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

本文介绍了 LenghuSky-8，这是一个包含 8 年（2018-2025 年）数据、覆盖 81.2% 夜间场景且具备星敏感掩码与高精度方位 - 仰角校准的全天域云数据集，旨在通过提供高质量标签和基准测试来推动云分割、短时临近预报及天文台自主调度系统的研究。

要点

这篇论文介绍了一个名为 LenghuSky-8 的超级项目，你可以把它想象成给天空拍了一部长达 8 年 的“连续剧”，而且这部“剧”不仅记录了云彩的变化，还自带了“星星导航”和“智能识别”功能。

为了让你更容易理解，我们可以用几个生活中的比喻来拆解这项研究：

1. 为什么要拍这部“天空连续剧”？

想象一下，你是一位天文望远镜的“排片经理”。你的任务是决定什么时候把望远镜对准哪颗星星。

• 问题：如果天上飘来一朵云，就像在电影院里有人突然举起了一个巨大的黑牌子挡住了屏幕，望远镜就什么都看不到了。
• 现状：以前的“天气监控”要么只拍白天（像只拍早高峰的地铁，忽略了晚高峰），要么只拍几个月（像只看了几集电视剧，不知道剧情怎么发展），要么拍得糊里糊涂，不知道云具体在天空的哪个位置（不知道云是在头顶还是在地平线）。
• 目标：我们需要一个能24 小时不间断、持续 8 年、清晰知道每一朵云在天空具体坐标的监控系统，这样望远镜就能提前躲开云层，或者在云散开的瞬间立刻开始工作。

2. LenghuSky-8 是什么？（数据集）

这就是他们拍出来的“连续剧”素材库：

• 拍摄地点：中国青海冷湖。这里就像是一个“天空 VIP 包厢”，空气干燥、云层少，是看星星的绝佳位置。
• 拍摄时长：从 2018 年到 2025 年，整整 8 年。
• 素材数量：超过 42 万张 高清照片。
• 特色：
  • 日夜兼修：80% 的照片是晚上拍的（这对天文学家最重要）。
  • 自带“星星导航”：这是最厉害的地方。普通的云图就像一张模糊的地图，你不知道云在“北京路”还是“上海路”。但这个项目利用星星作为“路标”，给照片里的每一个像素都打上了经纬度坐标（高度和方位）。就像给每一朵云都贴上了 GPS 定位，望远镜一看就知道：“哦，那朵云在望远镜的左上方，快躲开！”
  • 智能“去污”标记：照片里不仅有云和蓝天，还有镜头上的灰尘、水滴、或者被建筑物挡住的部分。研究人员把这些都标记为“污染区”，就像给照片里的“坏点”画了个圈，告诉电脑：“别管这里，这是脏东西，不是云。”

3. 他们是怎么让电脑学会认云的？（分割技术）

以前让电脑认云，就像教一个小孩认字，需要画很多红红绿绿的框，非常累且容易出错。

• 新方法：他们请来了一个超级聪明的“AI 老师”（叫 DINOv3）。这个老师以前在海量图片上自学过，认识各种东西。
• 做法：研究人员不需要重新教它认云，只需要给它看几张标注好的样本（就像给老师看几本参考书），然后让它用“局部特征”去分析剩下的几百万张照片。
• 效果：准确率高达 93.3%。哪怕是月光下、白天、或者云和蓝天界限模糊的时候，它也能分得清清楚楚。

4. 能预测明天的云吗？（短时预报/Nowcasting）

有了历史数据，能不能预测未来 15 分钟云会怎么动？这就像预测“下一张牌是什么”。

• 实验：他们测试了四种预测方法：
  1. 偷懒法：直接复制上一张图（假设云不动）。
  2. 推算法：像看水流一样，根据云过去的移动方向推演（光流法）。
  3. 记忆法：用一种叫 ConvLSTM 的模型，像记日记一样记住云的形状变化。
  4. 生成法：用 VideoGPT 这种生成式 AI，像写小说一样“编”出下一张图。
• 结果有点意外：
  • 最聪明的 AI（VideoGPT）反而表现最差，它容易“编”出一些不存在的云。
  • 最简单的“偷懒法”（直接复制上一张） 居然和复杂的模型差不多准。
  • 结论：云的移动太随机了，就像预测下一秒的风向一样难。目前的 AI 很难在短短几分钟内精准预测云的复杂变化。这也提醒我们，未来的研究需要更懂物理规律（比如风怎么吹、水怎么蒸发），而不仅仅是靠死记硬背数据。

