在星表数据的深度挖掘中，探索时序变化的策略至关重要。这些数据是对观测结果进行量化处理的产物，每一次天体的观测都留下了其特定的记录。归档中的星表数据理论上包含了每个天体的变动信息，但直接获取时间序列数据并非易事。以光学图像为例，每幅图像可解析成千上万条星表记录，并将它们存储为一个文件或数据库。这意味着要获得任何一颗恒星的时间序列，我们必须在大量归档数据中进行复杂搜索和验证计算，这限制了我们只能研究少数特定目标，而未能充分发掘这些数据潜在价值。

为了解决这个问题，天津大学国家天文科学数据中心技术团队开发了一种名为AstroCatR工具，它能够重构来自同一望远镜归档星表数据，从而提供覆盖所有已被观测过的恒星全样本时序数据集。这使得对整个星表“人口普查”成为可能，有助于发现长周期变化源，同时为利用机器学习和深度学习等人工智能方法来探索复杂周期变化提供基础。

该研究成果已发表于著名期刊《皇家天文学会月刊》。论文链接：点击这里。

此项研发工作得到了国家自然科学基金委支持，参与者来自多个机构，其实验使用了AST3望远镜收集的资料。国家天文科学数据中心提供了相关设备和计划所需的服务。而AstroCatR代码可以在gitee.com/AstroTJU/AstroCatR找到。

最近资讯更新：SkyMapper DR2已经发布，China-VO CASJob服务现在支持与LAMOST、BASS、GAIA DR2等数据库联合操作。此功能可以访问nadc.china-vo.org/casjobs/了解更多详情。