LenghuSky-8: An 8-Year All-Sky Cloud Dataset with Star-Aware Masks and Alt-Az Calibration for Segmentation and Nowcasting

Este artículo presenta LenghuSky-8, un conjunto de datos de imágenes de todo el cielo de ocho años con máscaras conscientes de estrellas y calibración alt-azimutal, diseñado para mejorar la segmentación de nubes y la predicción a corto plazo en observatorios astronómicos.

Lo esencial

¡Hola! Imagina que eres el capitán de un barco muy especial: un telescopio gigante que busca estrellas y planetas. Tu trabajo es mirar al cielo, pero hay un problema: las nubes. Si hay nubes, no puedes ver nada. Para saber cuándo salir a navegar (observar), necesitas un pronóstico del tiempo súper preciso, minuto a minuto, para toda la bóveda celeste.

Aquí es donde entra este paper, que presenta algo llamado LenghuSky-8. Vamos a desglosarlo como si fuera una historia de superhéroes y herramientas mágicas.

1. El Problema: "Necesitamos un mapa, ¡y rápido!"

Antes de este trabajo, los astrónomos tenían mapas de nubes muy viejos, muy cortos (como un mapa de una sola semana) o que solo funcionaban de día. Era como intentar navegar por el océano usando un mapa de un charco de agua: no servía para el viaje largo. Además, esos mapas no decían exactamente dónde estaba la nube en el cielo (¿arriba a la izquierda? ¿cerca del horizonte?), lo cual es vital para apuntar el telescopio.

2. La Solución: LenghuSky-8 (El "Diario de Nubes" de 8 años)

Los autores crearon un gigantesco álbum de fotos tomado en el desierto de Lenghu, China (un lugar perfecto para ver estrellas porque el cielo es muy limpio).

• La escala: No son unas pocas fotos. Son 429,620 imágenes tomadas durante 8 años (de 2018 a 2025).
• La cobertura: La mayoría de las fotos son de noche (¡que es cuando los astrónomos trabajan!), pero también hay de día.
• El detalle: Cada foto tiene un tamaño de 512x512 píxeles, pero lo más importante es que cada píxel tiene una "etiqueta" que dice: "Soy cielo azul", "Soy nube" o "Soy algo sucio (como polvo o luz de la luna)".

3. La Magia: ¿Cómo saben qué es una nube? (Los "Ojos de Águila")

Las nubes son formas extrañas y cambian de color según si hay sol, luna o oscuridad total. Para enseñar a la computadora a reconocerlas, usaron una técnica moderna llamada DINOv3.

• La analogía: Imagina que le das a un niño un libro de cuentos con miles de fotos de nubes y le dices: "Marca las nubes". El niño aprende los patrones. Luego, le das una foto nueva y él dice: "¡Esa es una nube!".
• El resultado: Su sistema es tan bueno que acierta el 93.3% de las veces. Es como tener un asistente que nunca se cansa y nunca confunde una nube con una estrella.

4. El Mapa de Tesoro: Calibración "Alt-Az"

Aquí viene la parte genial. Las cámaras de "todo el cielo" (lentes ojo de pez) distorsionan la imagen, como cuando te miras en un espejo curvo de feria.

• El truco: Usaron las estrellas como puntos de referencia. Como sabemos exactamente dónde están las estrellas, el sistema puede "enderezar" la foto.
• El resultado: Ahora, si el sistema dice "hay una nube en el píxel X", el telescopio sabe exactamente a qué Altitud (qué tan alto está) y en qué Azimut (hacia qué dirección) apuntar. Es como convertir un dibujo abstracto en un GPS preciso para el telescopio.

5. El Reto: ¿Podemos predecir el futuro? (El "Pronóstico")

El objetivo final es predecir: "¿Habrá nubes en 10 minutos?".

• El experimento: Probaron varios métodos, desde copiar la foto anterior (como un espejo) hasta usar redes neuronales complejas (como un cerebro artificial).
• La sorpresa: Resultó que predecir las nubes es muy difícil. Incluso los sistemas más avanzados apenas hicieron mejor trabajo que simplemente copiar la foto de hace un minuto.
• La lección: Las nubes son caóticas. A veces se mueven rápido, a veces se disipan de golpe. El paper nos dice: "Es difícil predecir el clima a corto plazo, pero ahora tenemos los datos para intentar mejorar".

