Búsqueda de metano en la atmósfera de Marte mediante promedios de espectros de ocultación solar tomados por NOMAD/TGO

Búsqueda de metano en la atmósfera de Marte mediante promedios de espectros de ocultación solar tomados por NOMAD/TGO Miguel Escudero Jiménez Tutorizado por Miguel Ángel López Valverde Javier Peralta Calvillo Agradecimientos A mis tutores, por toda su paciencia e indispensable guía. A todo el consorcio de NOMAD y al equipo del IAA/CSIC, ya que este trabajo no hubiera sido posible sin su esfuerzo. A mi familia, por su constante apoyo y confianza que depositan en mí. A Teresa, por transmitirme una visión única e increíble de la vida. Resumen A principios de 2016 se lanzó la misión ExoMars Trace Gas Orbiter (TGO) de la ESA y Roscosmos. Uno de sus principales objetivos es detectar y medir, en su caso, la variabilidad de diversos gases traza. Para ello se utilizan dos instrumentos de sondeo remoto a bordo de TGO. Uno de ellos es el Nadir and Occultation for MArs Discovery (NOMAD), cuyo canal SO mide espectros de transmisión atmosférica en una geometría de ocultación solar. Algunos de estos gases minoritarios, como las especies de azufre, cloro, hidrocarburos o nitrógeno, son de gran interés, ya que pueden revelar procesos en la atmósfera o la superficie desconocidos hasta la fecha. Algunos son también importantes para comprender la evolución astrobiológica y geofísica de Marte. Sin embargo, debido a su escasa abundancia, sus firmas espectrales pueden estar por debajo del límite de detección. Para mejorar la capacidad de detección de NOMAD, se ha desarrollado una estrategia basada en un promediado cuidadoso de los espectros de transmitancia. El código desarrollado para tal fin, escrito en Python, se ha incorporado al código del Pre-Processing, desarrollado en el IAA para el análisis rutinario de los datos calibrados de nivel 1 de NOMAD. Un simple promedio directo de estas transmitancias no es apropiado debido a dos incertidumbres importantes: (1) errores sistemáticos aún presentes en los datos calibrados, y (2) la opacidad de los aerosoles marcianos, altamente variable y en principio desconocida. En este trabajo se ha seguido una estrategia en dos pasos; en primer lugar se calcula el continuo de absorción debido a los aerosoles, y en un segundo lugar se promedian un conjunto de espectros tras normalizar sus continuos. En este trabajo se presenta la primera aplicación de este método a una pequeña muestra de scans del un orden de difracción que contiene líneas espectrales de HCl, H2O y CH4. En cuanto al H2O y HCl, se ha conseguido aumentar la SNR en un factor en torno a 4, lo que permite revelar claramente líneas débiles de estos compuestos. En cuanto al CH4, no se han detectado líneas de absorción de este gas, en consonancia con trabajos anteriores de otros equipos de NOMAD y ACS. Además, se han conseguido abundancias máximas de metano en torno a 0.004 ppbv, con un criterio de 2-Sigma, lo que significa un factor 10 menor que el límite máximo anterior obtenido por Knutsen et al., 2022, con datos de NOMAD, y muy cercano a los límites de detección de ACS (en torno a 1 pptv). Índice de contenidos 1 Introducción 1 1.1 Laatmósferamarciana ............................... 1 1.2 El metano en Marte. Antecedentes e importancia . . . . . . . . . . . . . . . . . 2 1.3 La misión ExoMars-TGO .............................. 4 1.4 Objetivos....................................... 5 2 Metodología y desarrollo 6 2.1 Metodología ..................................... 6 2.1.1 Espectroscopía por ocultación solar: TGO/NOMAD . . . . . . . . . . . 6 2.1.1.1 Espectroscopía por ocultación solar . . . . . . . . . . . . . . 6 2.1.1.2 El instrumento NOMAD . . . . . . . . . . . . . . . . . . . . . 8 2.1.1.2.1 El canal SO y el filtro AOTF . . . . . . . . . . . . . 8 2.1.2 Promediado de espectros sintéticos . . . . . . . . . . . . . . . . . . . . 10 2.1.2.1 Generación de espectros ruidosos a partir de un espectro simulado .............................. 11 2.1.2.2 Alineamiento y promedio de espectros . . . . . . . . . . . . . 13 2.1.3 Promediado de espectros de TGO/NOMAD . . . . . . . . . . . . . . . . 15 2.1.3.0.1 Corrección del bending residual. La transformada wavelet. ......................... 17 2.1.3.0.2 Mejora de la determinación del continuo . . . . . . 19 2.1.3.1 Estimación del límite superior de detección de metano . . . . 22 2.1.4 Selección de datos de NOMAD . . . . . . . . . . . . . . . . . . . . . . . 24 2.2 Resultados ...................................... 27 2.2.1 Promedios de los scans seleccionados................... 27 2.2.1.1 Scan 1: 20200828_205430 (Hemisferio sur. Solsticio de verano) 29 2.2.1.2 Scan 5: 20180610_085321 (Antes del inicio de la GDS) . . . . 30 2.2.1.3 Scan 6: 20200813_211146 (Durante la fase de decaimiento de laGDS).............................. 31 2.2.1.4 Scan 8: 20191208_182741 (Hemisferio norte. Mediados del verano) ............................... 32 2.2.1.5 Scan 9: 20190716_001551 (Hemisferio sur, temporada de afelio) 34 2.2.2 Abundancia máxima de metano . . . . . . . . . . . . . . . . . . . . . . 35 2.3 Discusión de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3.1 Relación entre la opacidad atmosférica y la desviación estándar del promedio .................................... 36 2.3.2 Sobre el promedio del scan 8 entre 16 y 24 km . . . . . . . . . . . . . . 37 2.3.3 Corrección del bending residual...................... 39 2.3.4 Abundancia máxima de metano . . . . . . . . . . . . . . . . . . . . . . 40 3 Conclusiones 42 3.1 Resumen de los resultados obtenidos . . . . . . . . . . . . . . . . . . . . . . . . 42 3.2 Aplicacionesydifusión............................... 44 Bibliografía 47 Anexo: subrutinas de Python 55 1 Introducción 1.1. La atmósfera marciana Marte tiene una atmósfera muy tenue que ejerce una presión media en su superficie de aproximadamente 6,36 mbar[1], lo que equivale a menos de una centésima parte de la presión atmosférica terrestre. Dependiendo de la estación, la presión atmosférica en Marte varía desde los 4.0 hasta los 8.7 mbar[1]. La excentricidad de su órbita es algo mayor que la de nuestro planeta y se encuentra a una distancia media del Sol de 1.5 UA. En consecuencia, en el transcurso de una órbita completa, el Planeta Rojo recibe la mitad del promedio de radiación solar que llega a la Tierra[2]. Debido a esto, así como a la ausencia de océanos, la temperatura media global de su superficie alcanza un valor de -55ºC[3], y experimenta grandes cambios térmicos estacionales y pronunciadas variaciones de temperatura durante su ciclo diurno que pueden superar los 70ºC[2]. En cuanto a su composición, el dióxido de carbono (CO2) constituye el componente principal, ocupando el 95.10 % de la atmósfera, seguido del nitrógeno molecular (N2, 2.59 %), el argón (Ar, 1.94 %). El porcentaje restante está repartido en cantidades menores de agua (H2O, 0.02 %), monóxido de carbono (CO, 0.06 %) y oxígeno molecular (O2, 0.16 %)[1], así como en una serie de gases traza entre los cuales se halla el metano (CH4), o así lo han reclamado algunos estudios presentados en la siguiente sección. Esta molécula, protagonista de este trabajo, suscita un alto interés científico y plantea un gran desafío técnico por los motivos que se presentan en el apartado 1.2. El vapor de agua presente en la atmósfera marciana tiene una presión parcial típica de 10−3 mbar, lo cual equivale a unos 10−3 g de H2O por cm2. La cantidad de agua en la atmósfera que esto representa