信息速览
在智利安第斯山脉海拔五千米的查南托高原上，六十六台天线在稀薄空气里同时指向同一片天区。它们不做快门，也不做曝光积分——每两台天线接收到的信号被送进相关器相乘，得到的是这些信号在空间频率域上的一个采样点。阿塔卡马大型毫米波/亚毫米波阵列（ALMA）以这种方式工作了十五年，产出被压缩进一个叫「科学档案」的检索系统：84 万条记录、5,714 个项目、43,335 份原始数据包。
这个数据集最容易被误认的地方，是它的名字听起来像一座图片库。它不是。档案的核心交付物是可见度，也就是天线对之间的互相关；要从这些数里得到一张能看的图，需要做傅里叶逆变换再去卷积，而这一步官方交给使用者自己完成，工具是 CASA。因此，把它当作「又一个天文图像集合」来规划的所有下游方案，都会在第一个环节就失效。
下面的速览把最该先建立的几个口径排在一起：它是什么、规模按哪一层数、时间上怎么增长、许可是什么状态。后续各节再逐项展开，包括它与其他巡天在模态上的分工，以及它为什么不适合直接拿来做机器学习。
| 项目 | 数值 | 口径与来源 |
|---|---|---|
| 观测记录 | 842,183 | TAP ivoa.ObsCore 计数 |
| 项目编号 | 5,714 | 去重计数 |
| 原始数据包 | 43,335 | asdm_uid 去重 |
| 观测单元组 | 25,338 | group_ous_uid 去重 |
| 质量二级通过 | 770,338 | qa2_passed='T' |
| 波长覆盖 | 0.317–8.56 毫米 | em_min/em_max 边界值 |
| 最短空间分辨率 | 0.008 角秒 | s_resolution 最小值 |
| 时间跨度 | 2011-04-16 起 | t_min 最小值换算 |
| 检索协议 | TAP/ADQL | tap/sync，VOTable 返回 |
| 专属期 | 默认 12 个月 | 提案者指南第 6 章 |
| 许可状态 | 未给 SPDX | 用户政策 + 致谢要求 |
| 处理软件 | CASA | 官方指定，非可选 |
§1 速览：它是什么，也不是什么
1.1 一句话定义
ALMA 科学档案是一份以「天线对之间的互相关」为最小单位的观测归档，外加一层按国际虚拟天文台标准暴露的元数据检索视图；它记录的是电磁波在空间频率域上的采样，而不是这些采样经过数学变换之后应当呈现的那幅图。
这句话里的每个限定词都有代价。「以互相关为单位」意味着你不能按像素去理解数据；「按虚拟天文台标准暴露」意味着查询它要用 ADQL 而不是 SQL；「元数据检索视图」意味着查到的是索引，不是内容本身。
1.2 为什么它不像「普通天文数据集」
把这份档案当成普通天文数据，会在三处栽跟头，而这三处恰好定义了它区别于其他数据集的地方。
第一，交付物的形态不是最终产物。光学巡天的收官产品是一幅图或者一条光谱，拿到就能用；ALMA 的收官产品是一堆复数，图像的生成是使用者的工作。官方对这一点没有含糊：它提供模拟成像的工具，提供处理链，提供笔记本教程，但不提供「下载即得图」的路径。这不是偷懒，而是干涉测量的物理本质决定的——不同的成像参数会得到不同的图，官方无权替使用者决定用哪一套。
第二，数据的可用性由日期决定。默认十二个月的专属期，从提案人被通知数据可用那一天开始计算。检索接口是匿名的，它返回的是「当前对这个使用者可见的集合」。因此同一个查询在不同月份执行，结果可能不同，而这个差异不来自数据更新，来自访问权限的到期。任何用档案规模做长期规划的工作，都必须把这条时间轴显式写出来。
第三，同一个目标的不同观测不可直接比较。阵列构型分十种，最长基线从 160 米到 16.2 公里；接收波段分十个，波长从 0.32 毫米到 8.5 毫米。两个维度各自跨一到两个数量级，组合起来的可能性远大于任何一次观测所能覆盖的。这意味着「ALMA 观测过某个天体」这句话几乎不带信息，必须补上构型与波段才有意义。
1.3 三十秒决策卡：你的处境，它能帮你什么
| 你手上要解决的问题 | 它能给你什么 |
|---|---|
| 想研究分子云里某条谱线的空间分布 | 按目标名与波段检索，拿到校准后的谱线立方体，无需自己成像 |
| 需要高分辨率的尘埃连续谱形态 | 有，但要先确认这次观测用的是长基线构型，否则分辨率不够 |
| 想找一批图像训练重建模型 | 给不了现成图像；可行的路是自己搭处理链做可见度到图像的配对 |
| 要把 ALMA 与光学巡天的结果拼在一起 | 可以，但两者的坐标系、分辨率、灵敏度单位都不是同一套，须逐项换算 |
| 需要一个长期稳定不再变的星表 | 给不了，档案每天在增长，且公开集合随专属期滚动 |
| 做射电数据处理的教学演示 | 很合适，官方有可执行的笔记本教程与模拟工具 |
| 想一次性把 ALMA 全量搬回本地 | 不现实，单条数据以十亿字节计，见 §5 |
| 需要明确的开源许可用于再分发 | 给不了，官方未给 SPDX 标识，见 §8 |
决策卡的正确用法是倒着读：先在自己需求里找到最像的那一行，再看右列的限定条件能不能接受。如果某一行右列出现了「须自己搭」「须先确认」「给不了」，通常意味着这个项目的成本结构与你预想的不一样，此时换一个数据源往往比硬扛更划算。
1.4 不适合谁
先划一条总边界：如果需求的核心是「拿到可直接进入通用深度学习流程的样本」，这份档案从设计上就不针对这个需求，它针对的是「拿到可被专业处理链处理的科学观测」。
如果需求是图像分类或目标检测的现成训练集，这份档案不提供。图像的生成是一个带参数的过程，去卷积的算法、权重函数的选取、清洁迭代的次数都会影响输出。任何一批图像都不能代表「ALMA 的观测」，只能用来说明「某人在某组参数下从 ALMA 的观测里重建出的结果」。
如果需求是稳定的静态星表，需要接受一件事：档案是活的。每一次查询都是在某个时刻对一个正在增长、且访问权限正在变化的集合拍的快照。想做可复现的研究，必须把查询日期与完整的 ADQL 语句一起存档。
