面向物理系本科一年级 · 可执行教程
教程目标：理解 Ponti et al. (2023) 用 eFEDS 巡天在远离 M31 的天区拟合出的两个 SWCX scenario（negligible / high），如何经过 band reconstruction 变成 Figure 3 上的两个固定点。 Tutorial goal: Understand how the two SWCX scenarios (negligible / high) fitted by Ponti et al. (2023) from eFEDS fields far from M31 are band-reconstructed into two fixed points on Figure 3.
目标读者：物理系本科一年级，已学完普通物理（电磁学/光学），了解基本的原子物理概念（能级、跃迁），但不需要天文观测经验。 Target audience: First-year physics undergraduates who have completed general physics (electromagnetism/optics) and basic atomic physics, without requiring astronomical observing experience.
核心问题：Ponti+2023 在 \(l \approx 220\text{–}235^\circ\), \(b \approx 20\text{–}40^\circ\) 的 eFEDS 天区（离 M31 > \(105^\circ\)）拟合银河系 CGM 时，论文 Table 4 只给 0.3–0.6 keV 和 0.6–2.0 keV 两个分开的 bin 的 flux。而 Figure 3 需要 0.5–2.0 keV 的统一波段。怎么把两个 bin 重新拼成 0.5–2.0 keV？为什么结果是两个固定点而不是一个 central estimate + error bar？
Core question: Ponti+2023 fit the Milky Way CGM in eFEDS fields at \(l \approx 220\text{–}235^\circ\), \(b \approx 20\text{–}40^\circ\) (more than \(105^\circ\) from M31). The paper’s Table 4 reports flux in two separate bins — 0.3–0.6 keV and 0.6–2.0 keV. Figure 3 needs a unified 0.5–2.0 keV band. How do we reconstruct one band from two? And why are the results two fixed points rather than a central estimate + error bar?
本教程只需要 Python 标准科学栈。所有数据文件已随教程提供。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pathlib import Path
plt.style.use('seaborn-v0_8-whitegrid')
plt.rcParams['font.size'] = 12
plt.rcParams['figure.dpi'] = 150
plt.rcParams['savefig.dpi'] = 300
# NOTE: do NOT add a CJK font fallback here — see SKILL.md
# All matplotlib text labels stay English-only.
DATA = Path("assets/data")
print("Environment ready!")Environment ready!eFEDS（eROSITA Final Equatorial-Depth Survey）是 SRG/eROSITA 在赤道带进行的一次深巡天，覆盖约 60 平方度。Ponti et al. (2023) 分析了其中位于 \(l \approx 220\text{–}235^\circ\), \(b \approx 20\text{–}40^\circ\) 的一组指向。这些天区离 M31 方向超过 \(105^\circ\)——也就是说，eFEDS 并不指向 M31，它测量的是银河系 CGM 在另一片天空的亮度。
论文用 Lodders APEC 等离子体模型（而不是 Henley & Shelton 2013 用的 Raymond-Smith）拟合这些视线上的银河系热气体，并显式建模 Solar Wind Charge Exchange（SWCX） 这一前景成分。