supone una diezmilésima parte de la que existe en la Tierra. Este contenido de agua varía según el suministro o eliminación estacional de los casquetes polares marcianos, introducción 2 el intercambio con el agua adsorbida1por el regolito próximo a la superficie y el transporte global debido a los vientos[4]. La misión MAVEN (Mars Atmosphere and Volatile Evolution) reveló que Marte ha estado perdiendo gas al espacio desde su formación, lo que ha provocado cambios significativos en su clima[5]. Las observaciones realizadas por esta sonda mostraron que cada segundo se escapan al espacio exterior alrededor de 100 gramos de materia atmosférica, debido esencialmente a la influencia del viento solar, al no haber un campo magnético global para contrarrestarlo. Varios estudios han llegado a la conclusión de que en un determinado período, Marte albergó una atmósfera primitiva notablemente densa, templada y húmeda, lo que propició la existencia de agua líquida en su superficie. Sin embargo, el progresivo desvanecimiento atmosférico, unido al hecho de que no existen suficientes depósitos de carbonato en la superficie marciana como para retener los gases de efecto invernadero, se han propuesto como las causas dominantes del cambio climático de Marte, provocando así sus condiciones actuales de baja temperatura y aridez[6]. 1.2. El metano en Marte. Antecedentes e importancia Las primeras detecciones de metano en Marte se publicaron en 2004, a partir del análisis de las observaciones realizadas con el instrumento FTS (Fourier Transform Spectrometer) del telescopio Canadá-Francia-Hawaii (1999)[7] y el PFS (Planetary Fourier Spectrometer), a bordo del orbitador Mars Express de la agencia espacial europea (ESA - European Space Agency) (2003) [8]. Las concentraciones de metano que se reportaron fueron en torno a 10 ppbv2y se infirió que su distribución en la atmósfera marciana podría ser heterogénea y fluctuante en función de la estacionalidad y longitud del día. En 2003 se detectó, mediante otra serie de observaciones terrestres por espectrografía echelle, la presencia de una columna de metano que llegó a alcanzar un valor pico de 45 ±10 ppbv[9]. Las lecturas de metano antes y después de este evento fueron muy bajas (< 7-8 ppbv)[10]. En 1La adsorción implica la adherencia de moléculas o partículas en la superficie de un material sólido o líquido. 2Partes por mil millones en volumen introducción 3 2011, a partir de las mediciones en espectroscopía infrarroja de alta resolución por parte de varios observatorios terrestres situados a gran altura (VLT - Very Large Telescope, Keck-2 - Keck Observatory Telescope 2, NASA-IRTF - NASA Infrared Telescope Facility), se estimaron límites superiores para el metano en Marte (<7 ppbv)[11]. Un año después, con la incorporación del rover Curiosity y su espectrómetro de masas TLS (Tunable Laser Spectrometer) del instrumen- to SAM (Sample Analysis at Mars), dentro de la misión MSL (Mars Science Laboratory) de la NASA[12], se dio comienzo a la búsqueda in situ de componentes atmosféricos en la superficie marciana, concretamente en la región del cráter Gale. Las primeras medidas de Curiosity identificaron concentraciones de metano inferiores a 2-3 ppbv, pero con el transcurso de la misión se llegaron a detectar varios picos de concentración, con un promedio de 7.2 ppbv[13]. Varios años después del comienzo de esta misión, en 2018, medidas más sensibles aportaron evidencias mas sólidas de una variación estacional en el nivel de fondo de metano atmosférico, el cual osciló entre 0.24 y 0.65 ppbv[14]. En 2019, Curiosity detectó el mayor pico de concentración de metano en tales condiciones (21 ppbv). En abril de 2018 también comenzaron las observaciones del otro protagonista de este trabajo, el orbitador TGO (Trace Gas Orbiter) de la misión ExoMars[15], cuyos detalles serán abordados en el siguiente apartado. Un año después se reportaron sus primeros resultados y, a pesar de la mayor sensibilidad instrumental en comparación con las misiones anteriores, éstos fueron negativos con respecto a la detección de metano. Este hecho implicó que, de haber trazas mínimas de metano en las zonas estudiadas, su concentración debía ser inferior al límite de sensibilidad del instrumento. Dicho límite es un orden de magnitud mayor que el nivel de fondo medido por Curiosity (≲0.05 ppbv)[16]. La presencia de metano en la atmósfera del Planeta Rojo ha despertado gran interés en la comunidad científica ya que, en la Tierra, la mayor parte del metano atmosférico es de origen biológico (por ejemplo, como producto del metabolismo microbiano)[17][18]. Por ello, la detección de metano en la atmósfera marciana y su caracterización podría arrojar luz sobre la posible existencia de vida microbiana activa o extinta, así como de materia orgánica en el planeta. No obstante, este metano también podría tener origen abiótico, ya sea a través de procesos magmáticos (desgasificación) o reacciones químicas a baja temperatura (hidrogena- introducción 4 ción de CO2)[19][20]. El CH4es químicamente inestable en la atmósfera oxidante de Marte, principalmente a causa de la radiación ultravioleta proveniente del Sol (fotólisis) y las reacciones químicas con OH y OD3. Según el conocimiento actual sobre la fotoquímica marciana, el tiempo de vida del metano debería oscilar en el rango de los 250-300 años. Por lo tanto, la presencia episódica de metano en la atmósfera, tal y como ya la han corroborado diferentes misiones, sugiere la existencia de una fuente que lo renueva continuamente, desconocida por el momento. Para tratar de encontrar una teoría que sea consistente con las detecciones de metano hasta la fecha y los resultados negativos de TGO, un primer acercamiento debería considerar la presencia de posibles mecanismos de captación o destrucción de metano, y que además éstos sean compatibles con la fotoquímica marciana[21]. 1.3. La misión ExoMars-TGO Lanzada en 2016, la misión ExoMars-TGO marcó el comienzo de una serie de misiones conjuntas entre la ESA y la agencia espacial rusa Roscosmos. Un objetivo clave de esta misión es el estudio detallado del metano y otros gases atmosféricos presentes en Marte en concentraciones bajas, inferiores al 1 % de la atmósfera marciana. También se presta especial atención a los hidrocarburos y a las especies de azufre, ya que podrían servir como indicadores de procesos biológicos o geológicos activos, tanto en el pasado como en el presente[22]. Para alcanzar este objetivo, TGO cuenta con dos módulos especializados en la detección y caracterización de gases traza: ACS (Atmospheric Chemistry Suite) y NOMAD (Nadir and Occultation for Mars Discovery). El canal SO, uno de los espectrómetros de NOMAD, es especialmente relevante en este estudio, ya que permite realizar análisis de alta resolución espectral para identificar líneas de absorción de dichos gases. Una presentación más detallada del instrumento y su canal SO se incluye en el apartado 2.1.1. Además, TGO lleva a cabo un seguimiento de los cambios estacionales en la composición y temperatura de la atmósfera marciana, con el fin de desarrollar y mejorar modelos atmosféricos detallados[22]. 