如果需求是跨设施的统一编码，要自己搭桥。虚拟天文台标准提供了公共字段，但 ALMA 特有的字段——构型、波段、执行块、质量评分——不在公共模型里，要看这些就得多查一个扩展视图。
如果需求是低门槛的探索式分析，前提是有射电天文的基础知识与一台能跑 CASA 的机器。官方的处理链可以在普通工作站上运行，但一次完整的校准与成像作业动辄数小时到数天，且需要人工判读质量。
1.5 贯穿本文的案例：HL Tau 的 25 行记录
后面的章节会反复回到一个具体对象上：金牛座的一颗年轻恒星 HL Tau，以及它在检索视图里的 25 行记录。
选它作例子，是因为它把这份档案的几个结构性特征压在了同一个目标上。它被观测过不止一次，不同观测用的构型与波段不同；它的记录分属两个性质很不同的项目——一个是调试性质的技术项目，一个是科学验证数据；它的空间分辨率估计值落在 0.009 到 0.07 角秒之间，跨了将近八倍；它在检索视图里占 25 行，但那不是 25 次观测，更不是 25 张图。
下面各节每讲到一个结构特征，都会回到这个对象上说明它的具体后果：怎么分组、怎么还原、哪些行可以合并、哪些行必须分开、体积怎么估、权限怎么判。
§2 数据构成：四层编号与三种产品
2.1 规模的四种口径
这份档案的规模有四种数法，彼此不是误差关系，而是层级关系。
最细的一层是原始数据包，标识形如 uid://A002/X445835/X6，去重后四万三千余个。一个数据包对应一次连续的天线记录，落到磁盘上是一个目录，里面是 XML 表格加二进制数据，体积从几百兆字节到几十亿字节不等。
往上一层是观测单元成员，32,348 个；再往上是观测单元组，25,338 个。一个观测单元组是一次调度执行，它按天线阵的不同拆成成员单元——12 米阵、7 米阵、总功率各算一个成员，因为它们的调度是独立的。
再往上就是项目，5,714 个，用提案编号标识。一个项目可以有多组观测单元，分布在不同的观测周期里。
而检索视图的行数是 842,183，比上面任何一层都多，因为视图把最细的一层按频率窗口展开：一个原始数据包如果用了三十二个频率窗口，就可能变成几十行。
2.2 行数为什么比数据包多二十倍
全表计数除以数据包去重计数约等于 19.4。这个倍数的来源是频率窗口。
相关器把接收带宽切成若干频率窗口，每个窗口再切成若干通道。档案的检索视图按观测目标与频率窗口的组合出行，因此一个原始数据包里有多少个被记录下来的窗口组合，就会产生多少行。这个设计对检索是有利的——你想找「哪个观测覆盖了 230 GHz 附近的连续谱」，按窗口检索比按数据包检索精确得多；但对计数是不利的，直接把行数当成观测数会高估近二十倍。
同一个目标在视图里的行数也遵循同样的规律。HL Tau 的 25 行里，16 行来自一个 2011 年的技术项目，9 行来自科学验证数据；这两个项目各自被拆成若干窗口行。若把它当成「HL Tau 被观测了 25 次」，后续任何按观测次数做的统计都会失真。
2.3 三种交付形态
档案对外提供的产品按处理深度分三档，检索视图的校准级别字段把它们压成了两个取值，实际是三档。
原始数据是最初记录下来、仅经过最低限度检查的形态，格式是 ASDM。它包含全部信息，也包含全部噪声与仪器效应，读取需要专用软件。提案人可以在任何时刻申请提前取回原始数据，但一旦取回，专属期就从那一刻开始计时。
校准后数据是处理链跑完之后的形态，格式是测量集，通常还会导出一份供通用软件读取的 uvfits。这一步校正了大气相位、仪器响应、通带形状，是绝大多数二次分析的实际起点。
科学就绪产品是在校准之后继续成像、并经过质量保障的结果，包含图像、谱线立方体、可见度权重等。质量保障分两级：一级在数据进入档案时自动做，二级由处理链加人工复核完成，判断标准是数据是否满足提案人声明的灵敏度与分辨率目标。检索视图里，二级通过的记录是七十七万余条，未通过七万余条。
2.4 阵列与波段：两个正交的维度
ALMA 不是一个阵列，是三个阵列的组合。12 米阵由五十台天线组成，在十种构型之间切换，最长基线从 160 米到 16.2 公里，负责高分辨率；紧凑阵由十二台 7 米天线组成，基线很短，负责大尺度结构；总功率阵由四台 12 米天线各自单独测量，不做干涉，用来补上干涉阵列天生缺失的最大尺度。
这三个阵列在同一波段上的空间分辨率相差几个数量级，但它们看到的是同一个物理量的不同空间频率。任何一幅「完整的」图像，理论上都需要三者叠加，而档案里它们常常分属不同的成员单元，需要使用者自己合并。
波段是另一个正交维度。十个接收波段覆盖 0.32 到 8.5 毫米，毫米波段的低频对应分子转动跃迁的密集区，高频则探测暖尘埃连续谱与高激发谱线。波段与构型完全独立：同一个目标可以用同一构型在不同波段观测，也可以用同一波段在不同构型观测，四种组合在科学上完全不同。
2.5 一行记录到底代表什么
回到 §1.5 的案例。HL Tau 在视图里的 25 行，如果逐行读，会发现每一行的观测标识都以同一个 uid 前缀开头，后面跟着源名与窗口编号。这说明它们来自同一个原始数据包的展开。
这带来一个操作上的直接结论：按目标名检索得到的是窗口级记录，按数据包检索得到的才是观测级记录。做数据量估算要按数据包数，做波段覆盖判断要按窗口行，两者不能混用。把 84 万行当成 84 万次观测，会高估近二十倍；反过来，把每个数据包当成一个不同目标的观测，会低估同一目标被反复观测的普遍程度。
2.6 它为何存在，又靠什么活着
一个把最原始、最难用的形态当作核心交付物的档案，之所以能维持，靠的不是使用者的善意，而是三条相互咬合的机制。
第一条是观测时间本身带条件。申请 ALMA 观测时间的研究者必须承诺在期限之后公开数据，这不是可选项，是提案评审的默认前提。档案因此不需要单独去「收集」数据，数据的来源就是观测系统本身。
