可以是一张照片、一个故事、一首歌、一首诗，甚至是一段聊天记录……欢迎你尽情展示自己的创意和故事，分享创作背后的欢乐与艰辛。
-
-
此日食计算器能够查询公元前3000至后3000年范围内的日食信息，生成每次日食的覆盖区、中心区范围数据，展示日食带的地图；并可根据用户在地图上点击的坐标在线计算该地日食各阶段时间、食分等观测信息。
-
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。
-
基于LAMOST DR6的光谱数据，同时结合星团的多波段测光数据，研究人员构造了一套基于机器学习的星团参数拟合方法，该方法能有效打破金属丰度和年龄的简并关系。利用该方法，研究人员分别估算出了M31中346个包括年轻大质量星团以及年老球状星团的年龄和金属丰度信息。测量结果同前人对比结果一致。边上的灰色直方图代表样本中全部星团的年龄和金属丰度分布，红色和蓝色直方图分别代表年轻和年老星团的年龄和金属丰度分布。
-
此星表的共生双星候选体是用机器学习的方法得到的。
-
因为保密等原因，不能提供更多获得数据的仪器等方面的描述，数据更新时间为不定时更新，此数据为DUT1=UT1-UTC 值的公告，以+/-0.1s 精度的时间信号传输。
-
我们使用机器学习技术有效的识别了新的共生星。这是一个新发现的共生星候选体星表。我们提供了相应的赤经赤纬和相关的星等信息。
-
因为保密等原因，不能提供更多获得数据的仪器等方面的描述，数据更新时间为不定时更新，此数据为地球自转B公报主要提供了有关地球方向的最新信息，包括世界时间，地球极坐标和天极偏移等数据。
-
此数据集包含经过加工处理的583851条LAMOST DR3光谱。数据集包括训练集和测试集，均包含索引文件（index.csv）和光谱文件（.txt）两部分：索引文件的第一行是字段名，之后每一行代表一条天体光谱。训练集和测试集第一个字段均为光谱文件id号，训练集还包括一个分类标签字段。train_data.zip和test_data.zip中是以txt格式存储的经过插值采样光谱，所有光谱波长区间和采样点相同，波长范围是3800-9000Å采样点个数都是2600个。此数据集曾用于天体光谱智能分类天池大赛。
-
因为保密等原因，不能提供更多获得数据的仪器等方面的描述，数据更新时间为不定时更新，此数据为地球自转C公报主要是提供UTC的闰秒信息，以及协调世界时UTC与国际原子时TAI的相对差值等数据。
-
并且很多团队发现恒星自引力过程 (Stellar gravity) 会导致年轻星族比年老星族翘曲强度更大。-F., et al. 2020b, 897, 119），再次从另一个全新维度揭示出年轻星族的翘曲强度比年老星族的强度更大，同时具有长期存在的非稳态特性；细致讨论了矮星系并合和气体直接掉落到银盘的物理起源过程 ...值得一提的是，2022年，西华师大天文系硕士生李启达在该系罗杨平研究员和巴黎天文台王海峰博士等人指导下，基于随机森林的机器学习方法和凸包算法，在前期LAMOST星表基础之上，测定了近百万红巨星的质量和16 ...并且首次针对恒星年龄参数，对6种不同机器学习方法进行比较，完成了不同恒星参数的权重分析，肯定了非线性机器学习方法的优势。
-
此次测量结果显示，这个FRB具有重复爆发性，它起源于漩涡星系M81中的一个大量年老恒星构成的球状星团，距离地球大约1200万光年。www.nature.com/articles/s41550-021-01569-9 图 1 艺术想象图：极其快速、极其明亮的射电信号来自于意料之外位置，也就是图片左部的靠近漩涡星系M81的年老恒星星团 ...
-
四个面板分别表示年轻星族（Y-Age）,年老星族（O-Age），年轻的贫金属星族（LAMP）和年老的贫金属星族（HAMP）。通过对年龄-速度弥散的详细测量，发现了年轻星族主要受到了分子云和悬臂的长期加热，年老星族可能还受到了一些暴力的加热机制，例如矮星系的吸积和卫星星系的并合等，或者这些恒星诞生于富气体的并合系统或湍流的分子云中 ...银盘不同星族的运动学属性所揭示的银盘震荡（第一行左侧图），方位角速度的南北不对称性（第一行右侧图），银盘翘曲（第二行左侧图），银盘加热的南北不对称性（第二行右侧图），银河系悬臂信号（第三行左侧图）以及年轻星族和年老星族明显差异的加热历史 ...