6. ¿Por qué nos importa a todos?

Este trabajo es como regalar una caja de herramientas abierta a la comunidad científica.

• Para los astrónomos: Pueden programar sus telescopios para que, si detectan nubes, dejen de observar y ahorren energía, o apunten a otra parte del cielo libre.
• Para la ciencia: Es un dataset masivo que ayuda a entender cómo se mueven las nubes en un lugar específico, lo cual es útil también para estudiar el clima y el medio ambiente.

En resumen:
Este paper es como construir la biblioteca de nubes más grande y precisa del mundo, etiquetada por inteligencia artificial y conectada con un GPS estelar. Aunque predecir el futuro de las nubes sigue siendo un reto difícil, ahora tenemos el mapa perfecto para intentar hacerlo mejor. ¡Es un gran paso para que los telescopios dejen de mirar nubes y empiecen a ver el universo!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "LenghuSky-8: An 8-Year All-Sky Cloud Dataset with Star-Aware Masks and Alt-Az Calibration for Segmentation and Nowcasting", traducido y adaptado al español.

1. El Problema

Los observatorios astronómicos basados en tierra, especialmente aquellos dedicados a la astronomía de dominio temporal (como ZTF o el Observatorio Vera C. Rubin), requieren una conciencia minuto a minuto de la cobertura de nubes a escala del sitio para optimizar sus programadores de observación (schedulers). Sin embargo, existen carencias críticas en los conjuntos de datos actuales:

• Cobertura temporal limitada: La mayoría de los conjuntos de datos de cielo completo (all-sky) duran solo meses, lo que impide el modelado de variaciones estacionales o interanuales.
• Sesgo diurno: Muchos conjuntos de datos carecen de anotaciones nocturnas, limitando su utilidad para la astronomía.
• Falta de calibración astrométrica: La ausencia de una calibración geométrica precisa dificulta mapear los píxeles de la imagen a coordenadas locales de altitud y azimut (Alt-Az), esenciales para la planificación de telescopios.
• Mascaras manuales no escalables: Las anotaciones existentes a menudo son selectivas (solo imágenes "fáciles") o no incluyen máscaras de estrellas, lo que genera ruido en entornos reales complejos.

2. Metodología

A. Recolección y Características del Dataset (LenghuSky-8)

• Origen: Datos recopilados en el sitio de Lenghu, Qinghai, China (un sitio de observación astronómica de primer nivel), durante 8 años (2018–2025).
• Escala: Contiene 429,620 imágenes de 512×512 píxeles.
• Cobertura: El 81.2% de los cuadros son nocturnos, cubriendo todas las fases lunares y condiciones climáticas.
• Adquisición: Se utilizaron cámaras con lentes ojo de pez (Sigma 4.5 mm) montadas en cuerpos Canon. La frecuencia de captura es de 5 minutos de noche y 20 minutos de día.
• Calibración Astrométrica: Se empleó una metodología personalizada basada en ASTROMETRY.NET y HEALPix. Dado que las lentes ojo de pez introducen distorsión significativa, el método divide la imagen en parches, rota los grupos de estrellas para minimizar la distorsión local, y aplica soluciones WCS (World Coordinate System). Los resultados se proyectan a coordenadas Alt-Az con una incertidumbre de ≈0.37° en el cenit y ≈1.34° a 30° de altitud.

B. Segmentación de Nubes

• Anotación: Se creó un subconjunto de 1,111 imágenes manualmente etiquetadas con alta confianza. Las clases son: Cielo (azul), Nube (naranja) y Contaminación (rosa, que incluye nieve, rocío, luz solar saturada o polvo). Se adoptó una estrategia conservadora: solo se etiquetaron regiones inequívocas.
• Modelo: Se utilizó DINOv3 (ViT-L/16) como extractor de características. En lugar de entrenar una red completa desde cero, se aplicó un sondeo lineal (linear probe) sobre los tokens de características locales (patches) de DINOv3.
• Preprocesamiento: Las imágenes se redimensionaron y normalizaron para resaltar las nubes.