第二条是处理链承担了最低限度的可用性。档案不会把裸的互相关直接丢出去，每一个数据包都会跑一遍自动处理链，产出校准后的数据与初步图像，并给出质量评分。使用者拿到手的起点因此不是一个无法使用的原始文件，而是一个已经处理过、只是需要自己再判断的结果。
第三条是区域中心分担了支持成本。三个区域节点各自维护镜像与技术支持团队，用户提问走的是本地语言的支持通道，而不是一个统一的中央客服。这套结构让档案的服务能力随用户规模一起扩展，而不是被单一团队的人手卡住。
三条机制合起来解释了一个现象：档案的规模在增长，但增长的驱动力不是主动采集，而是观测时间的分配。这也意味着它的边界由天文台的观测计划决定，而不由数据工程的规划决定。
§3 标识层：三套编号各管一段
3.1 提案编号：最稳定的分组键
提案编号形如 2019.1.01234.S，前四位是提案年度，末位字母编码项目类型：S 是标准项目，L 是大项目，T 是技术或调试项目，E 是早期科学或调试性质的特殊项目，SV 是科学验证。全文五千余个编号里，以 T 结尾的对应 13,956 条记录。
这个编号是最合适的分组键，因为它对应一个科学目标、一支团队、一个时间预算。但它不是内容的标识：同一个编号在不同周期的观测会被拆开，一个延续多年的项目在档案里可能表现为多个编号。做项目级统计时，按编号去重能得到团队数，但得不到观测次数。
3.2 数据包编号：内容的真实边界
数据包标识形如 uid://A002/X445835/X6，它是内容的真实边界：一个数据包对应一次连续记录，相关的全部信息都在里面。
前缀 A002 是站点或仪器的编码，中间段是时间相关的十六进制块号，末段是本次观测内部的序号。同一前缀下的多个数据包属于同一次观测安排。这个层级关系对下载规划至关重要：要拿到一个目标的完整数据，必须把同一前缀下的全部数据包都取回，只取其中一个会得到不完整的可见度集合，而成的像会因为缺少空间频率采样而出现伪结构。
3.3 观测单元编号：调度的边界
观测单元组的标识与数据包编号是两套体系，前者来自调度系统，后者来自数据记录系统。它们之间不是一一对应：一个观测单元组可以包含多个数据包，因为一次调度执行可能跨多个记录段。
这个层级在检索视图里以两个字段出现，一个是组标识，一个是成员标识。想按「一次调度」分组就用组标识，想按「一次记录」分组就用数据包标识。混淆这两者，会把同一次执行的多个记录段算成多次独立观测。
3.4 目标名：最不可靠的键
检索视图里有一个目标名字段，看起来最适合做分组，实际上最不该用。理由是它由提案人在提交时手工填写，没有受控词表。同一个源可以写成不同的写法，同一个写法也可能指向不同的源。
回到 §1.5 的案例：按目标名精确匹配 HL Tau 得到 25 行，但若按坐标检索同一片天区，得到的行数会略有不同，因为有的观测把源名写成了别的形式。做任何按目标聚合的工作，都应该以坐标加半径检索为主、名字为辅，并且把检索半径明确写进存档的查询语句里。
3.5 用错键的代价
三套编号各有适用面，用错的代价可以直接算出来。
用提案编号当观测标识，会把一个项目的几十次观测压成一次，导致灵敏度被高估；用目标名当项目标识，会把不同团队的观测混在一起，导致重复计算；用检索行当数据包，会高估数据量近二十倍，导致存储规划完全失真。
一个实用的判断规则是：做科学分析按数据包分组，做项目管理按提案编号分组，做归档复现按检索语句分组。三条线各走各的，不要试图用一套键兼顾。
3.6 它为什么必须记录互相关
干涉阵列的分辨率由最长基线决定，而不由单台天线的口径决定。两台相距十六公里的天线，其组合的角分辨率相当于一台十六公里口径的望远镜在两台天线连线方向上的投影。代价是：单台天线看不到完整图像，它只接收到天空亮度分布的一个傅里叶分量。
相关器做的事，就是把每对天线的信号相乘并对时间积分，得到这个分量——一个复数，既有振幅也有相位。天上有多少对天线，就有多少个采样点；天线在观测过程中随地球自转改变投影，采样点沿椭圆轨迹移动，逐步把空间频率平面填上一部分。没填满的部分就是所谓缺失的短基线，这也是为什么需要紧凑阵与总功率阵来补充，以及为什么补上与没补上的两批数据在科学含义上并不相同。
理解这一层之后，前面几句话就都有了物理来源：数据为什么是复数，因为相位是观测量；分辨率为什么会随构型变，因为基线变了；成像为什么是使用者的工作，因为采样不完整、重建方式不唯一；单条数据为什么那么大，因为每个频率通道、每个时间片、每对天线都贡献一个复数。§1.5 的案例里那 25 行之所以不能简单合并，根源也在这里：它们来自不同的空间频率采样，合并之前要先判断这些采样在傅里叶平面上是否相容。
§4 结构层：元数据视图与它藏起来的东西
4.1 检索协议：为什么是 ADQL
档案对外暴露的是一个标准的表访问协议端点，查询语言是天文数据联盟定义的 ADQL。它的语法接近 SQL，但落地取决于服务端。以这个端点为例，字符串截取函数不接受 SUBSTRING(x, 1, 4) 这种带起止位置的写法，会直接返回语法错误；聚合查询过重时前置代理会先超时，返回一段通用的代理错误页，而不是明确的语法诊断。
选择这个协议的理由是互操作性。它让 ALMA 的存档能和其他虚拟天文台资源用同一套查询写出来，从而支持跨设施的联合检索。代价是学习曲线：熟悉 MySQL 或 PostgreSQL 的人第一次用会踩到几个具体的坑：切片函数的签名不同、日期函数不可用、时间字段以约化儒略日存储。
4.2 核心视图里有什么
核心视图是国际标准的观测核心模型，一共五十余个字段，覆盖空间、时间、光谱、偏振四个轴，外加数据标识、校准级别、访问地址。ALMA 在这套标准之上加了若干扩展字段：阵列构型、波段、执行块、质量评分、大气水汽含量、是否科学观测。
这个结构的好处是稳定：同样的查询写法在别的射电档案上也能跑。坏处是公共字段的语义被摊薄了——比如空间分辨率字段只是一个估计值，它不告诉你这个估计是怎么算出来的，也不告诉你实际的合成波束形状。
4.3 扩展字段与它们的分歧