SWCX（太阳风电荷交换）：太阳风中的高价离子（如 O\(^{7+}\)、C\(^{6+}\)）与中性原子（主要是星际介质中的 H、He）碰撞时”偷走”一个电子，电子随后落到低能级并放出 X 射线光子。SWCX 产生的谱线（如 O VII 0.56 keV、O VIII 0.65 keV）与银河系热气体 CGM 的谱线高度重叠，在软 X 射线波段极难区分。
Ponti+2023 对 SWCX 前景做了两种假设：
这两个 scenario 不是”central ± error”——它们是论文对 SWCX 前景不确定性的两个端点假设。每个 scenario 都有自己的最佳拟合 \(kT\)、\(Z\)、\(N_\mathrm{H}\) 分布参数，因此每个 scenario 都要独立地做 band reconstruction。
论文 Table 4 给的 flux 是两个分开的能量 bin：
而 Figure 3 统一用 0.5–2.0 keV。注意 0.5–2.0 keV 并不是两个 bin 的简单相加：soft bin 覆盖 0.3–0.6 keV，我们只需要它的 0.5–0.6 keV 部分，再拼上整个 0.6–2.0 keV。这就是 band reconstruction。
对一个固定的 SWCX scenario \(s\)：
\[ S_{0.5\text{–}2.0}^{(s)} = \underbrace{S_{0.3\text{–}0.6}^{(s)} \times f_{0.5\text{–}0.6 / 0.3\text{–}0.6}^{(s)}}_{\text{soft bin 的 0.5–0.6 部分}} + \underbrace{S_{0.6\text{–}2.0}^{(s)}}_{\text{整个 hard bin}} \]
其中分数 \(f_{0.5\text{–}0.6 / 0.3\text{–}0.6}^{(s)}\) 由该 scenario 的 \(kT\)、\(Z\) 和 \(N_\mathrm{H}\) 分布（lognormal）下的 Lodders APEC 模型谱决定。
graph TD
A["eFEDS 拟合<br/>Lodders APEC + disnht"] --> B["两个 SWCX scenario:<br/>negligible / high"]
B --> C["每个 scenario 有自己的<br/>kT, Z, log N_H 分布"]
C --> D["Table 4: S(0.3-0.6) + S(0.6-2.0)"]
D --> E["用 APEC(kT,Z,N_H) 求<br/>f = F(0.5-0.6) / F(0.3-0.6)"]
E --> F["S(0.5-2.0) = S(0.3-0.6)·f + S(0.6-2.0)"]
F --> G["deg⁻² → arcmin⁻²<br/>10⁻¹³ → 10⁻¹⁵"]
G --> H["Figure 3: 两个固定点"]graph TD
A["eFEDS 拟合<br/>Lodders APEC + disnht"] --> B["两个 SWCX scenario:<br/>negligible / high"]
B --> C["每个 scenario 有自己的<br/>kT, Z, log N_H 分布"]
C --> D["Table 4: S(0.3-0.6) + S(0.6-2.0)"]
D --> E["用 APEC(kT,Z,N_H) 求<br/>f = F(0.5-0.6) / F(0.3-0.6)"]
E --> F["S(0.5-2.0) = S(0.3-0.6)·f + S(0.6-2.0)"]
F --> G["deg⁻² → arcmin⁻²<br/>10⁻¹³ → 10⁻¹⁵"]
G --> H["Figure 3: 两个固定点"]
efeds = pd.read_csv(DATA / "m31_cgmsum_efeds2023_absorbed_0p5_2p0.csv")
print(f"Loaded {len(efeds)} SWCX scenarios")
print(f"Columns: {list(efeds.columns)}")
efedsLoaded 2 SWCX scenarios
