اگر از شما بخواهم یک تلسکوپ رادیویی را تصویر کنید، احتمالاً یک بشقاب بزرگ را تصور می‌کنید که به آسمان اشاره می‌کند، یا حتی مجموعه‌ای از آنتن‌های بشقاب مانند آرایه بسیار بزرگ. چیزی که احتمالا تصور نمی کنید چیزی است که شبیه یک ظرف تلویزیون در حیاط خلوت همسایه شماست. با الکترونیک مدرن، ساخت تلسکوپ رادیویی خود نسبتاً آسان است. برای درک اینکه چگونه می توان این کار را انجام داد، مقاله اخیر جک فلپس را بررسی کنید.
او به تفصیل توضیح می‌دهد که چگونه می‌توانید یک تلسکوپ رادیویی کوچک با یک بشقاب ماهواره‌ای ۱ متری، یک Raspberry Pi و برخی دیگر از لوازم الکترونیکی اولیه مانند مبدل‌های آنالوگ به دیجیتال بسازید. این مطلب خواندنی جذابی است و یکی از ویژگی‌های جالب آن این است که طراحی‌اش روی فرکانس ۱۴۲۰.۴۰۵ مگاهرتز تنظیم شده است. این فرکانس به وسیله هیدروژن خنثی ساطع می‌شود. با توجه به اینکه طول موج آن حدود ۲۱ سانتی‌متر است، خط انتشار هیدروژن گاهی اوقات به عنوان خط ۲۱ سانتی‌متر شناخته می‌شود. هیدروژن خنثی بخش عمده‌ای از ماده در کیهان را تشکیل می‌دهد. تابش ۲۱ سانتی‌متری به‌خصوص روشن نیست، اما به دلیل وجود مقدار زیادی از هیدروژن در فضا، تشخیص سیگنال آسان است. و هر جا که ماده وجود داشته باشد، خط هیدروژن نیز حضور خواهد داشت.
گسیل در اثر چرخش اسپین الکترون هیدروژن ایجاد می شود. این یک انتشار بسیار ظریف است، به این معنی که خط بسیار تیز است. اگر می بینید که خط کمی جابه جا شده است، می دانید که به دلیل حرکت نسبی است. ستاره شناسان از این خط برای نقشه برداری از توزیع ماده در کهکشان راه شیری استفاده کرده اند و حتی از آن برای اندازه گیری چرخش کهکشان ما استفاده کرده اند. مشاهدات اولیه این خط به وجود ماده تاریک در کهکشان ما اشاره کرد. و اکنون می توانید آن را در خانه انجام دهید.
اجسام رادیویی دیگری نیز وجود دارند که می توانید در آسمان مشاهده کنید. خورشید با توجه به سیگنال رادیویی قوی آن یک هدف محبوب است. مشتری منبع تا حدودی درخشان دیگری است. این یک سرگرمی جالب است. حتی اگر قصد ندارید از خودتان تلسکوپ رادیویی بسازید، ارزش آن را دارد که مقاله را بررسی کنید تا ببینید نجوم رادیویی تا چه حد قابل دسترس شده است.
![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)