3Radical hidroxilo pesado o deuterohidroxilo metodología y desarrollo 11 generación, que ha sido desarrollado por la Universidad de Karlsruhe en colaboración con el IAA/CSIC.4. El modelo KOPRA es una herramienta utilizada en astrofísica y ciencia planetaria para estudiar y simular la propagación de la radiación a través de medios estelares y atmosféricos. Éste se basa en la física del transporte radiativo, que describe cómo la radiación electromagnética interactúa con los materiales y se propaga a través de ellos. También permite obtener la opacidad, que es una medida de la capacidad de un material para absorber y dispersar la radiación, para determinar cómo la radiación se ve afectada a medida que atraviesa diferentes capas o medios. Esto permite el estudio de fenómenos como la formación de líneas espectrales, la transferencia de energía radiativa y la interacción de la radiación con la materia en entornos astrofísicos y planetarios[28]. KOPRA requiere dos tipos de información clave para realizar simulaciones realistas. La primera es una base de datos espectroscópicos precisa, y en este estudio he utilizado la versión más reciente de HITRAN (Hitran 2022). La segunda es un perfil vertical que incluye presión, temperatura y abundancias de compuestos atmosféricos, el cual simula las condiciones esperadas en el lugar de observación de NOMAD. Para obtener este perfil, se extrajeron datos del modelo climático global de Marte llamado Mars Planetary Climate Model, desarrollado por el Laboratoire de Meteorologie de la Universidad de Paris. La lectura de ambas bases de datos (HITRAN y Mars PCM), así como la ejecución de KOPRA, se realizaron utilizando una herramienta de análisis de datos desarrollada en el IAA llamada TGO Pre-Processing[30], escrita en lenguaje Python. Esta herramienta se describe con más detalle en la sección 2.4. 2.1.2.1. Generación de espectros ruidosos a partir de un espectro simulado Como ya introduje, la primera fase consistió en añadir una componente de ruido aleatorio al espectro simulado. Para generar los valores de ruido, utilicé una distribución gaussiana con una media de cero y una desviación estándar de 0.003. Seleccioné estos valores por dos razones: primero, la media de cero garantiza que al agregar el ruido a la señal, no se modifique 4La base de datos HITRAN (High Resolution Transmission Molecular Absorption) es una colección de información sobre la absorción de radiación electromagnética por moléculas en la atmósfera terrestre y otros medios. Fue desarrollada para proporcionar datos precisos y detallados sobre las características espectrales de los gases que interactúan con la radiación, como el dióxido de carbono, el ozono y el vapor de agua[29]. metodología y desarrollo 12 el continuo de transmisión5del espectro simulado original; segundo, la desviación estándar elegida es similar a la que se observa en el ruido real presente en los espectros medidos por el canal SO de NOMAD. Figura 4: Espectro simulado (línea roja) y con ruido añadido (línea azul), el cual sigue una distribución gaussiana de media nula y desviación estándar de 0.003. El rango espectral de este espectro corresponde al asociado al orden de difracción 129. El resultado de la adición de este ruido aleatorio se presenta en la Figura 2.4, que muestra una simulación del orden de difracción 129 de NOMAD. En esta figura, se pueden observar varias líneas de absorción asociadas al H2O. Luego, procedí a repetir el proceso generando múltiples espectros ruidosos con diferentes niveles de continuo para simular diversas cantidades de aerosoles (polvo en suspensión) en la atmósfera de Marte. Repartí estos espectros aleatoriamente alrededor de la posición ocupada por el espectro original para así reflejar la variabilidad de la profundidad del continuo de transmisión debido a la presencia de aerosoles en la atmósfera, los cuales bloquean la irradiancia de forma homogénea en una amplia región de frecuencias. En concreto, consideré que la repartición estuviese delimitada por la región 5El continuo de transmisión se refiere a la región del espectro electromagnético que atraviesa la atmósfera sin ser absorbida ni dispersada por los componentes atmosféricos. En esta región, la intensidad de la luz solar no experimenta cambios significativos debido a interacciones con gases presentes en la atmósfera. metodología y desarrollo 13 contenida dentro del ±10 % del valor medio de de transmisión del espectro original. Con estas condiciones traté de reflejar, de forma aproximada, lo que se visualiza en la lectura de los espectros (calibrados y preprocesados) de un scan para una muestra de espectros tomados a altitudes cercanas. Figura 5: Espectro simulado original (línea azul) y conjunto de 50 espectros ruidosos desplazados ±10 % alrededor del valor medio de transmisión del espectro original. 2.1.2.2. Alineamiento y promedio de espectros A partir de este punto, procedí a desarrollar la sección del código responsable de promediar los espectros. El primer paso considerado para este propósito fue realizar una alineación espectral antes de llevar a cabo el promedio, lo que garantiza que cada uno de los espectros tenga el mismo peso en el momento de realizar la operación de promediado. Físicamente, esta alineación consiste en normalizar los continuos de los distintos espectros, para que todos los espectros a promediar sean homogéneos en cuanto a la absorción de aerosoles. Concretamente, cada uno de los espectros se desplazó hasta un valor de transmisión común elegido sumándole la diferencia entre su continuo y dicho valor. metodología y desarrollo 14 Figura 6: Alineación de los 50 espectros ruidosos al valor medio del espectro simulado original. Finalmente, el promedio de los espectros se determinó siguiendo la operación habitual. Esto implica sumar elemento a elemento la transmitancia correspondiente a cada número de onda. Posteriormente, todos los valores resultantes se dividieron por el número de espectros involucrados en esa suma, obteniendo el espectro promedio. El resultado que se obtuvo después de este proceso se muestra en la Figura 7: metodología y desarrollo 15 Figura 7: Espectro simulado original (panel superior) y promedios obtenidos a partir de 25, 50 y 100 espectros ruidosos. En el título de cada representación se indica el número de espectros utilizados en el promediado, así como la SNR y la desviación estándar (𝜎) correspondientes. Las líneas verdes discontinuas provienen de desplazar el valor medio del promedio ±3𝜎. Se observa que el aumento de la SNR sigue la esperada proporcionalidad con √𝑁. 2.1.3. Promediado de espectros de TGO/NOMAD En el caso del promediado de espectros reales, seguí un procedimiento análogo al de los espectros sintéticos, con una diferencia: en relación al alineamiento, como mencioné previamente, los espectros fueron normalizados a un valor de transmisión común empleando como referencia sus respectivos continuos. Esto se debió a que, en el caso de los espectros reales, sí tuve a mi disposición los respectivos continuos de transmisión. La justificación de este hecho se detalla en el apartado 2.1.4.1. Consideré como valor de transmisión común la media de los continuos de los espectros seleccionados para el promedio, con el propósito de obtener una estimación de la transmitancia asociada al rango de alturas elegido. A continuación, presento una serie de puntos relevantes para detallar el procesamiento previo de los espectros estudiados en este trabajo, así como dos aplicaciones adicionales, surgidas metodología y desarrollo 16 y motivadas por este estudio con la intención de mejorar la calidad de dicho procesamiento. Los espectros cuyo promediado he realizado en este trabajo provienen del Pre-Processing, un algoritmo que desempeña el "preprocesado" de los datos calibrados de NOMAD. Se trata