Columns: ['scenario_id', 'temperature_keV', 'abundance_solar', 'mean_log10_nh_cm-2', 'sigma_log10_nh', 'published_0p3_0p6_1e13_deg-2', 'published_0p6_2p0_1e13_deg-2', 'model_ratio_0p5_0p6_to_0p3_0p6', 'flux_0p5_2p0_plot_central_fluxunit', 'flux_0p5_2p0_reconstruction_low_fluxunit', 'flux_0p5_2p0_reconstruction_high_fluxunit']| scenario_id | temperature_keV | abundance_solar | mean_log10_nh_cm-2 | sigma_log10_nh | published_0p3_0p6_1e13_deg-2 | published_0p6_2p0_1e13_deg-2 | model_ratio_0p5_0p6_to_0p3_0p6 | flux_0p5_2p0_plot_central_fluxunit | flux_0p5_2p0_reconstruction_low_fluxunit | flux_0p5_2p0_reconstruction_high_fluxunit | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | negligible_swcx | 0.157 | 0.068 | 20.51 | 0.117 | 24.1 | 5.6 | 0.374870 | 0.406510 | 0.406510 | 0.406510 |
| 1 | high_swcx | 0.173 | 0.058 | 20.51 | 0.117 | 15.6 | 4.9 | 0.357916 | 0.291208 | 0.291208 | 0.291208 |
数据只有 2 行——对应两个 SWCX scenario：
| 列名 | 含义 |
|---|---|
scenario_id |
SWCX 情景名（negligible_swcx / high_swcx） |
temperature_keV |
拟合的 CGM 温度 \(kT\)（keV） |
abundance_solar |
金属丰度 \(Z / Z_\odot\) |
mean_log10_nh_cm-2 |
lognormal \(N_\mathrm{H}\) 分布的均值（\(\log_{10} N_\mathrm{H}\)） |
sigma_log10_nh |
lognormal \(N_\mathrm{H}\) 分布的 \(\sigma\)（本项目采用 PDF 值 0.117） |
published_0p3_0p6_1e13_deg-2 |
论文 Table 4 的 0.3–0.6 keV flux（\(10^{-13}\) erg cm\(^{-2}\) s\(^{-1}\) deg\(^{-2}\)） |
published_0p6_2p0_1e13_deg-2 |
论文 Table 4 的 0.6–2.0 keV flux（同单位） |
model_ratio_0p5_0p6_to_0p3_0p6 |
由 APEC 模型算出的 \(f = F_{0.5\text{–}0.6} / F_{0.3\text{–}0.6}\) |
flux_0p5_2p0_plot_central_fluxunit |
band reconstruction 后的 0.5–2.0 keV flux（Figure 3 单位：\(10^{-15}\) erg cm\(^{-2}\) s\(^{-1}\) arcmin\(^{-2}\)） |
flux_0p5_2p0_reconstruction_low_fluxunit |
重建下界（本场景下与 central 相同——见 §6） |
flux_0p5_2p0_reconstruction_high_fluxunit |
重建上界（本场景下与 central 相同——见 §6） |
如果 Figure 3 要的是 0.3–2.0 keV，那直接把两个 bin 相加就行。但 Figure 3 要的是 0.5–2.0 keV，比 soft bin 的起点（0.3 keV）高 0.2 keV。这 0.2 keV 的差异看似很小，但在软 X 射线波段，0.3–0.5 keV 恰好是 O VII / O VIII 复合线密集的区域，被吸收得也最厉害。直接相加会高估 0.5–2.0 keV 的 flux。
对每个 scenario，我们已经有了它的最佳拟合 \(kT\)、\(Z\) 和 \(N_\mathrm{H}\) 分布参数。用 Lodders APEC 等离子体模型生成该 scenario 的理论谱（已吸收），然后数值积分：
\[ f^{(s)} = \frac{\int_{0.5}^{0.6} F_E^{(s)}(E)\, dE}{\int_{0.3}^{0.6} F_E^{(s)}(E)\, dE} \]
其中 \(F_E^{(s)}(E)\) 是 scenario \(s\) 下的 absorbed APEC 谱（单位能量内的光子或能量 flux）。\(N_\mathrm{H}\) 分布是 lognormal，所以吸收要对 \(N_\mathrm{H}\) 做 quadrature（加权积分）——这是为什么数据里有 mean_log10_nh_cm-2 和 sigma_log10_nh。
