Beteigeuze in Falschfarben, ist das üblich?

Dies ist nur eine teilweise und vielleicht vorübergehende Antwort, die veröffentlicht wurde, um der Sache auf den Grund zu gehen. Ich denke, dass die Kommentare korrekt sind, Sie sehen wahrscheinlich ein Artefakt der Bildmanipulation und die Originaldaten sind nur eine 2D-Intensitätskarte.

Ich habe das Originalbild unter https://cdn.eso.org/images/screen/potw1726a.jpg heruntergeladen , zurück in .png konvertiert und in Python mit matplotlib und numpy analysiert. Im Moment sehe ich diese mysteriösen Ringe nicht, aber wenn Sie Pixelkoordinaten aus dem Originalbild bereitstellen und mehr erklären könnten, wie Sie die Ringe sichtbar gemacht haben, wäre das großartig!

Bildaufteilung in drei Farbkanäle:

Linienscans in x und y durch Mitte und Maximum:

Gleich, aber multipliziert mit 256 (8 Bit pro Kanal) und auf einer logarithmischen Skala aufgetragen:

Das Streudiagramm von G und B gegenüber R zeigt, dass diese korreliert sind. Wir sehen uns wahrscheinlich nur künstliche Färbungen aus einer Tabelle an, nicht verschiedene Datenkanäle. Auch hier könnte es ähnlich laufen .

import numpy as np
import matplotlib.pyplot as plt

fname = 'Betelgeuse in false colors.png'

img = plt.imread(fname)
print(img.shape)

if True:
    plt.figure()
    plt.subplot(2, 2, 1)
    plt.imshow(img)
    plt.title('RGB')
    for i , char in enumerate('RGB'):
        plt.subplot(2, 2, i+2)
        plt.imshow(img[..., i], cmap='gray', vmin=0, vmax=1)
        plt.title(char + ' channel', fontsize=16)
    plt.show()

rgbx_cen = img[640]
rgbx_570 = img[570]

rgby_cen = img[:, 640]
rgby_570 = img[:, 520]

things = rgbx_cen, rgbx_570, rgby_cen, rgby_570
names  = 'rgbx_cen', 'rgbx_570', 'rgby_cen', 'rgby_570'

if True:
    plt.figure()
    for i, (thing, name) in enumerate(zip(things, names)):
        plt.subplot(2, 2, i+1)
        r, g, b = thing.T[:3]
        print(r.shape, g.shape, b.shape)
        plt.plot(r, '-r')
        plt.plot(g, '-g')
        plt.plot(b, '-b')
        plt.title(name, fontsize=16)
    plt.show()

if True:
    plt.figure()
    for i, (thing, name) in enumerate(zip(things, names)):
        plt.subplot(2, 2, i+1)
        r, g, b = thing.T[:3]
        print(r.shape, g.shape, b.shape)
        plt.plot(255*r, '-r')
        plt.plot(255*g, '-g')
        plt.plot(255*b, '-b')
        plt.yscale('log')
        plt.title(name, fontsize=16)
    plt.suptitle('scaled 0 to 255', fontsize=16)
    plt.show()

if True:
    r, g, b = [x.flatten() for x in np.moveaxis(img, 2, 0)[:3, ::8, ::8].copy()]
    plt.figure()
    plt.subplot(1, 2, 1)
    plt.plot(r, g)
    plt.title('green vs. red')
    plt.subplot(1, 2, 2)
    plt.plot(r, b)
    plt.title('blue vs. red')
    plt.show()

Was auch immer diese winzigen Artefakte verursacht, es ist nicht astrophysikalisch. Das von ALMA erhaltene Bild ist monochrom , dh es wird über einen einzelnen Frequenzkanal (4 GHz Breite bei 338 GHz – siehe O'Gorman et al. 2017 , woher das Originalbild stammt) erhalten.

Die Intensitätskarte wurde dann unter Verwendung einer Farbtabelle für den öffentlichen Gebrauch koloriert.

Um eine räumliche Struktur herzustellen, sollten Sie alle Farbinformationen wegwerfen und die Gesamtintensität betrachten.

Dort gibt es eine echte Struktur, die höchstwahrscheinlich mit Variationen in der Temperatur- und Dichtestruktur in der äußeren Atmosphäre des Sterns zu tun hat. Jede reale Struktur hat keine scharfen Kanten oder feinen Details, da jedes Detail durch die räumliche Auflösung verwischt wird, die eine Breite von etwa 20 % der Scheibe des Sterns hat (dh die Scheibe wird effektiv durch etwa 5x5 unabhängige Helligkeitsmessungen abgetastet ).