扩展字段是这份档案真正的信息所在。以质量保障为例，公共模型里只有校准级别一个粗粒度指标，而实际的判断依据是提案人声明的目标是否达到，这个信息在扩展字段里。
分歧点在于这些字段的维护责任。公共字段由档案系统统一填，扩展字段有一部分由处理链自动填、有一部分由人工填。自动填的部分在早期数据上可能为空，人工填的部分则依赖当时的工作流。用这些字段做筛选时，空值不等于否定，需要单独判断。
4.4 表清单很小，视图很深
协议的元数据表显示，这个端点对外只有七个表：四个是协议自举需要的元信息表，一个是观测核心视图，一个源表视图，外加一个索引表。看起来很简单。
但这份简单具有欺骗性。视图背后是一个逐年累积的关系型数据库，字段的填充逻辑随版本演过多次。想理解某个字段为什么在某批数据上是空的，唯一的办法是去看数据处理管线的版本变迁，而这部分内容不在协议里。
4.5 元数据与内容之间隔着一层
最要紧的一点是：视图里的每一行都是索引，不是内容。
视图告诉你某个观测在什么时间、用什么波段、分辨率大概多少、数据在哪。它不告诉你数据本身长什么样，也不告诉你能否下载。访问地址字段指向一个服务端接口，实际下载还要经过一次请求，而这次请求可能因为专属期未到而被拒绝。
把检索结果当成已获得的数据，是使用这份档案时最常见的结构性误解。检索成功与数据到手之间，隔着一次鉴权与一次体积检查。
§5 取数层：三次请求与一个处理链
5.1 为什么没有「下载全库」
全库不可下载，理由是体积与格式双重叠加。四万余个原始数据包，单个从几百兆字节到数吉字节不等；即便按最小值估计，总量也在几十太字节的量级。检索视图里虽然有体积估计字段，但它在多数记录上为空，不能作为规划依据。
正确的做法是三步：先用查询把范围缩到一个可控的集合，再用单条记录的详情页确认体积与权限，最后才发起下载。跳过第一步直接批量抓，会在中途因为超时或配额失败。
5.2 一次正经的检索
下面这段查询是可以在端点直接跑通的，它按天区与波段筛出某个源附近、落在毫米波段低端的全部记录。注意 ADQL 里没有日期函数，时间要先用约化儒略日换算。
SELECT TOP 20
proposal_id,
target_name,
s_ra,
s_dec,
s_resolution,
em_min * 1000.0 AS lam_mm,
t_min,
qa2_passed
FROM ivoa.ObsCore
WHERE 1 = CONTAINS(POINT('ICRS', s_ra, s_dec),
CIRCLE('ICRS', 65.4976, 18.1360, 0.01))
AND em_min * 1000.0 BETWEEN 2.6 AND 3.4
ORDER BY s_resolution ASC
这段语句的每一处都有代价。CONTAINS 的空间索引需要服务端支持球面几何，坐标写错顺序不会报错，只会返回空集；em_min 的单位是米，乘一千才是毫米，忘记换算会筛出全部记录或零条；TOP 限制行数，不加会在宽天区上拉回几十万行，把连接拖到超时。
5.3 三次请求的分解
一次完整的取数实际包含三次请求，每次都可能是失败点。
第一次是元数据查询，走同步端点，返回 VOTable 格式的 XML。它有状态：查询太复杂会超时，服务端的前置代理会返回一段通用错误页而不是明确的错误码，同一个语句重试往往就通过，所以重试脚本必须先区分「语句本身有语法问题」与「服务端忙」——前者只会重复失败，后者值得重试三次。
第二次是访问地址请求，用第一次返回的地址去取数据包。这一步涉及鉴权，匿名请求只能取到公开期的数据，专属期的数据会返回拒绝。按官方口径，检索允许匿名或经过鉴权的下载，两者的差别不在检索结果，在能不能真的把文件拉下来。
第三次是下载本身，通常是很大的文件，网络中断需要断点续传。三次都成功，才算拿到一条数据。把这三步压成一步脚本的人，通常在第二步拿到一堆 403 而误以为是网络问题。
5.4 处理链不是可选项
数据到手之后，真正的成本才开始。校准后的数据仍然以测量集的形式存在，要得到图像必须做可见度变换与去卷积。官方指定的工具是 CASA，一个以 Python 为接口的射电天文软件包。
这一步不是「跑一下脚本」那么简单。成像参数——权重函数、清洁算法、迭代次数、掩膜——会显著改变输出，官方文档对每组参数的含义有专门说明，选择哪一组取决于科学目标而不是默认值。同一条数据在不同参数下可以产出视觉上很不同的图像，两者都能在论文里通过审稿。
5.5 三条路径的代价对照
| 路径 | 起点 | 中止步数 | 适用场景 |
|---|---|---|---|
| 只用科学就绪产品 | 检索视图的访问地址 | 无 | 快速验证、教学演示 |
| 校准后数据显示 | 检索 + 访问地址 | 一次鉴权 | 二次分析，如重新成像 |
| 原始数据完整重做 | 检索 + 访问地址 + 下载 | 三次 + 处理链 | 需要完全复现或有特殊校准需求 |
三条路径的成本差是数量级的。多数项目停在第二条就够了：校准后数据已经校正了大气与仪器效应，只剩成像这一步的选择权，而这恰恰是使用者最需要自己掌控的部分。
§6 坐标、频率与时间：三套单位同时出现
6.1 赤经赤纬：与其他巡天一致
空间坐标是国际天球参考系下的赤经赤纬，单位度，与光学巡天用的是同一套。这是最容易对齐的一维：拿 ALMA 的坐标去和 SDSS 或 Gaia 的坐标做交叉匹配，不需要任何换算，只有分辨率与灵敏度上的差别需要处理。
但要注意边界条件的差异。ALMA 不观测距太阳十五度以内的天区，这条限制写进了观测政策，因此在太阳附近的源在档案里天然缺席。跨巡天比较时，这种系统性的空白会被误读成「该天区没有毫米波辐射」。
6.2 波长还是频率：射电天文的双重口径
档案的谱轴字段给的是波长，单位米，最小值约 0.317 毫米，最大值约 8.56 毫米。而射电天文学界讨论波段时几乎一律用频率，单位吉赫兹，十个波段的标准频率从 35 吉赫兹到 950 吉赫兹。
