天文信息学

天文信息学是一个跨学科的研究领域，涉及天文学、数据科学、机器学习、信息学和信息/通信技术的结合。 该领域与天体统计学密切相关。

天文信息学主要专注于开发计算科学、数据科学、机器学习和统计学的工具、方法和应用，用于数据导向天文学的研究和教育。 在这个方向上的早期努力包括数据发现、元数据标准开发、数据建模、天文数据字典开发、数据访问、信息检索、数据集成和天文虚拟天文台计划中的数据挖掘。 该领域的进一步发展，连同天文学界的认可，于 2009 年在天文信息学 2010 年天文学和天体物理学十年调查的专业立场文件中提交给了国家研究委员会（美国）。 该立场文件为随后在信息学期刊论文天文信息学：面向数据的天文学研究和教育中对该领域进行更详细的阐述奠定了基础。

天文信息学作为一个独特的研究领域，其灵感来自于生物信息学和地理信息学领域的工作，以及微软研究院 Jim Gray（计算机科学家）的电子科学工作，其遗产通过 Jim Gray eScience Awards 获得了纪念和延续。

虽然天文信息学的主要重点是数字天文数据库、图像档案和研究工具的大型全球分布式集合，但该领域也认识到遗留数据集的重要性——使用现代技术来保存和分析历史天文观测。 一些天文信息学从业者帮助将大型数据库中的历史和最近的天文观测和图像数字化，以便通过基于 Web 的界面进行高效检索。 另一个目标是帮助天文学家开发新的方法和软件，并帮助促进天文学领域快速增长的数据量的处理和分析。

天文信息学被描述为天文学研究的第四范式。 天文信息学涉及许多研究领域，例如数据挖掘、机器学习、统计、可视化、科学数据管理和语义科学。 数据挖掘和机器学习在天文信息学作为一门科学研究学科中发挥着重要作用，因为它们侧重于从数据中发现知识（KDD）和从数据中学习。

在过去十年中，天文巡天收集的数据量已从千兆字节增长到太字节，预计在未来十年内，大型天气巡天望远镜将增长到数百拍字节，平方公里阵列将增长到艾字节。 大量的新数据既促进了有效的天文学研究，也挑战了有效的天文学研究。 因此，需要新的方法。 部分原因在于，数据驱动科学正在成为公认的学科。 因此，天文学（和其他科学学科）正在发展信息密集型和数据密集型子学科，以至于这些子学科现在正在成为（或已经成为）独立的研究学科和成熟的学术项目。 虽然许多教育机构没有天文信息学课程，但此类课程很可能会在不久的将来开发出来。

信息学最近被定义为使用数字数据、信息和相关服务进行研究和知识生成。 然而，通常或常用的定义是信息学是组织、访问、集成和挖掘来自多个来源的数据以发现和决策支持的学科。 因此，天文信息学学科包括许多自然相关的专业，包括数据建模、数据组织等，还可能包括数据集成和信息可视化的转换和规范化方法，以及知识提取、索引技术、信息检索和数据挖掘 方法。

分类方案（例如，分类法、本体论、大众分类法和/或协作标记）加上天文统计也将大量涉及。 公民科学项目（如 Galaxy Zoo）也有助于在大型天文学数据集中发现高价值的新奇事物、特征元标记和物体特征。 所有这些专业都能够在研究和学习环境中跨各种海量数据收集、协作研究和数据重用进行科学发现。

2012 年，向美国天文学会理事会提交了两份立场文件，导致在美国和其他地方的天文信息学和天体统计学领域为天文学专业建立了正式工作组。