-
图1：类星体示意图（源自网络） 近期，国家天文台科研人员李长华、张彦霞、崔辰州等人基于北京-亚利桑那巡天（BASS）大型测光数据、LAMOST和SDSS的光谱巡天数据，通过多种机器学习方法，设计了二分及多分两种不同的分类策略 ...基于不同的特征组合，构建了多种分类器，最终选出性能最优的分类器应用在BASS DR3数据上。采用光学与红外的特征组合，分类结果在准确度、精度、召回率等指标上都超过了95%。李长华等人基于机器学习方法，研究了一步模型（对样本整体预测）和两步模型（对样本先分类，再预测）来测算样本的测光红移。
-
以云计算、机器学习为代表的新技术在大数据领域得到了广泛的应用,促进了一大批科研成果的产出。为了应对天文大数据的挑战，国家天文科学数据中心开始了基于云计算与机器学习技术的科学平台建设，初步建立了包括高性能计算与混合云技术架构的云资源平台。图4：甄亚楠老师介绍超算云在科研中的应用 大数据的分析与挖掘离不开自动化的手段，人工智能与机器学习在天文科研领域发挥了重要的作用。在第二天的课程中，来自国家天文台太阳预报团组的首席科学家、博士生导师徐龙研究员详细讲解了人工智能与机器学习的前沿、基础及在天文科研中的应用。来自阿里云计算有限公司资深技术专家、机器学习PAI的平台架构师与负责人谭锋老师讲解了基于PAI开展机器学习任务原则及步骤。
-
近期，国家天文台李广伟等人证实了GD-1星流是一个年老贫金属球状星团的遗迹。该研究成果已经在知名天文期刊《The Astrophysical Journal》上发表。我们可以看到恒星都集中在红色线等龄线周围，这是一个典型年老贫金属球状星团的特征。
-
该方法基于望远镜终端仪器获得的星像形状与望远镜性能之间的深刻复杂的对应关系和最新前沿机器学习的相关算法，可以充分利用望远镜获得的星像进行训练和测试，实现了望远镜光学成像性能的高精度实时监测，并在我国首个天文类国家重大科技基础设施 ...地基天文望远镜终端仪器获得的星像均不可避免地受到大气扰动和望远镜系统的影响，在望远镜性能正常的情况下长时间曝光获得的星像成圆形高斯轮廓，当望远镜性能不佳时会导致获得的像斑形状偏离正常的标准圆形。不同原因引起的望远镜性能不佳产生不同的像斑形状，因此可以通过终端仪器获得的像斑形状去实时监测望远镜性能。图2 导星相机获得的各种星像形状统计（第一行为正常观测星像，占星像的绝大部分） 机器学习相关算法已经在很多领域中表现出很好的形状识别和分类能力，可以用于区分望远镜的获得的像斑形状。结合机器学习相关算法，可以通过以下几步实现望远镜性能监测，首先对望远镜获得图片进行分类，筛选出包含亮星的图片；然后对图片进行剪切，获得只包含单颗完整星像的小图片，使用机器学习算法对星像的形状进行识别，根据识别出形状给出造成性能不佳的原因 ...
-
以云计算、机器学习为代表的新技术在大数据领域得到了广泛的应用,促进了一大批科研成果的产出。为使科研人员能够深入了解云计算及机器学习的原理及技术，国家天文科学数据中心根据《国家天文台2021年度职工培训计划》安排，将于2021年9月27-28日在国家天文台A601会议室举办云计算与机器学习的技术培训 ...谭锋：阿里云智能资深技术专家、机器学习PAI的平台架构师与负责人。拥有多年AI落地以及企业智能化经验。曾任职微软中国，多年微软搜索引擎必应团队的资深架构师。主要讲授基于公有云的大数据处理与机器学习平台在科研中的应用。 李长华，国家天文科学数据中心项目高级工程师，拥有多年云计算、高性能计算平台建设经验，主要研究方向为天文信息技术与大数据处理、机器学习。
-
<p> 2015年8月17日，PSP已经发布半个月左右，运行状态一直不错，但17日突然服务器挂机无法修复，只能沿用旧的模式看图搜索，只能高级用户参与，然后就在当天，徐智坚发现一颗疑似超新星，18日经过补拍确认是新目标后上报 ...
-
在国家天文台赵永恒老师的极力推动下，国家天文科学数据中心的樊东卫博士等人与赵永恒老师一道开发了在线日食计算器网站（Eclipse Calculator）。图1：在线日食计算器网站 ...