两者互为倒数，换算系数是光速。0.32 毫米对应约 940 吉赫兹，8.5 毫米对应约 35 吉赫兹。读者若把档案里的波长值直接当成频率去和文献比对，会得到完全相反的高低关系——波长最小的地方频率最高，这是一个反复出现的误读点。
6.3 时间：约化儒略日不是日期
时间字段是约化儒略日，从 1858 年 11 月 17 日起算的天数。档案里最早的值是 55667.13，换算是 2011 年 4 月 16 日；最新的值到 61341 左右，换算是 2026 年 10 月下旬。
这个格式的陷阱在于它看起来像一个小数，容易被当成秒或以年为单位。差一天就是 1.0，写进查询条件时若按日期的直觉去写，会得到相差几个数量级的结果。ADQL 里也没有内置的日期转换函数，换算要在客户端做。
6.4 分辨率：一个会变的属性
空间分辨率字段是角秒，最小值 0.008，最大值 67.9，跨了近万倍。它不是这个数据集的固有属性，而是某一次观测在某个构型、某个波段下的结果。
回到 §1.5 的案例：HL Tau 的记录里，技术项目那批的分辨率是 0.0094 角秒，科学验证那批是 0.062 到 0.071 角秒。两者相差近七倍，意味着前者能分辨原行星盘里的环状结构，后者只能看到一个模糊的团块。同一个源，同一个名字，科学价值完全不同。
这个字段还有一个容易被忽视的特性：它是估计值，不是合成波束的实际形状。观测偏离中天时波束会拉长，高赤纬或低赤纬的源尤其明显，估算值只给出一个平均意义上的尺度。做定量形态测量时，必须从数据本身重建波束，不能直接拿这个数当高斯半高宽用。
6.5 三套单位混用的后果
三套单位——度、毫米、约化儒略日——在同一张表里并存，且没有任何字段名提示单位。误用的后果分三种：空间坐标写反顺序会静默返回空集；波长与频率混淆会筛出相反的波段；时间单位错认会返回几十倍于预期的记录。
一个可行的防错习惯是在查询里显式做单位换算并给结果起别名，让单位出现在列名里。上一节的示例语句把波长乘一千改成毫米，就是这个做法。
§7 质量层：二级保障与它不保证的东西
7.0 阅读本节的认知校正
质量这个词在这份档案里有一个非常具体的定义，与直觉不同。
它不指「数据好坏」，而指「数据是否达到了提案人当初声明的目标」。一个灵敏度不高但完全达到声明目标的观测，质量是被认可的；一个灵敏度极高但因为天气原因没达到声明目标的观测，质量是未通过的。因为目标由提案人自己设定，所以这个指标跨项目不可比。
7.1 两级保障的分工
一级保障在数据进入档案时执行，检查的是记录是否完整、校准是否收敛、元数据是否齐备。它不判断科学价值。
二级保障由处理链加人工复核完成，判断的是最终产品是否满足声明的灵敏度与分辨率。档案里二级通过的记录是七十七万余条，未通过七万余条，另有少量记录该字段为空。未通过意味着需要重新观测或人工处理，官方会据此触发复观。
7.2 未通过不等于不可用
未通过的记录仍然在档案里、仍然可以下载。它们的使用价值取决于具体需求：做统计研究可能需要避开，做方法学研究反而需要它们，因为失败案例正是检验算法的材料。
真正的禁区是把未通过记录混进一个按目标聚合的集合，然后再按目标做灵敏度推断。这会系统性地高估某些目标的观测质量。
7.3 科学观测与校准观测的混合
档案里不只有科学观测。检索视图有一个标记字段区分两者，科学观测 449,782 条，非科学观测 392,401 条，比例接近一半对一半。
非科学观测包括指向校准源的观测、指向行星的通带校准、指向天空的相位参考。它们对仪器校准是必需的，对科学分析通常是噪声。任何按目标名做的聚合，如果不加这个过滤，会把校准源当成科学目标算进去。
7.4 类型标记的另一层过滤
除了科学观测标记，还有一个类型字段编码了项目的性质。标准项目、大项目、技术调试、科学验证、早期科学，各有不同的数据政策与用途。
科学验证数据的用处是教学与算法验证：它们经过了完整处理、公开得早、样本量适中。技术调试数据则是混杂的：同一个项目里可能既有真正有价值的数据，也有纯仪器测试的记录。返回 §1.5 的案例，HL Tau 的 25 行里 16 行属于技术调试项目，把它们当作科学观测会高估这个源的实际研究程度。
7.5 把质量当数据管理对象看
按数据管理框架的五个维度来评，这份档案的表现并不均衡。
完整性方面，元数据覆盖得很全，核心视图的五十余个字段在绝大多数记录上都有填充；可访问性方面，匿名检索可用，但下载需要过鉴权；互操作性方面，协议标准让它能与别的虚拟天文台资源联查；可复现性方面，处理链是开源的，但参数选择没有标准化的记录格式，同一批数据两次处理的结果可以不同。一个可以量化的旁证是时间分布：档案里约三分之一以上的记录发生在 2023 年之后，说明新数据的进入速度并没有放缓；文档方面，官方文档相当完整，从提案指南到处理教程都有。
这五个维度里，可复现性是最弱的一环，也是最容易在实际项目里出事的一环。
§8 许可与引用：开放访问不覆盖全部内容
8.1 官方页面到底写了什么
档案页面上的原话是：它保存全部公开与专属的科学数据，提供一个基于表单的查询工具，并允许匿名或经过鉴权的下载。这句话包含了三层信息：公开与专属并存、有查询工具、下载分两种身份。
首页与数据页都没有给出知识共享协议名称，也没有给出机器可读的许可标识。可核查的只有这些陈述与用户政策文档。
8.2 十二个月专属期的实际结构
默认专属期是十二个月，从提案人被通知数据可用那一天起算。这里有两个容易忽视的细节。
其一，起算点不是观测日期，而是通知日期。观测在何时执行与数据何时可用之间隔着校准与质量检查的时间，因此专属期的实际起点晚于观测时间。其二，提案人可以提前申请取回原始数据，一旦取回，专属期就从那一刻开始计。这意味着一个项目的专属期可以人为提前，但不允许延后。
目标机会观测是一个例外：默认没有专属期，理由是这类观测针对的是突发天象，拖延公开会削弱科学价值。调试项目的政策另有规定。
8.3 必须引用的内容