C. Pronóstico a Corto Plazo (Nowcasting)

Se estableció un benchmark para predecir la evolución de las nubes en un horizonte corto (próximos cuadros) utilizando logits de tres clases (cielo/nube/contaminación). Se compararon cuatro enfoques:

1. Persistencia: Copiar el último cuadro (línea base trivial).
2. Flujo Óptico: Extrapolación de movimiento basada en el método de Farneback.
3. ConvLSTM: Red recurrente convolucional para predicción espacio-temporal.
4. VideoGPT: Modelo generativo discreto (VQ-VAE + Transformer) para predecir tokens de video.

3. Contribuciones Clave

1. Dataset LenghuSky-8: El primer conjunto de datos de cielo completo de larga duración (8 años) que incluye:
   • Máscaras de nubes conscientes de las estrellas (star-aware).
   • Anotaciones de fondo (background) y contaminación.
   • Calibración pixel-a-pixel en coordenadas Alt-Az, lista para integrarse con programadores de telescopios.
2. Herramientas y Modelos:
   • Un segmentador basado en DINOv3 que demuestra que las características auto-supervisadas pre-entrenadas superan a las arquitecturas tradicionales de segmentación para este dominio específico.
   • Un calibrador de cámara de cielo completo basado en campos estelares.
   • Un toolkit de código abierto para carga, evaluación y generación de mapas Alt-Az.
3. Benchmark de Nowcasting: Una evaluación rigurosa que revela la dificultad inherente de predecir la evolución de nubes a corto plazo en comparación con la persistencia simple.

4. Resultados

Segmentación

• El enfoque de sondeo lineal con características locales de DINOv3 alcanzó una precisión global del 93.3% ± 1.1% en el conjunto de prueba equilibrado.
• Este rendimiento superó consistentemente a arquitecturas tradicionales como U-Net, CloudSegNet y SegMAN, demostrando la superioridad de los modelos pre-entrenados a gran escala para la segmentación de nubes bajo diversas condiciones de iluminación (incluyendo luz lunar).
• La adición de tokens globales (CLS) no mejoró significativamente el rendimiento sobre el uso exclusivo de características locales.

Nowcasting (Pronóstico)

• Desempeño: El modelo ConvLSTM obtuvo el mejor rendimiento entre los modelos avanzados, pero la mejora sobre la línea base de persistencia (copiar el cuadro anterior) fue marginal (Precisión: 0.890 vs 0.888).
• Hallazgo Sorprendente: Los modelos generativos como VideoGPT obtuvieron el peor rendimiento, sugiriendo que la complejidad de la evolución de las nubes a corto plazo es difícil de capturar con modelos autoregresivos en este dominio sin datos masivos específicos.
• Conclusión: La predicción de nubes a corto plazo sigue siendo un desafío difícil donde la persistencia es un competidor muy fuerte.

5. Significado e Impacto

• Para la Astronomía: LenghuSky-8 permite el desarrollo de programadores de telescopios autónomos y robustos que pueden tomar decisiones en tiempo real basadas en modelos de nubes precisos y calibrados espacialmente, maximizando el tiempo de observación útil.
• Para la Ciencia de Datos: Demuestra la viabilidad de utilizar modelos de visión por computadora auto-supervisados (como DINOv3) para tareas de percepción ambiental en condiciones extremas y con poca anotación manual.
• Para la Meteorología: Proporciona un recurso único para estudiar la dinámica de nubes a escala local y estacional durante un periodo de 8 años, algo inexistente en la literatura actual.
• Reproducibilidad: La publicación del dataset, las calibraciones y el código fomenta la investigación en segmentación, nowcasting y operaciones de observatorios autónomos.

En resumen, este trabajo no solo llena un vacío crítico en los datos astronómicos y meteorológicos, sino que también establece un nuevo estándar para la calibración geométrica en imágenes de cielo completo y evalúa los límites actuales de la IA en la predicción de fenómenos atmosféricos de corto plazo.