de una herramienta desarrollada en el IAA (Instituto de Astrofísica de Andalucía) y es utilizada para el análisis rutinario de los datos calibrados de nivel 1 de NOMAD[31]. Al igual que el código desarrollado en este trabajo, está escrita en Python, y su objetivo principal es corregir ciertos defectos en la lectura instrumental. Entre los más importantes se encuentra uno que afecta a todos los órdenes de difracción: una pendiente artificial que causa una curvatura o bending en los datos, debido a variaciones semi-aleatorias en la temperatura del detector. Este defecto es sistemático pero variable de una altura a otra y de una órbita a otra. Para lograr la corrección de esta curvatura y otros defectos relacionados con la calibración, el Pre-Processing utiliza simulaciones detalladas proporcionada por KOPRA. Estas simulaciones son altamente realistas y se utilizan para "limpiar" la curvatura espectral y las imprecisiones de la calibración. Además de esto, el Pre-Processing también extrae información clave, como la latitud, longitud, estación y altura, a partir de simulaciones del MarsPCM6. Con el fin de simular espectros comparables a los de NOMAD, KOPRA requiere conocer características fundamentales como la resolución espectral, el rango de frecuencias, las alturas tangentes de observación, el tamaño del campo de visión y los detalles de la respuesta espectral[30]. A continuación se presenta con más detalle las dos correcciones de segundo orden que realiza el Pre-Processing: la determinación del nivel del continuo y la corrección de la curvatura espectral. 1. En la primera corrección, se utilizan simulaciones de KOPRA que incluyen la absorción de aerosoles. Se comparan estos espectros simulados con los espectros de NOMAD en la región central del orden para ajustar y corregir el nivel del continuo. 2. En cuanto a la segunda corrección, se corrige el efecto de curvatura al ajustar cada espectro a un polinomio de cuarto grado. Para ello, se comparan los espectros obtenidos con las simulaciones de KOPRA, que no presentan curvatura debido a su naturaleza simulada. Estas simulaciones se modifican añadiendo una cantidad específica de absorción por 6El MarsPCM es un modelo que proporciona una representación detallada de la composición química y mineralógica de Marte, basada en datos observacionales y algoritmos especializados. metodología y desarrollo 17 aerosoles, ya que las simulaciones de KOPRA no consideran la absorción de aerosoles. Al comparar los espectros, se puede inferir un polinomio de cuarto grado que describe la curvatura instrumental. Luego, se realiza una reducción de este polinomio de los datos, lo que resulta en un espectro prácticamente plano. Además de esta corrección, este proceso proporciona una estimación de la opacidad de los aerosoles a diferentes alturas tangentes. Aún contando con la complejidad y el potencial de esta herramienta, la corrección del bending no es perfecta, ya que el ya que el uso de un polinomio es una aproximación para describir un defecto instrumental no del todo conocido, además de variable. Como resultado, después de aplicar el Pre-Processing, un espectro contiene varias componentes oscilantes adicionales, con una frecuencia mucho menor que las componentes propias de la señal. La magnitud de esta oscilación, conocida como "bending residual", depende en gran medida del espectro específico y, por ende, del scan correspondiente. Dichas oscilaciones pueden ser superiores al ruido instrumental y perjudicar a la hora de promediar espectros, lo que a su vez conlleva la pérdida de información relevante en los promedios resultantes. Esto motivó un objetivo adicional en relación a este hecho: encontrar un método para corregir estas oscilaciones, el cual se presenta en el siguiente apartado 2.1.3.1.1. 2.1.3.0.1. Corrección del bending residual. La transformada wavelet. Para eliminar los residuos sistemáticos, conocidos como bending residual, que se presentan después del Pre-Processing de los datos calibrados de NOMAD, consideré hacer uso de la transformada wavelet[32]. Esta técnica matemática se utiliza para analizar y procesar señales o datos en diferentes escalas de tiempo o frecuencia, ofreciendo una representación más detallada y precisa que otras técnicas de análisis de señales, como la transformada de Fourier. La transformada wavelet descompone la señal utilizando pequeñas ondas conocidas como wavelets, que son funciones matemáticas definidas y localizadas tanto en el tiempo como en la frecuencia. Dicha descomposición de la señal original se realiza en diferentes niveles de detalle. En cada nivel, la señal se filtra y divide en componentes de alta y baja frecuencia. Los coeficientes de la transformada wavelet representan la contribución de cada nivel de detalle y metodología y desarrollo 18 proporcionan información sobre las características específicas presentes en la señal a diferentes escalas[33]. Una vez realizada la descomposición de la señal, la componente de menor frecuencia, que está principalmente asociada al bending residual mencionado previamente, se elimina. Luego, el espectro se reconstruye con las componentes restantes. De esta manera, se logra eliminar este defecto oscilante de la señal. Sin embargo, este método no es perfecto y puede introducir algunas modificaciones en la forma del espectro y, por tanto, en la información contenida en el mismo. Para los espectros analizados en este trabajo, la función wavelet bior3.9[34] (biorthogonal) proporcionó los mejores resultados al minimizar la alteración de la información contenida en la señal, después del filtrado de la componente de menor frecuencia. Un ejemplo de cómo actúa el método descrito usando dicha función se muestra en la siguiente figura: Figura 8: Ejemplo del efecto del filtrado de baja frecuencia espectral mediante la transformada wavelet en un espectro real tomado por NOMAD a gran altura (≈84 km). En concreto, se muestra el resultado tras la aplicación de la función wavelet bior3.9. En el panel superior se representa el espectro real, mientras que en el inferior se muestra ese mismo espectro una vez realizado el filtrado. También se ha indicado la media móvil7en cada uno (línea roja) para mostrar con más claridad la curvatura de baja frecuencia de las señales. metodología y desarrollo 19 Las wavelets biortogonales destacan por su capacidad para representar eficientemente señales con características tanto de alta frecuencia como de baja frecuencia. Otra característica distintiva de las wavelets biortogonales es que están diseñadas para tener una propiedad de reconstrucción simétrica, lo que implica que se puede reconstruir la señal original a partir de sus coeficientes wavelet sin pérdida de información (en el caso de conservarse todas las componentes de la señal). En la notación biorN.M, el parámetro Nindica el número de coeficientes de la función wavelet madre, lo que define su longitud y está relacionado con la resolución en el dominio del tiempo. Un valor mayor de Nproporciona una función wavelet con mayor resolución temporal, capturando detalles más finos en la señal. Por otro lado, un valor menor de Nresulta en una función wavelet más ancha en el tiempo y menos sensible a los detalles de alta frecuencia. El parámetro M, por otro lado, se refiere al número de coeficientes de la función wavelet padre, que se utiliza en la reconstrucción de la señal original a partir de sus componentes descompuestos. Al igual que el parámetro N, el valor de Mtambién afecta la resolución temporal, pero en el contexto de la función wavelet padre. Un valor mayor de Mproporciona una función wavelet padre con mayor resolución temporal, permitiendo una mejor reconstrucción de los detalles de la señal original[35]. 