# Schematic illustration: we don't run APEC here, but we draw the band
# boundaries so students see what "0.5-0.6 out of 0.3-0.6" means.
fig, ax = plt.subplots(figsize=(8, 5))
# Schematic absorbed thermal spectrum shapes (not real APEC, just for teaching)
E = np.linspace(0.2, 2.0, 1000)
def schematic_spec(E, kT):
# Very rough bremsstrahlung-like shape, just for visualization
return np.exp(-E/kT) * np.exp(-0.3*E) # *0.3 = schematic absorption
for i, row in efeds.iterrows():
label = row["scenario_id"].replace("_", " ")
ax.plot(E, schematic_spec(E, row["temperature_keV"]),
label=f"{label} kT={row['temperature_keV']:.3f} keV",
linewidth=2)
# Shade the two published bins
ax.axvspan(0.3, 0.6, color="#2676b8", alpha=0.10, label="Published soft bin 0.3-0.6 keV")
ax.axvspan(0.6, 2.0, color="#d47a2c", alpha=0.10, label="Published hard bin 0.6-2.0 keV")
# Highlight the 0.5-0.6 sub-slice we need
ax.axvspan(0.5, 0.6, color="#b74842", alpha=0.35,
label="Sub-slice 0.5-0.6 keV (needed for 0.5-2.0)")
ax.axvline(0.5, color="#b74842", linestyle="--", linewidth=1)
ax.set_xlabel("Energy (keV)")
ax.set_ylabel("Schematic flux (arb. units)")
ax.set_title("eFEDS Ponti+2023: two SWCX scenarios and band reconstruction")
ax.set_xlim(0.2, 2.0)
ax.legend(fontsize=9, loc="upper right")
plt.show()
观察： - 两个 scenario 的 \(kT\) 很接近（0.157 vs 0.173 keV），谱形相似但 soft bin 区略有不同。 - 0.5–0.6 keV 只是 soft bin 的一小段，但它决定了我们丢弃多少 0.3–0.5 keV 的 flux。 - high_swcx scenario 的 CGM 更暗（SWCX 抢走了一部分 flux），所以两个点在 Figure 3 上会分开。
对每个 scenario \(s\)：
\[ S_{0.5\text{–}2.0}^{(s)} = S_{0.3\text{–}0.6}^{(s)} \times f^{(s)} + S_{0.6\text{–}2.0}^{(s)} \]
其中 \(f^{(s)}\) = model_ratio_0p5_0p6_to_0p3_0p6。
论文 Table 4 的 flux 单位是 \(10^{-13}\) erg cm\(^{-2}\) s\(^{-1}\) deg\(^{-2}\)，Figure 3 用 \(10^{-15}\) erg cm\(^{-2}\) s\(^{-1}\) arcmin\(^{-2}\)：
合起来：\(S_{\mathrm{fig}} = S_{\mathrm{tab}} \times \frac{100}{3600} = \frac{S_{\mathrm{tab}}}{36}\)
# Band reconstruction + unit conversion
efeds["reconstructed_0p5_2p0_1e13_deg-2"] = (
efeds["published_0p3_0p6_1e13_deg-2"] * efeds["model_ratio_0p5_0p6_to_0p3_0p6"]
+ efeds["published_0p6_2p0_1e13_deg-2"]
)
# Table 4 units (1e-13 / deg^2) -> Figure 3 units (1e-15 / arcmin^2): /36
efeds["reconstructed_fluxunit"] = efeds["reconstructed_0p5_2p0_1e13_deg-2"] / 36.0
print(f"{'scenario':<18s} {'S(0.3-0.6)':>10s} {'f':>8s} {'S(0.6-2.0)':>10s} "
f"{'S(0.5-2.0) tab':>14s} {'S(0.5-2.0) fig':>14s}")
for _, r in efeds.iterrows():
print(f"{r['scenario_id']:<18s} {r['published_0p3_0p6_1e13_deg-2']:>10.3f} "
f"{r['model_ratio_0p5_0p6_to_0p3_0p6']:>8.4f} "
f"{r['published_0p6_2p0_1e13_deg-2']:>10.3f} "
f"{r['reconstructed_0p5_2p0_1e13_deg-2']:>14.4f} "