官方的致谢指引要求在使用 ALMA 数据的工作里声明数据来自哪个区域的档案、引用对应的提案编号，并引用 ALMA 的合作论文。这些要求不是许可条款，而是学术惯例的成文化。
对下游项目而言，这意味着即便技术上可以自由下载，出版时仍有硬性的致谢与引用义务。把档案标注为公有领域并不准确，把数据再分发出去而不带这些说明同样不妥。
提案编号在其中扮演的角色常被低估。它不只是一个标签，而是追查数据来源的唯一凭据；论文里只写「数据来自 ALMA 档案」而不给编号，读者无法复核。对于用了多个项目数据的工作，每个编号都要单列，不能笼统合并。
8.4 与知识共享协议的距离
之所以要强调官方未给 SPDX 标识，是因为标注错误会带来真实的法律风险。
知识共享协议对署名、商用、衍生作品有明确条款，而这些条款的内容与学术致谢惯例并不等价。一个项目如果把 ALMA 数据标注为某种许可并据此再分发，等于替数据所有方做出了一项它没有做出的授权。稳妥的写法是描述实际的访问条件——公开期内可匿名下载、使用时须致谢与引用——而不替它指定协议。
8.5 对下游项目的实际含义
三句话概括。
可以自由下载公开期的数据，不需要额外申请；不可以把专属期的数据当作公开数据使用，即便技术上能取到；不可以在没有致谢与引用的情况下把数据打包再分发。这三条里，第二条与第三条最容易被工程流程忽略，因为它们不在技术文档里，而在政策文档里。
§9 生态位：与光学巡天不是同一类东西
9.1 两者测的不是同一个物理量
库内已有两份光学侧的大数据集：一份是斯隆数字巡天，提供五波段成像与上千万条光学光谱；一份是盖亚，提供十亿量级恒星的天体测量与低分辨率光谱。两者的共同点是都在可见光附近工作，记录的是电子跃迁与恒星位置。
ALMA 在毫米波段工作，记录的是分子转动跃迁、尘埃热辐射与同步辐射。三类辐射对应三种完全不同的物理过程：光学光谱告诉你一颗恒星大气里的元素丰度，毫米波谱线告诉你一片分子云柱密度与温度，两者之间没有换算关系。
9.2 空间分辨率不在同一个区间
这一点常被忽略。光学巡天的空间分辨率是角秒级，斯隆的像素尺度约 0.396 角秒；ALMA 在长基线构型下能到 0.008 角秒，比光学巡天细五十倍，但在紧凑构型下只有几角秒，比光学巡天粗一个数量级。
因此两者的组合不是简单的叠加：当 ALMA 在高分辨率下看一个原行星盘时，光学巡天看到的只是一个点；当 ALMA 在低分辨率下看一片大分子云时，光学图像可能被尘埃完全遮挡。数据融合的前提是先确认分辨率匹配。
9.3 库内的分工
斯隆数字巡天的发布提供光学成像与光谱，盖亚星表提供恒星位置与视差，这份档案提供毫米波可见度。三者覆盖了电磁谱上三个不相邻的窗口，交叉匹配的价值在于把同一批天体的不同物理侧面对齐。
具体而言，盖亚给出的恒星位置可以用来定位原行星盘宿主星，斯隆的测光可以用来估计恒星质量与年龄，ALMA 的可见度可以用来测量盘的尘埃质量与气体运动。三者拼起来，才是一个完整的天体物理描述。
分工也决定了顺序。由于 ALMA 的观测视场很小，长基线构型下往往只有几角秒，检索必须先有精确的靶点坐标，而坐标最可靠的来源正是盖亚。用光学巡天的源表去筛毫米波靶点，是这类交叉研究最常见的起点。
9.4 一个具体的对比
返回 §1.5 的案例。HL Tau 在光学图像里是一个被尘埃严重遮挡的年轻恒星，可见光波段几乎看不到盘；在毫米波段，它是最著名的原行星盘图像之一，环状结构清晰可辨。同一个天体，两套数据描述的是它完全不同的两个部分：光学看的是散射光与恒星本身，毫米波看的是冷尘埃与冷气体。
这个例子说明的不是「ALMA 更好」，而是「换一个波段等于换一个研究对象」。缺了任何一方，对这颗星的认识都只有一半。
§10 使用指引：三类角色与三条边界
10.1 教学场景
最适合的起点是科学验证数据与处理教程。这批数据公开得早、经过了完整处理、样本量适中，官方还提供可执行的笔记本，从检索一路走到成像。
教学上的关键决定是先讲物理还是先讲数据。先讲物理，学生会理解为什么干涉阵列记录的是可见度；先讲数据，学生会更快上手但容易把成像当成理所当然。两种顺序都有道理，但不要在同一个课程里混用。
10.2 研究场景
研究者的典型工作流是：按坐标与波段检索，筛掉非科学观测与未通过质量检查的记录，评估分辨率与灵敏度是否满足需求，然后取数据。
最容易出错的地方不在检索，而在比较。不同论文对同一个源的观测往往用不同构型与波段，直接比较数值会得到矛盾结论。稳妥的做法是在引用时同时写明构型与波段，让读者能判断可比性。
第二个易错点是时间基线。同一个目标在档案里跨越多年的观测，其间仪器的接收机换过、处理管线版本改过。把这些观测当成同一个条件下的重复测量做平均，会把系统差异当成随机噪声压低。凡涉及多历元合并，都要先确认版本一致。
10.3 工程场景
数据工程团队常被问到的两个问题——怎么存、怎么处理——都没有廉价答案。
存储上，原始数据的体积太大，通常只能按需取用，不能预先镜像全库。处理上，CASA 的作业可以在容器里跑，但依赖较重、内存需求高，一次完整成像作业需要预留数小时到数天的计算窗口。
10.4 三条跨角色通用的边界
第一，不要把检索结果当数据。视图是索引，每一步之后都要确认真的拿到了内容。
第二，不要跨构型直接比较。分辨率、灵敏度、可探测的结构尺度都会变，比较前先看这两个字段。
第三，不要把许可当默认。公开期内可以自由下载，出版时仍须致谢与引用，再分发更需谨慎。这三条边界之外还有一条更根本的：它不是图像数据集，任何「下载下来就能训练」的预设都不成立。
§11 常见误读（避坑清单）
11.1 数据形态上的四种误读
误读一：把它当作图像库。 档案的主体是天线对之间的互相关，成像需要傅里叶逆变换与去卷积，官方提供的处理链是 CASA 而非图像浏览器。依据是数据页原文只管「保存全部公开与专属科学数据」，处理部分在另一套文档里单列。
误读二：把行数当成观测数。 检索视图的行按频率窗口展开，与原始数据包去重计数之比约 19.4。依据是全表计数与数据包去重计数的比值。