2.1.3.0.2. Mejora de la determinación del continuo Contar con el valor del continuo de transmisión de cada espectro es fundamental para realizar el promedio. Esto se debe a una razón similar a la de "alinear" los espectros antes del promedio, pero con un nivel de precisión mucho mayor. Como se ha mencionado anteriormente, el nivel de continuo de cada espectro se estima mediante el Pre-Processing, utilizando la cantidad óptima de aerosoles que produce el mejor ajuste de la curvatura instrumental. Este valor óptimo se encuentra dentro de un conjunto de valores de opacidad en el que se basa el programa. Para poder promediar los espectros y conservar la máxima información relevante posible, especialmente al tratar de determinar o estimar la abundancia máxima de un gas minorita- 7La media móvil implica calcular el promedio de los valores de amplitud o intensidad de la señal dentro de un rango de frecuencias específico. Este rango puede ser definido por un ancho de banda fijo o por un número determinado de puntos de frecuencia. Se utiliza para suavizar el ruido y resaltar características importantes en un rango de frecuencias determinado. metodología y desarrollo 20 rio como el metano, consideré necesario realizar una corrección adicional a la estimación del continuo que resulta del Pre-Processing. Esta corrección consistió en ampliar los intervalos espectrales que se usan para estimar la opacidad del continuo, ampliando por tanto el número de frecuencias (que hasta ese momento era de sólo 100 valores) utilizadas para ello. Aumentar esta longitud lo suficiente implica incrementar la resolución de la opacidad, lo que permitió al programa determinar el continuo con un menor margen de error. La reducción de este error está directamente relacionada con el número de valores de opacidad empleados en el cálculo de la estimación. Para cuantificar la mejora conseguida con el aumento de la cantidad de valores, tomé la diferencia entre el valor de transmisión para una frecuencia concreta y el estimado por el Pre-Processing. Dicha frecuencia se encuentra posicionada aproximadamente en el centro del orden, lugar caracterizado por el hecho de que, por lo general, la curvatura instrumental introducida en 2.1.3.1 es menor en el mismo. Esto lo hice para todos los espectros incluidos en el scan correspondiente, es decir, para todas las alturas tangentes del mismo. metodología y desarrollo 27 Figura 12: Perfiles de opacidad correspondientes a tres de los scans escogidos para aplicar el método del promediado. Identificación de las órbitas: (A): 20191208_182741 (#8), (B): 620200813_211146 (#6), (C): 120200828_205430 (#1). 2.2. Resultados 2.2.1. Promedios de los scans seleccionados Después de seleccionar las 9 órbitas o scans más relevantes, apliqué el método del promedio a cada uno de ellos. Realicé el promediado en intervalos de altura de 8 km, comenzando desde la altura tangente mínima disponible en cada scan y llegando a una altura máxima cercana a los 50 km. Al elegir el intervalo específico, realicé una inspección visual de los espectros para garantizar que no estuviera promediando espectros con características muy diferentes entre sí, lo que me permitió preservar la mayor cantidad posible de información espectroscópica en metodología y desarrollo 28 el promedio. Como resultado, el número de espectros incluidos en la "ventana" de alturas para el promediado fue menor que si hubiera utilizado un intervalo más amplio. En esta sección se muestran, para las 5 órbitas más significativas en cuanto a características geográficas y estacionales (véase figura 2.11), una representación de los promedios resultantes calculados en intervalos de altura tangente de: (0 - 8), (16 - 24) y (40 - 48) km. Se seleccionaron los dos primeros espectros debido a que corresponden a la región con mayor absorción de gases, a pesar de tener una mayor presencia de aerosoles, la cual dificulta la visualización de picos de absorción en algunas órbitas. El tercer espectro se eligió con el propósito de ilustrar de manera más clara el efecto del bending residual en los espectros. Asimismo, se indican sus rasgos principales, como los picos de absorción característicos (de H2O y HCl) y la desviación estándar, así como el continuo de transmisión y su relación con el perfil de opacidad correspondiente. Dicha desviación estándar, asociada al error aleatorio de la señal, la calculé dentro de los límites de una región de frecuencias aparentemente libre de líneas de absorción (3027.7 - 3029.7 cm−1). También se incluyen, acompañando a cada representación, una visualización del efecto derivado de aplicar el filtrado del bending residual. metodología y desarrollo 29 2.2.1.1. Scan 1: 20200828_205430 (Hemisferio sur. Solsticio de verano) Figura 13: Promedios (líneas negras) del scan 120200828_205430 a intervalos de altura tangente de (0 - 8), (16 - 24) y (40 - 48) km. Se muestran los respectivos continuos (líneas rojas discontinuas) y el intervalo ±3𝜎alrededor de los mismos (líneas discontinuas verdes), así como las frecuencias asociadas a las líneas de absorción más intensas de CH4, H2O y HCl para el rango de frecuencias indicado (líneas discontinuas verticales naranjas, azules y amarillas, respectivamente). El resto de figuras son análogas en cuanto a esta información. metodología y desarrollo 30 Figura 14: Efecto del filtrado de baja frecuencia mediante la transformada wavelet en los promedios del scan 1: 20200828_205430. 2.2.1.2. Scan 5: 20180610_085321 (Antes del inicio de la GDS) Figura 15: Promedios del scan 5: 20180610_085321. metodología y desarrollo 31 Figura 16: Efecto del filtrado de baja frecuencia mediante la transformada wavelet en los promedios del scan 5: 20180610_085321. 2.2.1.3. Scan 6: 20200813_211146 (Durante la fase de decaimiento de la GDS) Figura 17: Promedios del scan 6: 20200813_211146. metodología y desarrollo 32 Figura 18: Efecto del filtrado de baja frecuencia mediante la transformada wavelet en los promedios del scan 6: 20200813_211146. 2.2.1.4. Scan 8: 20191208_182741 (Hemisferio norte. Mediados del verano) Figura 19: Promedios del scan 8: 20191208_182741. metodología y desarrollo 33 Figura 20: Efecto del filtrado de baja frecuencia mediante la transformada wavelet en los promedios del scan 8: 20191208_182741. Figura 21: Promedio del scan 8: 20191208_182741 en el intervalo de altura entre 16 y 24 km. metodología y desarrollo 34 2.2.1.5. Scan 9: 20190716_001551 (Hemisferio sur, temporada de afelio) Figura 22: Promedios del scan 9: 20190716_001551. Figura 23: Efecto del filtrado de baja frecuencia mediante la transformada wavelet en los promedios del scan 9: 20190716_001551. metodología y desarrollo 35 2.2.2. Abundancia máxima de metano Aunque no se observen claramente líneas de absorción del metano en los espectros promediados, esto no quiere decir que los espectros no nos puedan aportar información sobre este compuesto. De hecho, la transmitancia en las frecuencias donde se espera observar metano proporcionan una cota superior de la abundancia máxima en la atmósfera para este gas. A continuación, se presentan los resultados del cálculo de los límites máximos de abundancia de metano obtenidos en todos los scans seleccionados, utilizando el método descrito en la sección 