用户可以根据提示更新软件，或直接在万维望远镜北京社区（wwt.china-vo.org）下载最新版本欣赏这套全景图，领略新昌风景。
由于这种图像显示方式对画面生成及显示有极高的要求，现在，360度×180度的全景画幅只应用在了极少数的科技娱乐场馆当中。
-
-
该版本不仅接入了大量全新的科学数据，在功能上也进行了全方位升级和优化，以期为天文学研究者、教师以及爱好者们提供一个更加强大、实用的天文数据可视化工具。在此次更新的版本中，用户可创建并分享交互式的插图和交互式漫游，并将这些图像和漫游放入iPoster或直接插入您的期刊文章中。 图1：在JupyterLab环境中展示天文图像 2.无论你是一名刚入门的天文爱好者，或者是专业的研究人员，都可以便捷地将自己心仪的天文图像导入到WWT中进行使用。 5.更稳定的全新版本 除上述新功能外，WorldWide Telescope 2022针对研究、教育以及全民科学等不同的使用场景都进行了升级和完善。Williams介绍的那样，“WWT最显著的优势，就是它在前期完成了大量枯燥、繁琐的开发，因此，你无需背靠一支开发大军即可建构出非常酷的内容。
-
表1中列出734颗从LAMOST DR7经人眼查看选出的晚型M 极冷矮星。表2列出了它们的有效温度、表面重力、金属丰度、SDSS i z波段的信噪比以及它们锂线的有无情况。表3列出571颗结极冷矮星的运动学相关参数。
-
表1中列出734颗从LAMOST DR7经人眼查看选出的晚型M 极冷矮星。表2列出了它们的有效温度、表面重力、金属丰度、SDSS i z波段的信噪比以及它们锂线的有无情况。表3列出571颗结极冷矮星的运动学相关参数。
-
| ...
-
这里公布的是太原理工大学智能光学实验室研究的CMOS暗电流建模和坏像素识别方法所对应的样例代码，代码已经应用于一个商用卫星的数据处理任务中，并且展示了比较好的结果。本代码可作为启发，应用于不同类别的星载相机数据处理任务中。
-
这里公布的是太原理工大学智能光学实验室研究的CMOS暗电流建模和坏像素识别方法所对应的样例代码，代码已经应用于一个商用卫星的数据处理任务中，并且展示了比较好的结果。本代码可作为启发，应用于不同类别的星载相机数据处理任务中。
-
本文提供了一个用于太阳磁图超分辨率的多分支深度神经网络。数据集包含了MDI和HMI磁图的配对。这些数据被用来训练深度神经网络。
-
本文提供了一个用于太阳磁图超分辨率的多分支深度神经网络。数据集包含了MDI和HMI磁图的配对。这些数据被用来训练深度神经网络。
-
这是‘An Ultra-Fast Image Simulation Technique with Spatially Variable Point Spread Functions’的相关代码，该代码可以快速模拟空间逐点变化的模糊图像。
-
这篇题为《具有空间可变点扩散函数的超快速图像模拟技术》的论文附带的代码，可以用于创建模拟图像，其中点扩散函数（PSF）在每个像素上都有不同的变化，并且代码相比卷积算法速度非常快。
-
包含： 1. 7,681 颗冷星中同时有 DIB λ5780, λ5797 和 λ6614 高质量测量的星表； 2. 高质量的 DIB λ5780 测量星表 - 176,831； 3. 高质量的 DIB λ5797 测量星表 - 13,473； 4. 高质量的 DIB λ6614 测量星表 - 110,152； 5. 边缘质量的 DIB λ5780 测量星表 - 27,598； 6. 边缘质量的 DIB λ5797 测量星表 - 42,735 7. 边缘质量的 DIB λ6614 测量星表 - 21,635 ...
-
包含： 1. 7,681 颗冷星光谱中同时有 DIB λ5780, λ5797 和 λ6614 高质量测量的星表。 2. 三张 DIB λ5780、 λ5797 和 λ6614 高质量的测量星表，其测量数目分别为 - 5780: 176,831 - 5797: 13,473 - 6614: 110,152 3. 三张 DIB λ5780、 λ5797 和 λ6614 边缘质量的测量星表，其测量数目分别为 - 5780: 27,598 - 5797: 42,735 - 6614: 21,635 ...
-
数据集中添加了一个我们在文章的附件中使用的示例表，每个表都对应于文章中每个分析部分中使用的样本。欢迎使用我们的数据。
-
数据集中添加了一个我们在文章的附件中使用的示例表，每个表都对应于文章中每个分析部分中使用的样本。欢迎使用我们的数据。
-
Fatka</span>使用Ondrejov的0.65米望远镜进行了光谱认证，确认为FeII型新星。这也成为公众超新星搜寻项目上线以来第8个获得光谱认证的超新星及新星发现。
-
这段代码使用 Python 3 编写，旨在帮助检测快速移动的目标。由于它融合了关于观测模式和所用仪器特性的先验知识，因此可以直接用于检测，而无需额外的训练。
-
人工智能作为大数据研究的一种高效工具已经获得越来越多的认可，在这种形势下，在中国天文学会的支持下，我们计划召开一次“机器学习在天文学中的应用”学术研讨会，旨在为天文领域和人工智能领域专家之间架起桥梁的沟通 ...，共享研究思路、交流研究心得、展示研究成果，以促进人工智能技术在天文数据处理、挖掘与分析中的应用。
-
我们利用上海天马射电望远镜对XTE J1810-197进行了194个历元的2.25/8.60 GHz同步观测。此外，我们还单独提供了文章中绘图所用的四次观测数据（MJD 58502、MJD 59075、MJD 59096 和 MJD 59209）的后缀名为".Fp "的折叠文件，这些文件对频率进行了折叠。利用2.25/8.60 GHz双频接收机和数字后端系统的并行工作能力，在MJD 58501（2019年1月18日）至MJD 59427（2021年8月1日）期间天马射电望远镜进行了2.25/8.60 GHz ...我们的观测采用了非相干去色散和在线折叠观测模式。每个自转周期被划分为 1024 个脉冲相位，并以 30 秒的子积分长度进行折叠。观测数据以8位 PSRFITS 格式写出。用 PSRCHIVE软件的"pazi "命令手动去除射频干扰，并用 "pam "命令对数据进行压缩。
-
本数据集主要用于大模型培训预备阶段的练习使用。光谱数据来源于LAMOST DR9，包括恒星、星系及类星体三种类型，数据详情请阅读readme。