误读三：以为文件下载完就能直接读。 原始数据的格式是结构化目录而非单文件表格，校准后的格式同样需要专用库解析。依据是官方对处理工具的规定。
误读四：以为图像是唯一有用的产物。 谱线立方体里的速度结构、可见度本身携带的相位信息，都不在最终图像里。做动力学分析要回到数据立方体，做方法学研究要回到可见度。
11.2 时间与权限上的四种误读
误读五：以为档案里全是公开数据。 公开与专属并存，默认专属十二个月。依据是提案者指南第六节的原句。
误读六：以为专属期从观测那天起算。 从提案人被通知数据可用那天起算，中间隔着校准与质量检查。依据同上。
误读七：以为今天查到等于明天还能查到。 检索接口匿名可用，返回的是当前时刻可见的集合。这个集合会随专属期到期而扩大，也会随政策修订而变化。依据是接口本身的匿名属性。
误读八：以为未通过质量检查的数据不能下。 能下，只是不满足提案人声明的目标。依据是未通过的记录仍在档案内、仍有访问地址。
11.3 物理量上的四种误读
误读九：以为分辨率是数据集的固定属性。 它取决于阵列构型与波段，跨近万倍。依据是分辨率字段的极值。
误读十：以为毫米波长可以直接和文献的吉赫兹相比。 两者互为倒数，须换算。依据是波长边界值与波段频率范围的对应。
误读十一：以为时间字段是日期。 它是约化儒略日，从 1858 年起算。依据是最早值与 2011 年 4 月的对应。
误读十二：以为按目标名检索就够了。 目标名由提案人自由填写，须以坐标检索为主。依据是同一源按名字与按坐标得到的记录不重合。
11.4 许可与用途上的两种误读
误读十三：以为许可是某种知识共享协议。 官方未给 SPDX 标识，可核查的只有致谢与引用要求。依据是数据页与致谢指引都未出现协议名称。
误读十四：以为可以直接训练图像模型。 单条数据以十亿字节计，读取需要专用软件，内容是空间频率采样而非像素网格。
| 常见说法 | 实际情况 | 证据 |
|---|---|---|
| 这是一个图像库 | 主体是天线对的互相关，成像要自己做 | 数据页原文「保存全部公开与专属科学数据」，处理部分单列 CASA |
| 84 万条就是 84 万次观测 | 行按频率窗口展开，数据包只有四万余个 | 检索视图计数与数据包去重计数之比约 19.4 |
| 档案里全是公开数据 | 公开与专属并存，默认专属十二个月 | 提案者指南第 6 章 |
| 专属期从观测那天起算 | 从提案人被通知数据可用那天起算 | 同上 |
| 分辨率是数据集的固定属性 | 取决于阵列构型与波段，跨近万倍 | 分辨率字段最小值 0.008、最大值 67.9 |
| 波段可以用毫米直接和文献的吉赫兹比 | 两者互为倒数，须换算 | 波长 0.32–8.5 毫米对应 940–35 吉赫兹 |
| 时间字段是日期 | 约化儒略日，从 1858 年起算 | 最早值 55667 换算为 2011-04-16 |
| 未通过质量检查的数据不能下 | 能下，只是不满足提案人声明 | 未通过记录 71,845 条仍在档案内 |
| 按目标名检索就够了 | 目标名自由填写，须以坐标为主 | HL Tau 按名字与按坐标结果不同 |
| 许可是知识共享协议 | 官方未给 SPDX，只有致谢与引用要求 | 数据页与致谢指引均无协议名称 |
| 可以直接训练图像模型 | 单条以十亿字节计，须专用软件读取 | 处理链为 CASA，非通用图像格式 |
| 数据只会越来越多，越晚取越多 | 数量增长，但公开子集随专属期滚动 | 检索结果与查询日期绑定 |
§12 FAQ
Q1：它到底是不是一个「射电望远镜的数据集」？
是，但「射电」这个词覆盖太广。档案记录的是毫米与亚毫米波段，与米波射电的物理过程、观测方法、数据格式都不同。用「毫米波干涉」更准确。
Q2：为什么需要三十余个字段才能描述一次观测？
因为一次观测在四个轴上都可能有结构：空间上天线分布不均，频率上多个窗口并存，时间上跨数小时，偏振上分双线性。公共模型把这四轴抽象成范围与分辨率，扩展字段再补上阵列与波段。
Q3：大项目与小项目的区别是什么？
大项目在观测时长与团队规模上超过常规阈值，通常延续多个周期，且须在同一周期内交付增值产品。数据政策上它们没有被特殊豁免专属期，但公开时通常会附带团队整理的高阶产品。
Q4：为什么官方强调「不要重复观测」？
因为时间是最稀缺的资源。档案里已有的观测若在波段、分辨率、覆盖范围与灵敏度上都与提案相仿，官方不允许重复申请。这条政策间接保证了档案里同一目标的多次观测通常带有互补性，而不是简单重复。
Q5：检索接口为什么有时返回代理错误？
查询太重时，服务端在超时之前会由前置代理返回错误页。这类错误与语法错误的表现不同：语法错误会给出明确的解析信息，代理错误只是一段通用文本。重试或缩小查询范围通常能通过。
Q6：科学就绪产品能不能直接用于定量分析？
可以，但要核对生成参数。产品的头文件里记录了成像参数，未核对就使用的风险是把一次特定的处理结果当成数据的客观属性。对定量结论敏感的工作，建议从校准后数据自行成像。
Q7：这份档案适合放在教学数据集的清单里吗？
适合，但要选对入口。从科学验证数据加官方笔记本入手，学生能在一次课的时间里走完检索到成像的完整链路。从原始数据入手，一次课的时间连校准都跑不完。
Q8：未来还会增长吗？
会，且是持续性的。每个观测周期追加一批数据，当前周期是第十三周期，观测期为 2026 年 10 月至 2027 年 9 月。新增数据的公开时间由各自的专属期决定，因此档案的内容结构会随时间缓慢重新分布，而不是整体平移。
DAIMS 评估
按数据管理框架的五个维度看，这份档案的强项在元数据的标准化与协议互通，弱项在可复现性。下表把五个维度与具体证据对齐，方便判断某一项需求是否被覆盖。
| 维度 | 表现 | 具体依据 |
|---|---|---|
| 完整性 | 元数据覆盖充分 | 核心视图五十余个字段，四轴均有范围与分辨率 |
| 可访问性 | 检索匿名可用，下载分身份 | 数据页原文允许匿名或鉴权下载 |
