博文

Universe：“天文信息学与天文统计学”栏目推荐

已有 104 次阅读 2026-9-5 15:52 |个人分类:栏目推荐|系统分类:博客资讯

栏目介绍

“天文信息学与天文统计学”栏目是 Universe 期刊11个学科栏目之一，目前，该栏目由6位来自全球的知名学者担任编委会成员，为栏目发展提供坚实的学术支持，包括北京科技大学邱波教授、德克萨斯大学里奥格兰德河谷分校Soma Mukherjee教授、新加坡国立大学Alvin J. K. Chua助理教授和英国伦敦大学学院Jason McEwen教授等知名学者，中国科学院国家天文台张彦霞研究员担任该栏目主编，负责统筹学术方向、把控稿件质量，引领栏目聚焦学科前沿、推动跨学科交流，搭建全球优质学术成果交流平台。

栏目主编

张彦霞研究员中国科学院国家天文台

中国科学院国家天文台研究员、博士生导师，天体物理学博士，首届国际天文统计学会会士。现任北京天文学会副秘书长、中国天文学会女天文工作者工作委员会副主任；2024年至今，担任国际天文学联合会 (IAU) B3委员会天文信息学与天文统计学秘书。同时兼任 Frontiers in Astronomy and Space Sciences 天文统计专栏副编辑、自然子刊 Scientific Reports 编委。历任国际天文学联合会 (IAU) B3委员会天文信息学与天文统计学组委会委员 (2015-2021年)、IAU第5委员会天文信息学与天文统计学工作组组委会委员 (2012-2015年)，曾任北京天文学会监事。截至目前，已在国内外核心学术期刊发表科技论文近200篇，主要研究方向为天文信息学、天文统计学、多波段天文学、时域天文学、类星体与活动星系核。

栏目信息

“天文信息学与天文统计学”栏目致力于构建一个涵盖天文学、天体物理学、统计学、计算机科学及数据科学交叉领域的跨学科交流平台。栏目聚焦于统计方法、计算方法及数据密集型方法的开发、验证与应用，旨在从现代天文观测、数值模拟和天文档案数据中实现可靠的科学发现。

当前及下一代观测设备，包括Rubin/LSST、 SKA、Euclid、CSST以及其他地面和空间天文项目，产出的数据体量持续增长、数据结构日趋复杂、数据类型更加多元、观测获取速度不断加快，这要求我们发展超越传统数据分析方法的可扩展方法论。本栏目欢迎原创研究论文、综述、观点文章、技术研究、软件论文、基准测试研究以及可复现数据产品等各类投稿，旨在推动数据驱动天文学方法论基础的不断发展。

栏目主题涵盖 (但不限于) 以下方向：

面向天文与宇宙学数据的统计推断，包括贝叶斯方法、频率学派方法、分层模型及似然自由方法；

不确定性量化、概率校准、模型比较、测量误差建模，以及选择效应、截尾数据和巡天不完备性的处理；

机器学习、深度学习、基础模型、生成模型、科学机器学习，以及融合物理信息或不确定性感知的人工智能方法；

面向天文研究的可解释、可信赖及可复现的人工智能方法；

可扩展算法、高性能与分布式计算、云端分析、科学工作流程及研究软件；

天文数据库、档案系统、数据标准、互操作性、数据溯源、可视化及开放科学基础设施；

时间序列分析、暂现源探测、变源刻画、异常检测及实时警报处理；

多模态、多波段、跨巡天及多信使数据融合 (涵盖电磁辐射、引力波、中微子和宇宙射线)；

基于模拟的推断、代理建模、仿真替代模型，以及观测与数值模拟的统计比较；

群体推断、空间统计、图像与光谱分析、源分类、参数估计及大规模天文巡天中的科学发现；

基准数据集、验证协议、域适应、迁移学习，以及评估跨仪器、跨巡天稳健性与泛化能力的方法。

栏目特别鼓励以特定天文或天文现象为研究对象，引入、严谨验证或实质性改进了统计、计算或信息科学方法的投稿。

关键词包括：天文信息学；天文统计学；天文数据科学；机器学习与人工智能；深度学习与基础模型；科学机器学习；贝叶斯与统计推断；不确定性量化与校准；基于模拟的推断；时域天文学；暂现源与变源分析；多信使天文学；多模态与多波段数据融合；大规模天文巡天；高性能与分布式计算；天文数据库与数据基础设施；科学工作流程与研究软件；数据溯源与互操作性；可复现与开放科学；可解释与可信赖的人工智能。

进入栏目主页：https://www.mdpi.com/journal/universe/sections/astroinformatics_astrostatistics