2.1.3.2. Para obtener resultados más coherentes y facilitar su discusión, realicé promedios con ventanas de altura de (15±5), (25±5) y (35±5) km (véase la subsección 2.3.3). Tabla 2: Límites máximos de abundancia de metano correspondientes a los scans seleccionados. metodología y desarrollo 36 2.3. Discusión de los resultados 2.3.1. Relación entre la opacidad atmosférica y la desviación estándar del promedio Es bien conocido que la desviación estándar (𝜎) de un espectro puede ofrecer información sobre la magnitud del error de medición (SNR), ya sea debido a factores instrumentales o a la variabilidad real de la atmósfera. Por consiguiente, la desviación estándar también puede servir como un indicador de la calidad de los promedios generados a partir de un scan. Consideremos el scan 8 en la Tabla 1, en cuyo perfil de opacidad se observa una presencia mínima de aerosoles (véase Figura 2.13: panel A). Como se ha mencionado anteriormente, la desviación estándar se calcula en la región espectral entre 3027.7 y 3029.7 cm−1. Al excluir los dos primeros promedios, que corresponden a espectros ubicados por debajo de aproximadamente 16 km donde se encuentra la capa principal de aerosoles y, por lo tanto, son más propensos al ruido, se observa lo siguiente: al tomar la media de los valores de 𝜎y compararlos con el valor promedio de desviación estándar correspondiente a un espectro individual (≈ 0.0005)10, se obtiene una reducción en un factor 5. Teóricamente, el efecto estadístico del promedio implica un factor de reducción del "error in the mean" proporcional a √𝑁, donde 𝑁 es el número de espectros promediados. En el caso del scan considerado, con un promedio de 30 espectros por intervalo de alturas, la reducción de 𝜎, con un valor medio de 𝜎≈ 0.00010, es consistente con lo esperado, es decir, de un factor 5. Tomemos ahora el caso de los scans 6 y 1, cuyos perfiles de opacidad muestran una presencia más significativa de aerosoles en comparación con el scan 8 (véase Figura 2.13: paneles B y C). Al realizar el mismo procedimiento para obtener la desviación estándar promedio, se obtiene un factor de reducción de 3.2 (𝜎≈ 0.00015) para el scan 6 y de 2.9 (𝜎≈ 0.00017) para el scan 1. Comparando los resultados para las tres órbitas, se puede interpretar que condiciones atmosféricas, dependientes de la latitud o de la estación del año marciano juegan un papel 10Este valor representa la media de las desviaciones estándar de los espectros individuales de todos los scans seleccionados. Por consistencia, todas las desviaciones estándar han sido calculadas en la región espectral (3027.7 - 3029.7) cm−1 conclusiones 43 aerosoles se encontró un factor de reducción de 5. Este último valor concuerda con el factor de reducción, proporcional a √𝑁, que se logra por medio del promediado. Dicha proporción se ve reducida en los promedios de los otros scans, lo que ha confirmado que la presencia de aerosoles en la atmósfera afecta la dispersión de la señal espectral, y por lo tanto a la calidad del promedio. En cuanto a posibles detecciones positivas de metano, solo en uno de los scans (el número 8), uno de los promedios entre alturas de 16-24 km encontró unas líneas de absorción en posiciones espectrales coincidentes con líneas de metano, concretamente en 3016.5 cm−1 y entre 3018.2 y 3018.5 cm−1 , con una confianza de 3-𝜎. Sin embargo no se observa absorción en la línea mas intensa de metano en esta región espectral, en 3017.7 cm−1, por lo que las líneas encontradas seguramente corresponden a absorciones de líneas débiles de H2O en órdenes de difracción contiguos. Sin embargo, es necesario tener precauciones al interpretar estos resultados debido a varios factores: la falta de un indicio claro de la línea de absorción más intensa según la simulación de KOPRA, la susceptibilidad de los picos a artefactos y perturbaciones externas, la proximidad al límite de detección del instrumento y la posibilidad de contaminación entre órdenes de difracción adyacentes. Además, la resolución espectral limitada de NOMAD puede afectar la identificación precisa de las líneas de absorción. Por lo tanto, se debe considerar cuidadosamente estos factores al interpretar los resultados. A falta de una identificación clara de los picos de absorción de metano, se ha estimado la abundancia máxima de este gas utilizando los espectros promediados y se ha comparado con un estudio previo (E.W. Knutsen et al, 2021[36]). Se ha comprobado que el promediado mejora el límite máximo de abundancia de metano en un factor entre 10 y 14 en comparación con los resultados anteriores. También se ha sugerido que una versión mejorada de la corrección del bending residual, además del aumento en el número de espectros promediados, podrían contribuir a una mejora en la estimación de la abundancia máxima. Se ha discutido el efecto del bending residual en los espectros y se ha propuesto un método de corrección utilizando la transformada wavelet. Se ha encontrado que esta corrección preserva la forma de los picos de absorción individuales, lo que mejora la visualización de los mismos, especialmente a aquellos situados en las regiones en las que aparece la curvatura conclusiones 44 residual. Se ha observado un bending residual en los espectros limpios, tras el Pre-Procesing, y se ha propuesto un método de corrección del mismo mediante una transformada wavelet. Se ha encontrado que esta corrección no representa una mejora significativa de la habilidad de detección de líneas que seguimos en este trabajo, salvo en algunos casos en los que los espectros presentan curvatura real (por absorción real de líneas cercanas). En estos casos, aunque la transformación wavelet perturba absorciones reales, se podrían conseguir detecciones algo mejoradas. Concluimos que este tipo de corrección necesita un estudio propio con muchos mas casos que los nueve scans utilizados en este trabajo. En este estudio, se ha demostrado que el promediado de espectros es una estrategia fundamental para reducir la dispersión y mejorar la calidad de los datos adquiridos con el instrumento NOMAD. A través de esta técnica, se ha logrado aumentar significativamente el SNR, lo que ha revelado un gran potencial para mejorar la detección de picos de absorción y reducir el límite máximo de abundancia de metano que se puede detectar con precisión. Como se ha comentado mas arriba, la técnica del promediado es una novedad en el equipo científico del instrumento NOMAD, el cual está compuesto por más de una docena de grupos de investigación de 7 países[39]. Hasta la fecha, nadie había aplicado esta técnica debido a la dificultad de calcular y separar con precisión el continuo de absorción de los aerosoles de las contribuciones de otros gases en los datos, además de lidiar con la presencia de la mencionada curvatura instrumental que éstos presentan. La estrategia de corrección del bending que se sigue en el IAA/CSIC ha sido muy conveniente para la aplicación efectiva de estos promedios, y a su vez, este trabajo expande las posibilidades de dicha herramienta, y en general, pensamos que supone una aportación importante a la explotación científica de los datos de NOMAD. 