| 互操作性 | 协议标准，跨设施可联查 | 观测核心视图与表访问协议均出自虚拟天文台框架 |
| 可复现性 | 偏弱，但可补救 | 处理链开源、参数须自行记录；把参数与管线版本写进项目文档，即可复现 |
| 文档 | 较完整 | 提案者指南、质量产品说明、可执行笔记本齐备 |
术语表
干涉测量：用相距很远的多台天线同时接收同一信号，通过两两相关得到高角分辨率的观测技术。分辨率由最长基线决定，而非单口径大小。
可见度：一对天线在同一频率通道上的复相关值，是干涉测量的基本观测量。它在空间频率域上采样，经过傅里叶逆变换后成为图像。
基线：两天天线之间的空间距离矢量。基线长度决定能分辨的最小结构，基线分布决定空间频率的覆盖。
去卷积：从有限采样的空间频率重建图像的必要步骤。因为采样不完整，直接傅里叶逆变换会得到带伪结构的图像，需要迭代算法压制。
CASA：射电天文通用的数据处理软件包，以 Python 为接口。官方指定为 ALMA 数据的处理工具。
测量集：校准后数据的存储格式，包含可见度、天线表、频率表、视场表等，是一个结构化的目录而非单文件。
科学就绪产品：经过校准、成像与质量保障的产品，可直接用于多数分析。
专属期：提案人独享数据的期限，默认为通知数据可用后的十二个月。
波段：接收机的频率窗口，共十个，覆盖 35 至 950 吉赫兹。
构型：12 米阵天线的摆放方式，共十种，最长基线从 160 米到 16.2 公里。
紧凑阵：由十二台 7 米天线组成的子阵，基线短，覆盖大尺度结构。
总功率：单台天线不做干涉的观测模式，用来补上干涉阵列缺失的最大尺度信息。
约化儒略日：从 1858 年 11 月 17 日起算的天数，天文数据中通用的时间表示。
虚拟天文台：让不同天文数据资源用统一协议互通的框架，本档案的检索协议与核心视图均出自该框架。
附录 A 速查卡
-- 总记录数
SELECT COUNT(*) AS n FROM ivoa.ObsCore;
-- 按项目类型统计
SELECT type, COUNT(*) AS n FROM ivoa.ObsCore GROUP BY type;
-- 科学观测与校准观测
SELECT science_observation, COUNT(*) AS n FROM ivoa.ObsCore GROUP BY science_observation;
-- 质量保障二级
SELECT qa2_passed, COUNT(*) AS n FROM ivoa.ObsCore GROUP BY qa2_passed;
-- 原始数据包去重
SELECT COUNT(DISTINCT asdm_uid) AS n FROM ivoa.ObsCore;
-- 按天区与波段检索（赤经赤纬单位度，波长乘一千变毫米）
SELECT TOP 20 proposal_id, target_name, s_resolution, em_min * 1000.0 AS lam_mm
FROM ivoa.ObsCore
WHERE 1 = CONTAINS(POINT('ICRS', s_ra, s_dec),
CIRCLE('ICRS', 65.4976, 18.1360, 0.01))
AND em_min * 1000.0 BETWEEN 2.6 AND 3.4
ORDER BY s_resolution ASC;
附录 B 主要计数
| 项 | 数值 | 取法 |
|---|---|---|
| 观测单元组 | 25,338 | 组标识去重 |
| 观测单元成员 | 32,348 | 成员标识去重 |
| 科学观测 | 449,782 | 标记为真 |
| 非科学观测 | 392,401 | 标记为假 |
| 二级通过 | 770,338 | 质量字段为真 |
| 二级未通过 | 71,845 | 质量字段为假 |
| 技术项目记录 | 13,956 | 类型为技术 |
附录 C 外部资源对照
官方的数据页、提案者指南、质量产品说明、致谢指引，是最直接的一手材料。提案者指南尤其值得读，它虽然是为写提案而作，但附录里对阵列构型、波段范围、可用天数的说明，是理解数据边界的最短路径。
档案侧还有笔记本与视频教程，覆盖从检索到成像的完整链路。这些教程可执行，本身就是可复现文档。三个区域中心各自维护镜像，检索接口在任一节点都能访问。
编辑说明
核验时间：2026-10-30。核验方式：抓取北美节点科学门户的首页、数据页、档案页、质量产品说明页与第十三周期提案者指南，并从指南正文中逐句核对专属期、波长覆盖、阵列构型与基线长度四项表述；通过 TAP 同步端点执行全表计数、按项目类型、科学观测标记、质量保障二级、波长区间与分辨率阈值的分组查询，取得观测记录、原始数据包、观测单元组与成员、项目编号四项去重计数，以及 HL Tau 的 25 条记录明细。未能核实：单条数据包的实际文件体积（体积字段多为空，未逐个下载核对）；原始数据的二进制内部结构（未下载样本）；不同区域镜像的返回是否逐字节一致；卷期级的技术论文清单。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- glue — 共享标签：评测基准
- uci-ml-repository — 共享标签：评测基准
- openml — 共享标签：评测基准
- squad — 共享标签：评测基准
- world-bank-open-data — 共享标签：多模态 / 评测基准
- eurosat — 共享标签：多模态 / 评测基准
- esa-worldcover — 共享标签：多模态 / 评测基准
- visem — 共享标签：多模态 / 评测基准
- microns — 共享标签：多模态 / 评测基准
- empiar — 共享标签：多模态 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