5. 这对我们有什么用？

• 对天文学家：这是“望远镜的自动驾驶仪”。有了这个，望远镜可以自动决定：“现在头顶有云，先休息；哦，云散了，立刻对准那个超新星爆发！”极大地提高了观测效率。
• 对普通人：虽然这是给天文台用的，但背后的技术（如何精准识别天气、如何给图像定位）也可以用在无人机避障、自动驾驶汽车看路况、或者更精准的气象预报上。

总结

这篇论文就像是在说：

“我们在中国最好的观星地，用 8 年时间，给天空拍了一部带 GPS 定位的‘高清连续剧’。我们训练了一个超级 AI 来识别云，发现它很厉害，但预测云的‘下一步动作’依然很难。现在，我们把这部‘连续剧’和所有的工具都免费公开了，希望全世界的科学家能利用它，让望远镜不再‘吃灰’，让宇宙探索更顺畅。”

这就是 LenghuSky-8：一个让机器真正“看懂”天空，并学会与天气共舞的里程碑式项目。

技术摘要

这篇论文介绍了 LenghuSky-8，这是一个为期 8 年（2018–2025）的全天候云量成像数据集，旨在解决地基时域天文观测中云层覆盖监测的痛点。该数据集来自中国青海冷湖（Lenghu）这一顶级天文台址，包含 429,620 张 512×512 分辨率的图像，其中 81.2% 为夜间图像。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

地基时域巡天项目（如 ZTF、Rubin 天文台、天域项目等）需要分钟级、站点级的云量感知能力，以便调度器能实时调整观测计划。然而，现有的全天域（All-sky）数据集存在以下显著局限性：

• 时间跨度短：通常仅覆盖数月，无法进行季节性建模。
• 标注偏差：多为白天数据，缺乏夜间（特别是月相变化下）的标注。
• 缺乏定标：缺少精确的天体测量定标（Astrometric Calibration），难以将像素映射到高度角 - 方位角（Alt-Az）坐标系，导致无法直接用于望远镜调度。
• 标注质量：现有标注往往难以规模化，或仅针对简单场景，无法反映真实世界的复杂情况（如薄云、月光散射、镜头污渍等）。

2. 方法论 (Methodology)

2.1 数据采集与预处理

• 采集设备：使用配备 Sigma 4.5mm f/2.8 鱼眼镜头的 Canon 相机，安装在青海冷湖（海拔约 4200-4500 米）。
• 数据构成：
  • Part I (2018-2023.09)：镜头维护较少，受泥污或露水影响较大，但背景遮挡少。
  • Part II (2023.09-2025)：镜头定期清洁，图像清晰，但受附近可移动圆顶建筑遮挡。
• 采样策略：夜间每 5 分钟一张，白天每 20 分钟一张（根据太阳高度角调整）。
• 图像增强：将原始图像中心区域调整为 512×512，并进行归一化处理以增强云层特征。

2.2 分割与标注 (Segmentation)

• 类别定义：
  • 天空 (Sky)：透明区域。
  • 云 (Cloud)：所有不适合天文观测的区域（包括薄云）。
  • 污染 (Contamination)：分类模糊的区域（如雪、露水、强光饱和、人工光源、灰尘散射等）。
• 标注策略：采用保守策略，仅标注高置信度区域，模糊区域标记为“污染”或忽略，以减少人为偏差。
• 模型选择：利用 DINOv3 (ViT-L/16) 的局部特征（Local Features）训练一个线性探针 (Linear Probe) 进行分割。
  • 实验对比了仅使用局部特征、结合 CLS 标记、结合 Register 标记等多种配置。
  • 结果显示，仅使用局部特征的线性探针在平衡测试集上达到了 93.3% ± 1.1% 的总体准确率，且优于传统的编码器 - 解码器架构（如 U-Net, CloudSegNet）。