f"{r['reconstructed_fluxunit']:>14.6f}")scenario S(0.3-0.6) f S(0.6-2.0) S(0.5-2.0) tab S(0.5-2.0) fig
negligible_swcx 24.100 0.3749 5.600 14.6344 0.406510
high_swcx 15.600 0.3579 4.900 10.4835 0.291208# Verify against the frozen Figure 3 ledger values stored in the CSV
for _, r in efeds.iterrows():
sid = r["scenario_id"]
manual = r["reconstructed_fluxunit"]
ledger = r["flux_0p5_2p0_plot_central_fluxunit"]
print(f"{sid}:")
print(f" Manual reconstruction: {manual:.10f}")
print(f" Ledger (CSV central): {ledger:.10f}")
np.testing.assert_allclose(manual, ledger, rtol=0, atol=1e-8)
print(f" OK Match to < 1e-8")
print("\nAll scenarios match the frozen Figure 3 ledger.")negligible_swcx:
Manual reconstruction: 0.4065102009
Ledger (CSV central): 0.4065102009
OK Match to < 1e-8
high_swcx:
Manual reconstruction: 0.2912081084
Ledger (CSV central): 0.2912081084
OK Match to < 1e-8
All scenarios match the frozen Figure 3 ledger.fig, ax = plt.subplots(figsize=(8, 4.5))
scenarios = efeds["scenario_id"].tolist()
vals = efeds["reconstructed_fluxunit"].tolist()
colors = ["#2676b8", "#d47a2c"]
for i, (s, v, c) in enumerate(zip(scenarios, vals, colors)):
label = s.replace("_", " ")
ax.scatter([i], [v], s=180, color=c, edgecolor="black", linewidth=0.8,
zorder=5, label=f"{label}: {v:.4f}")
ax.set_xticks(range(len(scenarios)))
ax.set_xticklabels([s.replace("_", "\n") for s in scenarios])
ax.set_ylabel("0.5-2.0 keV brightness (10^-15 erg s^-1 cm^-2 arcmin^-2)")
ax.set_title("eFEDS Ponti+2023: two fixed SWCX scenarios on Figure 3")
ax.set_ylim(0, max(vals) * 1.4)
ax.legend(fontsize=10, loc="upper right")
ax.grid(axis="x", visible=False)
plt.tight_layout()
plt.show()
关键观察： - 两个点分开约 0.115 flux unit（0.407 vs 0.291）——这反映的是 SWCX 前景假设的不确定性，不是统计误差。 - negligible_swcx 更亮（CGM 拿到全部 soft flux），high_swcx 更暗（SWCX 抢走了一部分）。 - 两个点都不是 error bar 的端点——它们是两个独立的物理假设各自给出的 best-fit CGM 亮度。
让我们把单位换算拆开看，确保每一步都清楚。
# Demonstrate the unit conversion chain step by step
row = efeds.iloc[0] # negligible_swcx
print(f"Scenario: {row['scenario_id']}")
print()
print("Step 1: Reconstruct 0.5-2.0 keV in Table 4 units (1e-13 / deg^2)")
s_soft = row["published_0p3_0p6_1e13_deg-2"]
f = row["model_ratio_0p5_0p6_to_0p3_0p6"]
s_hard = row["published_0p6_2p0_1e13_deg-2"]
s_0520_tab = s_soft * f + s_hard
print(f" S(0.3-0.6) = {s_soft:.4f} x 1e-13 erg/s/cm^2/deg^2")
print(f" f(0.5-0.6 / 0.3-0.6) = {f:.6f}")
print(f" S(0.6-2.0) = {s_hard:.4f} x 1e-13 erg/s/cm^2/deg^2")
print(f" -> S(0.5-2.0) = {s_soft:.4f} * {f:.6f} + {s_hard:.4f} = {s_0520_tab:.6f}")
print()
print("Step 2: Convert deg^-2 -> arcmin^-2 (divide by 3600)")
s_arcmin = s_0520_tab / 3600.0
print(f" {s_0520_tab:.6f} / 3600 = {s_arcmin:.10f} x 1e-13 erg/s/cm^2/arcmin^2")
print()