3.2. Aplicaciones y difusión Se han llevado a cabo varias acciones para difundir y aplicar los resultados obtenidos en este estudio: conclusiones 45 1. Implementación del código en el Pre-Processing del IAA: se ha procedido a implementar el código desarrollado en este estudio en el código del Pre-processing del Instituto de Astrofísica de Andalucía (IAA). Esto significa que el código se ha integrado en el flujo de trabajo y las herramientas utilizadas por el IAA para el procesamiento y análisis de datos relacionados con el instrumento NOMAD. Esta implementación permitirá aplicar la técnica de promediado de espectros en futuras investigaciones y estudios llevados a cabo por el IAA. 2. Presentación de póster en el congreso CPESS-7[40]: se ha realizado un póster que será presentado en el congreso CPESS-7 (Ciencias Planetarias y Exploración del Sistema Solar), donde se mostrarán las conclusiones más relevantes de la investigación. Este congreso es un evento importante en el campo de la ciencia planetaria y ha proporcionado una oportunidad para compartir los resultados obtenidos con la comunidad científica. 3. Aplicación a HCl: Extensión en marcha de TFM reciente: Recientemente se ha completado un TFM en la Universidad de Granada donde se han analizado datos de NOMAD para buscar líneas de HCl[41]. El trabajo, realizado en el IAA, encontró abundancias de HCl en la época del perihelio marciano, un resultado compatible con el de otros equipos antes. Una extensión reciente de dicho trabajo para cubrir 3 años marcianos completos ha revelado muchas detecciones ambiguas, en el límite de detección, por lo que se está realizando una revisión de estos casos dudosos utilizando promedios de datos, con el código desarrollado en este trabajo. (cloruro de hidrógeno). Esto implica utilizar la metodología y el código desarrollado en este estudio para analizar datos relacionados con la presencia y distribución de HCl en la atmósfera. •Resultados preliminares en Póster sobre HCl en CPESS-7:está planificada la presentación de resultados preliminares sobre los avances en la detección y caracterización de HCl en un póster en el congreso CPESS-7. •Publicación en revista: se tiene prevista la publicación de los resultados completos y detallados sobre el HCl en una revista especializada en el campo. conclusiones 46 4. Aplicación a la búsqueda de gases traza de nitrógeno y de azufre: 2 TFM en marcha en la UGR dirigidos desde el IAA: se están llevando a cabo dos TFM en la Universidad de Granada (UGR) bajo la supervisión del IAA. En estos trabajos, se ha planteado aplicar la técnica de promediado de espectros para buscar líneas débiles de compuestos de nitrógeno y de azufre como NO2y OCS en diversos órdenes de difracción de NOMAD, especies no encontradas aún en la atmósfera marciana. Esta aplicación podría ampliar el alcance de la investigación y mejorar el conocimiento de la distribución de estos compuestos en Marte. Publicación prevista en revista internacional con árbitro: se planea publicar los resultados obtenidos en las investigaciones de los TFM mencionados anteriormente en una revista internacional con revisión por pares. Bibliografía [1] NASA - mars fact sheet. https://nssdc.gsfc.nasa.gov/planetary/factsheet/ marsfact.html. 22 de mayo de 2023. [2] Centro de Astrobiología (CSIC-INTA). Mars atmosphere. http://cab.inta-csic.es/ rems/en/mars-atmosphere/, (s.f.). [3] European Space Agency. Facts about Mars. https://www.esa.int/Science_ Exploration/Space_Science/Mars_Express/Facts_about_Mars, (s.f.). [4] B. M. Jakosky and R. J. Phillips. Mars’ volatile and climate history. Nature, 412:237–244, 2001. [5] B. M. Jakosky et al. Loss of the Martian atmosphere to space: Present-day loss rates determined from MAVEN observations and integrated loss through time. Icarus, 315:146– 157, 2018. [6] David C. Catling and James F. Kasting. Atmospheric Evolution on Inhabited and Lifeless Worlds. Cambridge University Press, 2017. [7] Vladimir A. Krasnopolsky and Timothy E. Hewagama. Detection of methane in the martian atmosphere: evidence for life? Icarus, 172(2):537–547, 2004. [8] V. Formisano, S. Atreya, T. Encrenaz, N. Ignatiev, and M. Giuranna. Detection of methane in the atmosphere of Mars. Science, 306(5702):1758–1761, 2004. [9] Michael J. Mumma, Geronimo L. Villanueva, Robert E. Novak, Tilak Hewagama, Boncho P. Bonev, Michael A. DiSanti, Avi M. Mandell, and Michael D. Smith. Strong Release of Methane on Mars in Northern Summer 2003. Science, 323(5917):1041, February 2009. [10] G. L. Villanueva, M. J. Mumma, R. E. Novak, H. U. Käufl, P. Hartogh, T. Encrenaz, A. T. Tokunaga, A. Khayat, and M. D. Smith. A sensitive search for organics (CH4, CH3OH, BIBLIOGRAFÍA 48 H2CO, C2H6, C2H2, C2H4), hydroperoxyl (HO2), nitrogen compounds (N2O, NH3, HCN) and chlorine species (HCl, CH3Cl) on Mars using ground-based high-resolution infrared spectroscopy. Icarus, 223(1):11–27, 2013. [11] Christopher R. Webster, Paul R. Mahaffy, Sushil K. Atreya, Gregory J. Flesch, Michael A. Mischna, Pierre-Yves Meslin, Kenneth A. Farley, Pamela G. Conrad, Lance E. Christensen, Alexander A. Pavlov, F. Javier Martín-Torres, María-Paz Zorzano, Timothy H. Mc- Connochie, Tobias Owen, Jennifer L. Eigenbrode, Daniel P. Glavin, Andrew Steele, Charles A. Malespin, P. Douglas Archer, Brad Sutter, Patrice Coll, Caroline Freissinet, Christopher P. McKay, Susanne P. Schwenzer, John C. Bridges, Rafael Navarro-Gonzalez, Ralf Gellert, Mark T. Lemmon, and MSL Science Team. Methane on Mars: A review. Science, 342(6156):263–266, 2013. [12] John P. Grotzinger, Joy Crisp, Ashwin R. Vasavada, Robert C. Anderson, Charles J. Baker, Robert Barry, David F. Blake, Pamela Conrad, Kenneth S. Edgett, Bobak Ferdowski, Ralf Gellert, John B. Gilbert, Matt Golombek, Javier Gómez-Elvira, Donald M. Hassler, Louise Jandura, Maxim Litvak, Paul Mahaffy, Justin Maki, Michael Meyer, Michael C. Malin, Igor Mitrofanov, John J. Simmonds, David Vaniman, Richard V. Welch, and Roger C. Wiens. Mars Science Laboratory Mission and Science Investigation. , 170(1-4):5–56, September 2012. [13] Christopher R. Webster, Paul R. Mahaffy, Sushil K. Atreya, Gregory J. Flesch, Michael A. Mischna, Pierre-Yves Meslin, Kenneth A. Farley, Pamela G. Conrad, Lance E. Christensen, Alexander A. Pavlov, F. Javier Martín-Torres, María-Paz Zorzano, Timothy H. McConnochie, Tobias Owen, Jennifer L. Eigenbrode, Daniel P. Glavin, Andrew Steele, Charles A. Malespin, P. Douglas Archer, Brad Sutter, Patrice Coll, Caroline Freissinet, Christopher P. McKay, Susanne P. Schwenzer, John C. Bridges, Rafael Navarro-Gonzalez, Ralf Gellert, Mark T. Lemmon, and MSL Science Team. Mars methane detection and variability at Gale crater. Science, 347(6220):415–417, 2015. [14] Christopher R. Webster, Paul R. Mahaffy, Sushil K. Atreya, John E. Moores, Gregory J. Flesch, Charles Malespin, Christopher P. McKay, German Martinez, Christina L. Smith, BIBLIOGRAFÍA 49 Javier Martin-Torres, Javier Gomez-Elvira, Maria-Paz Zorzano, Michael H. Wong, Melissa G. Trainer, Andrew Steele, Doug Archer, Brad Sutter, Patrice J. Coll, Caroline Freissinet, Pierre-Yves Meslin, Raina V. Gough, Christopher H. House, Alexander Pavlov, Jennifer L. Eigenbrode, Daniel P. Glavin, John C. Pearson, Didier Keymeulen, Lance E. Christensen, Susanne P. Schwenzer, Rafael Navarro-Gonzalez, Jorge Pla-García, Scot C. R. Rafkin, Álvaro Vicente-Retortillo, Henrik Kahanpää, Daniel Viudez-Moreiras, Michael D. Smith, Ari-Matti Harri, Maria Genzer, Donald M. Hassler, Mark Lemmon, Joy Crisp, Stanley P. Sander, Richard W. Zurek, and Ashwin R. Vasavada. Background levels of methane in Mars’ atmosphere show strong seasonal variations. Science, 360(6393):1093–1096, June 