2.3 天体测量定标 (Astrometric Calibration)

• 挑战：鱼眼镜头的强畸变使得传统的 ASTROMETRY.NET 难以直接应用。
• 解决方案：
  1. 利用 HEALPix 将球面划分为多个小区域（Patch）。
  2. 在每个 Patch 内，假设投影近似为共形变换，利用 ASTROMETRY.NET 求解世界坐标系（WCS）。
  3. 通过旋转矩阵将 Patch 对齐到视场中心以减少畸变。
  4. 对于无法直接求解的 Patch，使用径向对称模型进行插值拟合。
• 精度：天顶处定标不确定度约为 0.37°，30°高度角处约为 1.34°，足以满足望远镜调度需求。

2.4 背景处理

• 针对 Part II 中附近建筑圆顶的移动，训练了一个基于 DINOv3 CLS token 的分类器来自动识别圆顶状态（升起/降下），并结合手动掩膜生成背景掩膜。

3. 主要贡献 (Key Contributions)

1. LenghuSky-8 数据集：
   • 首个长达 8 年、覆盖昼夜、包含月相变化的全天域云量数据集。
   • 包含 429,620 张图像，其中 1,111 张经过人工精细标注（用于评估）。
   • 提供像素级的 Alt-Az 坐标映射 和 星敏感背景掩膜。
2. 工具链与基准：
   • 发布了基于 DINOv3 线性探针的分割器。
   • 提供了基于星场的全天域相机定标工具。
   • 开源了加载、评估和调度器就绪（Scheduler-ready）的 Alt-Az 映射工具包。
3. 短期云量预报基准 (Nowcasting Benchmark)：
   • 构建了基于像素级三分类 Logits（天空/云/污染）的短期预报任务。
   • 对比了四种基线：持久性基线（复制上一帧）、光流法、ConvLSTM 和 VideoGPT。

4. 实验结果 (Results)

4.1 云分割性能

• DINOv3 线性探针表现最佳，总体准确率达到 93.3%。
• 传统深度学习模型（如 U-Net, SegMAN）在同等设置下表现略逊，且 DINOv3 方法在标签效率上具有显著优势。
• 在“污染”类别上，所有模型的召回率较低（约 0.3-0.7），反映了该类别定义的模糊性和标注难度。

4.2 短期云量预报 (Nowcasting)

• 基线对比：
  • 持久性基线 (Persistence)：准确率 0.888。
  • 光流法 (Optical Flow)：准确率 0.888。
  • ConvLSTM：准确率 0.890（表现最好，但提升微乎其微）。
  • VideoGPT：表现最差（准确率约 0.87），生成模型在捕捉云演化先验上存在困难。
• 结论：短期云量演化极其难以预测，复杂的深度学习模型并未显著优于简单的“复制上一帧”策略。这表明云的运动和形态变化在分钟级尺度上具有高度的随机性。

5. 意义与展望 (Significance)

• 天文观测优化：该数据集和工具可直接集成到自动望远镜调度系统中，通过精确的 Alt-Az 云图实时调整观测计划，最大化科学产出。
• 环境研究：提供了长时序、高分辨率的云物理特性数据，有助于研究云的季节性变化和月相影响。
• 方法论启示：
  • 证明了自监督预训练模型（DINOv3）结合线性探针在特定领域（全天域云图）分割任务中的优越性。
  • 揭示了短期云量预报（Nowcasting）的固有难度，提示未来研究需引入物理约束（如平流一致性、质量守恒）或更复杂的时空建模，而非单纯依赖数据驱动。
• 开源生态：所有代码、数据和工具包已开源，推动了该领域的标准化研究。

总结：LenghuSky-8 填补了长时序、高精度定标全天域云量数据的空白，不仅为天文台自动化调度提供了关键基础设施，也为气象学和计算机视觉领域的云检测与预报研究提供了宝贵的基准。