print("Step 3: Convert 1e-13 -> 1e-15 (multiply by 100)")
s_fig = s_arcmin * 100.0
print(f" {s_arcmin:.10f} * 100 = {s_fig:.10f} x 1e-15 erg/s/cm^2/arcmin^2")
print()
print(f"Step 4: Compare with CSV central: {row['flux_0p5_2p0_plot_central_fluxunit']:.10f}")
np.testing.assert_allclose(s_fig, row["flux_0p5_2p0_plot_central_fluxunit"],
rtol=0, atol=1e-8)
print(" OK Full unit chain matches CSV.")Scenario: negligible_swcx
Step 1: Reconstruct 0.5-2.0 keV in Table 4 units (1e-13 / deg^2)
S(0.3-0.6) = 24.1000 x 1e-13 erg/s/cm^2/deg^2
f(0.5-0.6 / 0.3-0.6) = 0.374870
S(0.6-2.0) = 5.6000 x 1e-13 erg/s/cm^2/deg^2
-> S(0.5-2.0) = 24.1000 * 0.374870 + 5.6000 = 14.634367
Step 2: Convert deg^-2 -> arcmin^-2 (divide by 3600)
14.634367 / 3600 = 0.0040651020 x 1e-13 erg/s/cm^2/arcmin^2
Step 3: Convert 1e-13 -> 1e-15 (multiply by 100)
0.0040651020 * 100 = 0.4065102009 x 1e-15 erg/s/cm^2/arcmin^2
Step 4: Compare with CSV central: 0.4065102009
OK Full unit chain matches CSV.| 步骤 | 假设 | 来源 |
|---|---|---|
| 光谱模型 | Lodders APEC 等离子体模型 | 原文使用（与 Henley&Shelton 的 Raymond-Smith 不同） |
| \(N_\mathrm{H}\) 分布 | disnht lognormal，\(\sigma = 0.117\) | PDF/arXiv 值；publisher HTML Eq.1 显示 0.177，本项目采用 PDF 值 0.117 |
| \(N_\mathrm{H}\) 均值 | \(\log_{10} N_\mathrm{H} = 20.51\) cm\(^{-2}\) | 原文拟合，两 scenario 共用 |
| SWCX 前景 | 两个端点假设：negligible / high | 原文对前景不确定性的 bracketing |
| Band reconstruction | \(S_{0.5\text{–}2.0} = S_{0.3\text{–}0.6} \times f + S_{0.6\text{–}2.0}\)，\(f\) 由 APEC 数值积分 | 本项目实现 |
| \(f\) 的计算 | 对 lognormal \(N_\mathrm{H}\) 做 quadrature 加权积分 | 反映 \(N_\mathrm{H}\) 分布的不确定性 |
| 单位换算 | deg\(^{-2}\) → arcmin\(^{-2}\) (/3600)，\(10^{-13}\) → \(10^{-15}\) (×100)，合起来 /36 | Figure 3 统一单位 |
| 结果性质 | 两个固定点，不是 central + error bar | 每个 scenario 独立 best-fit |
| M31 关系 | eFEDS 天区离 M31 > \(105^\circ\)，不指向 M31；是 population context | 原文样本域 \(l=220\text{–}235^\circ\), \(b=20\text{–}40^\circ\) |
| 重建上下界 | reconstruction_low = reconstruction_high = central |
两个 scenario 本身就是 bracketing，不再加额外 error bar |
对 high_swcx scenario，手动用 published_0p3_0p6_1e13_deg-2、model_ratio_0p5_0p6_to_0p3_0p6、published_0p6_2p0_1e13_deg-2 重建 0.5–2.0 keV flux，并验证单位换算后等于 CSV 中的 flux_0p5_2p0_plot_central_fluxunit。
high_swcx:
S(0.3-0.6) * f + S(0.6-2.0) = 15.6000 * 0.357916 + 4.9000 = 10.483492
/36 -> 0.2912081084
CSV central: 0.2912081084
OK Match计算两个 scenario 的 \(f\) 值之差，以及它们在 0.5–2.0 keV flux 上的差异。思考：差异主要来自 \(f\) 的不同，还是来自 published soft/hard bin flux 的不同？
f difference: 0.374870 - 0.357916 = 0.016954
Soft bin difference: 24.100 - 15.600 = 8.500
Hard bin difference: 5.600 - 4.900 = 0.700
The dominant difference is in the published soft/hard bin fluxes,
which reflects how much flux the SWCX foreground subtracts from the CGM.