2018. [15] A. C. Vandaele, J. J. Lopez-Moreno, M. R. Patel, G. Bellucci, F. Daerden, B. Ristic, S. Robert, I. R. Thomas, V. Wilquet, M. Allen, G. Alonso-Rodrigo, F. Altieri, S. Aoki, D. Bolsée, T. Clancy, E. Cloutis, C. Depiesse, R. Drummond, A. Fedorova, V. Formisano, B. Funke, F. González-Galindo, A. Geminale, J. C. Gérard, M. Giuranna, L. Hetey, N. Ignatiev, J. Kaminski, O. Karatekin, Y. Kasaba, M. Leese, F. Lefèvre, S. R. Lewis, M. López-Puertas, M. López-Valverde, A. Mahieux, J. Mason, J. McConnell, M. Mumma, L. Neary, E. Neefs, E. Renotte, J. Rodriguez-Gomez, G. Sindoni, M. Smith, A. Stiepen, A. Trokhimovsky, J. Vander Auwera, G. Villanueva, S. Viscardy, J. Whiteway, Y. Willame, and M. Wolff. NOMAD, an Integrated Suite of Three Spectrometers for the ExoMars Trace Gas Mission: Technical Description, Science Objectives and Expected Performance. , 214(5):80, August 2018. [16] European Space Agency. First results from the ExoMars Trace Gas Orbiter. https://www.esa.int/Science_Exploration/Human_and_Robotic_ Exploration/Exploration/ExoMars/First_results_from_the_ExoMars_Trace_ Gas_Orbiter, 10 de abril de 2019. [17] M. Saunois, A. R. Stavert, B. Poulter, P. Bousquet, J. G. Canadell, R. B. Jackson, P. A. Raymond, E. J. Dlugokencky, S. Houweling, P. K. Patra, P. Ciais, V. K. Arora, D. Bastviken, P. Bergamaschi, D. R. Blake, G. Brailsford, L. Bruhwiler, K. M. Carlson, M. Carrol, BIBLIOGRAFÍA 50 S. Castaldi, N. Chandra, C. Crevoisier, P. M. Crill, K. Covey, C. L. Curry, G. Etiope, C. Frankenberg, N. Gedney, M. I. Hegglin, L. Höglund-Isaksson, G. Hugelius, M. Ishizawa, A. Ito, G. Janssens-Maenhout, K. M. Jensen, F. Joos, T. Kleinen, P. B. Krummel, R. L. Langenfelds, G. G. Laruelle, L. Liu, T. Machida, S. Maksyutov, K. C. McDonald, J. McNorton, P. A. Miller, J. R. Melton, I. Morino, J. Müller, F. Murguia-Flores, V. Naik, Y. Niwa, S. Noce, S. O’Doherty, R. J. Parker, C. Peng, S. Peng, G. P. Peters, C. Prigent, R. Prinn, M. Ramonet, P. Regnier, W. J. Riley, J. A. Rosentreter, A. Segers, I. J. Simpson, H. Shi, S. J. Smith, L. P. Steele, B. F. Thornton, H. Tian, Y. Tohjima, F. N. Tubiello, A. Tsuruta, N. Viovy, A. Voulgarakis, T. S. Weber, M. van Weele, G. R. van der Werf, R. F. Weiss, D. Worthy, D. Wunch, Y. Yin, Y. Yoshida, W. Zhang, Z. Zhang, Y. Zhao, B. Zheng, Q. Zhu, Q. Zhu, and Q. Zhuang. The global methane budget 2000–2017. Earth System Science Data, 12(3):1561–1623, 2020. [18] Judith A. Rosentreter, Alberto V. Borges, Bridget R. Deemer, Meredith A. Holgerson, Shaoda Liu, Chunlin Song, John Melack, Peter A. Raymond, Carlos M. Duarte, George H. Allen, David Olefeldt, Benjamin Poulter, Tom I. Battin, and Bradley D. Eyre. Half of global methane emissions come from highly variable aquatic ecosystem sources. Nature Geoscience, 14(4):225–230, 2021. [19] G. Etiope and B. Sherwood Lollar. Abiotic Methane on Earth. Reviews of Geophysics, 51:276–299, 2013. [20] D. Oehler and G. Etiope. Methane seepage on mars: where to look and why. Astrobiology, 17:1233–1264, 2017. [21] O. Korablev et al. No detection of methane on Mars from early ExoMars Trace Gas Orbiter observations. Nature, 568:517–520, 2019. [22] European Space Agency. Trace Gas Orbiter. https://exploration.esa.int/web/ mars/-/46475-trace-gas-orbiter, 12 de marzo de 2020. [23] H. Svedhem, J. L. Vago, P. Mitschdörfer, R. de Groot, M. Montagna, and P.-Y. Renaud. The ExoMars Trace Gas Orbiter. Space Sci. Rev., 215(In press), 2019. BIBLIOGRAFÍA 51 [24] Peter Bernath. Solar occultation. http://www.ace.uwaterloo.ca/solar_ occultation.php. s.f. [25] A C Vandaele, E Neefs, R Drummond, I R Thomas, F Daerden, J.-J. Lopez-Moreno, J Rodriguez, M R Patel, G Bellucci, M Allen, F Altieri, D Bolsée, T Clancy, S Delanoye, C Depiesse, E Cloutis, A Fedorova, V Formisano, B Funke, D Fussen, A Geminale, J.-C. Gérard, M Giuranna, N Ignatiev, J Kaminski, O Karatekin, F Lefèvre, M López-Puertas, M López- Valverde, A Mahieux, J McConnell, M Mumma, L Neary, E Renotte, B Ristic, S Robert, M Smith, S Trokhimovsky, J Vander Auwera, G Villanueva, J Whiteway, V Wilquet, and M Wolff. Science objectives and performances of NOMAD, a spectrometer suite for the ExoMars TGO mission. Planetary and Space Science, 119:233–249, 2015. [26] Dennis Nevejans, E. Neefs, Emiel Ransbeeck, Sophie Berkenbosch, Roland Clairquin, Lie- ve Vos, Wouter Moelans, Stijn Glorieux, Ann Baeke, O. Korablev, Imant Vinogradov, Yuri Kalinnikov, Benny Bach, Jean-Pierre Dubois, and Eric Villard. Compact high-resolution spaceborne echelle grating spectrometer with acousto-optical tunable filter based order sorting for the infrared domain from 2.2 to 4.3µm. Applied optics, 45:5191–206, 08 2006. [27] Ian R Thomas, Shohei Aoki, Loïc Trompet, Séverine Robert, Cédric Depiesse, Yannick Willame, Justin T Erwin, Ann Carine Vandaele, Frank Daerden, Arnaud Mahieux, Eddy Neefs, Bojan Ristic, Laszlo Hetey, Sophie Berkenbosch, Roland Clairquin, Bram Beeckman, Manish R Patel, Jose Juan Lopez-Moreno, and Giancarlo Bellucci. Calibration of NOMAD on ESA’s ExoMars Trace Gas Orbiter: Part 1 – The Solar Occultation channel. Planetary and Space Science, 218:105411, 2022. [28] IMK-ASF - institute of meteorology and climate research, atmospheric trace gases and remote sensing. https://www.imk-asf.kit.edu/english/312.php. (s.f.). [29] HITRAN - High-Resolution Transmission Molecular Absorption Database. https:// hitran.org. Mayo de 2023. [30] M.A. Lopez-Valverde, B. Funke, A. Brines, A. Stolzenbach, A. Modak, B. Hill, F. Gonzalez- Galindo, I. Thomas, L. Trompet, S. Aoki, G. Villanueva, G. Liuzzi, J. Erwin, U. Grabowski, BIBLIOGRAFÍA 52 F. Forget, J.J. Lopez-Moreno, J. Rodriguez-Gomez, B. Ristic, F. Daerden, and ... the NOMAD team. Martian atmospheric temperature and density profiles during the 1st year of NOMAD/TGO solar occultation measurements. Journal of Geophysical Research: Planets, 127, 2023. [31] Yannick Willame, Cédric Depiesse, Jonathon P. Mason, Ian R. Thomas, Manish R. Patel, Brijen Hathi, Mark R. Leese, David Bolsée, Michael J. Wolff, Loïc Trompet, Ann Carine Vandaele, Arianna Piccialli, Shohei Aoki, Bojan Ristic, Eddy Neefs, Bram Beeckman, Sophie Berkenbosch, Roland Clairquin, Arnaud Mahieux, Nuno Pereira, Séverine Robert, Sébastien Viscardy, Valérie Wilquet, Frank Daerden, José Juan Lopez-Moreno, and Giancarlo Bellucci. Calibration of the NOMAD-UVIS data. , 218:105504, September 2022. [32] Gregory R. Lee and Ralf Gommers and Filip Waselewski and Kai Wohlfahrt and Aaron O’Leary. PyWavelets: A Python package for wavelet analysis. Journal of Open Source Software, 4(36):1237, 2019. [33] G. Strang and T. Nguyen. Wavelets and Filter Banks. Wellesley-Cambridge Press, 1996. [34] Wavelets.pybytes.com - biorthogonal 3.9 wavelet. https://wavelets.pybytes.com/ wavelet/bior3.9/. s.f. [35] Mallat Stéphane. Chapter 7 - wavelet bases. In A Wavelet Tour of Signal Processing (Third Edition), pages 263–376. Academic Press, Boston, third edition edition, 2009. [36] Elise W. Knutsen, Geronimo L. Villanueva, Giuliano Liuzzi, Matteo M. J. Crismani, Michael J. Mumma, Michael D. Smith, Ann Carine Vandaele, Shohei Aoki, Ian R. Thomas, Frank Daerden, Sébastien Viscardy, Justin T. Erwin, Loic Trompet, Lori Neary, Bojan Ristic, Miguel Angel Lopez-Valverde, Jose Juan Lopez-Moreno, Manish R. Patel, Ozgur Karatekin, and Giancarlo Bellucci. Comprehensive investigation of Mars methane and organics with ExoMars/NOMAD. , 357:114266, March 2021. [37] G. L. Villanueva, M. D. Smith, S. Protopapa, S. Faggi, and A. M. Mandell. Planetary Spectrum Generator: An accurate online radiative transfer suite for atmospheres, comets, small bodies and exoplanets. , 217:86–104, September 2018.