافتند که هر دو کوتوله قهوه‌ای پوشیده از ابرهای متلاطم هستند که احتمالاً از دانه‌های سیلیکات تشکیل شده‌اند و در دمای بین ۸۷۵ درجه سانتیگراد (۱۶۱۰ درجه فارنهایت) و ۱۰۲۶ درجه سانتیگراد (۱۸۸۰ درجه فارنهایت) متورم هستند. به عبارت دیگر، ماسه داغ در بادهای کوتوله های قهوه ای در حال وزش است. علائم جذب مونوکسید کربن، متان و بخار آب نیز شناسایی شد.
به طرز جالبی، منحنی نور برای هر کوتوله قهوه ای (نمودار روشنایی هر کوتوله قهوه ای در طول زمان) تنوع قابل توجهی را نشان می دهد. این به عنوان شرایط طوفانی تعبیر شده است که ابرها را در ارتفاعات مختلف می‌وزاند و شکاف‌هایی بین آن ابرها ظاهر می‌شود که امکان مشاهده لایه‌های عمیق‌تر جو را فراهم می‌کند. منحنی های نور همچنین پیک هایی را در طول موج های خاص نشان می دهند – مونوکسید کربن در ۲.۳ میکرون و ۴.۲ میکرون (میلیونم متر)، متان در ۳.۳ میکرون، و دانه های سیلیکات به طور آزمایشی در ۸.۳ میکرون تا ۸.۵ میکرون.
تیم بیلر پیک‌ها در این طول‌موج‌ها را به‌گونه‌ای تفسیر می‌کنند که نشان‌دهنده سه لایه مختلف است که در آن تغییر قابل‌توجهی در فشار اتمسفر روی هر کوتوله قهوه‌ای وجود دارد. یک لایه عمیق وجود دارد که سیگنال های بزرگتر از ۲.۳ میکرون اما کمتر از ۸.۵ میکرون تولید می کند، یک لایه ارتفاع متوسط که نور را بین ۲.۳ تا ۴.۲ میکرون جذب می کند، و یک لایه ارتفاع بالا با سیگنال هایی بین ۴.۲ تا ۸.۵ میکرون است.
یافته‌ها نشان می‌دهد که JWST می‌تواند برای اولین بار مشخصات عمودی (یعنی شرایط در اعماق مختلف) جو یک کوتوله قهوه‌ای را بررسی کند، و در واقع، دلیلی وجود ندارد که JWST مجبور باشد در آنجا توقف کنید همانطور که مقاله تحقیقاتی که یافته‌ها را توصیف می‌کند، نتیجه می‌گیرد: ‘این اولین مطالعه از این دست است، اما آخرین مطالعه نخواهد بود – در چند چرخه رصدی بعدی، JWST درک ما را از جو سیاره‌های فراخورشیدی غول‌پیکر و جوان تغییر خواهد داد.’
بیلر در بیانیه‌ای گفت: یافته‌های ما نشان می‌دهد که ما در آستانه تغییر درک خود از جهان‌هایی هستیم که بسیار فراتر از دنیای خودمان است. سیارات فراخورشیدی غول پیکر فراتر از منظومه شمسی ما در نهایت، تکنیک‌هایی که ما در اینجا اصلاح می‌کنیم ممکن است اولین تشخیص آب و هوا را در سیارات قابل سکونت مانند سیاره‌های ما که به دور ستارگان دیگر می‌چرخند را ممکن کند.
این یافته ها در ۲۵ تیر در ماهنامه انجمن سلطنتی نجوم منتشر شد.
![import numpy as np import h5py data='/content/drive/MyDrive/SILIXA_iDAS015_181219184621_fieldID000212.h5' data1=h5py.File(data,'r') print(data1.keys()) display(data1) display(data) raw_data = data1['DasRawData']['RawData'] x_axis = np.arange(raw_data.shape[1]) t_axis = np.arange(raw_data.shape[0]) print(x_axis.shape) print(t_axis.shape) import matplotlib.pyplot as plt import numpy as np ns = 30000 fs = 1000 dx = 1.021 nx = 3136 GL = 10 x = np.arange(nx) * dx def u(x, t): return np.exp(-(x - t)**2) def calculate_result(x): return 1/10 * (u(x - 5, t) - u(x + 5, t)) traces = [] for t in range(0,30000): tr = [calculate_result(x_val) for x_val in x] traces.append(tr) traces_array = np.array(traces) print(f"traces_array : {traces_array.shape}")](https://spacenota.ir/wp-content/uploads/2025/05/big-ring-body-420x280.webp)