The f ratio differs only slightly because kT differs only slightly.本项目采用 PDF/arXiv 的 \(\sigma = 0.117\)。如果改用 publisher HTML Eq.1 显示的 \(\sigma = 0.177\)，\(f\) 会变多少？（提示：更大的 \(\sigma\) 意味着 \(N_\mathrm{H}\) 分布更宽，低 \(N_\mathrm{H}\) 视线的吸收更弱，soft bin 的低能端相对更亮，\(f\) 会更小。）
This is a conceptual exercise — recomputing f requires running APEC
with a different sigma_log10_nh. The CSV's f values use sigma=0.117 (PDF).
With sigma=0.177 (publisher HTML), f would be smaller, and the
reconstructed 0.5-2.0 keV flux would be slightly lower for both scenarios.
This is why the SKILL.md explicitly records the sigma=0.117 choice.graph TD
A["eFEDS 天区<br/>l=220-235, b=20-40<br/>离 M31 > 105 deg"] --> B["Lodders APEC + disnht lognormal 拟合"]
B --> C["两个 SWCX scenario:<br/>negligible / high"]
C --> D["Table 4:<br/>S(0.3-0.6) + S(0.6-2.0)"]
D --> E["APEC(kT, Z, N_H 分布) 数值积分<br/>f = F(0.5-0.6) / F(0.3-0.6)"]
E --> F["S(0.5-2.0) = S(0.3-0.6)*f + S(0.6-2.0)"]
F --> G["deg^-2 -> arcmin^-2 (/3600)<br/>1e-13 -> 1e-15 (x100)"]
G --> H["Figure 3: 两个固定点<br/>negligible=0.407, high=0.291"]graph TD
A["eFEDS 天区<br/>l=220-235, b=20-40<br/>离 M31 > 105 deg"] --> B["Lodders APEC + disnht lognormal 拟合"]
B --> C["两个 SWCX scenario:<br/>negligible / high"]
C --> D["Table 4:<br/>S(0.3-0.6) + S(0.6-2.0)"]
D --> E["APEC(kT, Z, N_H 分布) 数值积分<br/>f = F(0.5-0.6) / F(0.3-0.6)"]
E --> F["S(0.5-2.0) = S(0.3-0.6)*f + S(0.6-2.0)"]
F --> G["deg^-2 -> arcmin^-2 (/3600)<br/>1e-13 -> 1e-15 (x100)"]
G --> H["Figure 3: 两个固定点<br/>negligible=0.407, high=0.291"]
一句话总结：Ponti+2023 在远离 M31 的 eFEDS 天区用 Lodders APEC + lognormal \(N_\mathrm{H}\) 拟合银河系 CGM，并对 SWCX 前景做了 negligible / high 两个端点假设。论文 Table 4 给的是 0.3–0.6 keV 和 0.6–2.0 keV 两个分开的 bin，而 Figure 3 需要 0.5–2.0 keV——所以要用每个 scenario 的 APEC 模型谱算出 0.5–0.6 / 0.3–0.6 的分数，截取 soft bin 的 0.5–0.6 keV 部分，再拼上整个 hard bin，最后做单位换算。结果是 Figure 3 上的两个固定点（0.407 和 0.291），代表 SWCX 前景假设的两个端点，不是 central estimate + error bar，也不是 M31 方向的直接测量。
教程结束 🎓 上一步：阅读 Henley & Shelton 2013 population tutorial，理解高银纬 86 条视线如何变成 Figure 3 的一个 median 点。