---
title: "从第一张曝光追到下一台望远镜"
description: "沿固定 ZTF 与 Fink 论文分清探测、分发和分类，读懂后随观测怎样改变训练样本。"
canonical_url: "https://sandboxphysics.com/zh/stories/observing-cadence/alert-followup/"
language: "zh-CN"
page_type: "story"
alternate_languages:
  en: "https://sandboxphysics.com/stories/observing-cadence/alert-followup/"
last_modified: "2026-10-28"
---

[决定什么时候拍下变化的天空](https://sandboxphysics.com/zh/stories/observing-cadence/)

AC07 · L4

# 从第一张曝光追到下一台望远镜

Sandbox Physics · 2026-10-28

打开 Patterson 等人的 arXiv:1902.02227v1，以及 Möller 等人的 arXiv:2502.19555v1。沿前一篇警报流程图、后一篇主动学习循环往下读。两篇计时的环节不同，合起来能看清为什么消息快，并不保证科学判断来得早。

## 开始前需要什么

先读观测节奏和周期搜索。broker 接收大量候选警报，再为科学用户筛选；分类器给某种源类型打分，光谱则提供更昂贵的额外标签。

## 2019 年论文图 2 从探测以后开始

沿 Patterson 等人的图 2 与第 IV 节，看图像差分探测怎样装成结构化警报包，再经过分发、过滤。表 1 保存亮度、位置、以前候选和图像切片。警报描述一个候选，还没有完成对物理成因的判断。

第 V 节区分从视场拍摄开始的时间，以及从候选打包开始的时间。论文里 2019 年的分发步骤，远短于从曝光到警报的整段流程。引用每个延迟时，都把起止事件放在旁边；这些性能数值对应论文当时测过的历史系统。

相机演示单独拆出更简单的一段：等曝光撞上源、等曝光结束，再加处理延迟。它没有图像差分和网络队列，用来把计时计算接到论文的流程上。

对应阅读：Patterson et al., ZTF Alert Distribution System, arXiv v1 · VanderPlas, Understanding the Lomb–Scargle Periodogram, arXiv v1

## 触发阈值先改变谁能进入数据流

事件得先留下足够可用信息，分类器才有机会看它。节奏、深度、天气和触发要求都影响这一步。闪光完全落在曝光之间，数据流就缺这份探测，分类器还轮不到它。

研究巡天种群时，先数注入事件里谁进入了数据流、谁没进入，再对进入的样本研究分类。估计目录代表多少真实事件，需要把两层选择放在一起。周期教程也作类似区分：探测到信号和认准频率，分开统计。

以前的非探测与上限，还能帮助判断源何时变亮。灵敏度随观测条件变化，没有探测到时，不应直接填成零流量。

对应阅读：Patterson et al., ZTF Alert Distribution System, arXiv v1 · Astropy 8.0.2 Lomb–Scargle documentation · Fraga et al., Transient classifiers for Fink, arXiv v2

## Fink 基准第 4 节分开精确率与召回率

Fraga 等人的 arXiv:2404.08798v2 在 ELAsTiCC 模拟挑战上比较分类器。看第 4 节指标和第 6 节表现图之前，先读第 2 节数据。模拟种群、标签和可用时刻，定义了这场测试。

精确率问选出的某类里有多少选对，召回率问真实属于这一类的对象有多少被选出。类别很稀有时，即使其他类别的假阳性率看着很小，选中列表里也可能混进很多对象。只看准确率，则可能鼓励模型几乎全报常见类。

分数 0.8 还需要可靠性校准：条件相近、分数接近这个值的对象，实际有多少标签正确？精确率—召回率曲线比较阈值，却不自动完成这种分数校准。把输出当成天空上的概率以前，还应按亮度、拍摄次数和条件检查。

$$
\mathrm{precision}=\frac{TP}{TP+FP},\qquad \mathrm{recall}=\frac{TP}{TP+FN}
$$

TP 是目标类选对数，FP 是把其他类选进来的数，FN 是目标类漏掉数。类别种群比例会影响解释。

对应阅读：Fraga et al., Transient classifiers for Fink, arXiv v2 · Möller et al., real-time active-learning follow-up, arXiv v1

## 2025 年论文图 1 挑的是有学习价值的目标

接着沿 Möller 等人的图 1 与 4.1–4.5 节读。实际 2023–2024 年计划先筛选 ZTF/Fink 候选，请求光谱后随，把成功标签加入训练，再更新模型。比较选中对象与全体警报之前，先看进入资格。

4.2 节偏爱二元分数接近一半的候选。这种主动学习特意跟踪不确定案例，用来改善训练集。4.3 节还要考虑可观测性、星等和望远镜档期。

4.4–4.5 节说明，提出光谱请求，与拿到可用标签，是两件事。天气、曝光质量和后续处理，都可能拖慢或阻止标签获得。训练循环采用什么时间约定，和消息分发有多快一样重要。

对应阅读：Möller et al., real-time active-learning follow-up, arXiv v1 · Patterson et al., ZTF Alert Distribution System, arXiv v1

## 读资源比较时，带上它的筛选条件

第 5 节把主动学习计划与其他后随策略公布的标签比较。要问各策略面前是否有相同的亮度和资格分布，某一步哪些标签已经进入训练，以及测试集怎样定义。早期 Ia 型分类的改进，对应这项任务和这份样本。

选择还会反过来影响以后知道什么。总跟最容易的亮候选，会在熟悉区域积累很多标签；选择不确定对象，可以填空，也可能遇到罕见对象或分类范围外的案例。这些结果都值得单独记录。

真实后随循环是已经做过的观测；第 6 节更早自动筛选和部署的讨论，包含改进提案。先读实测循环，再读自动化提案，就能沿时间顺序看清两者的进度。

对应阅读：Möller et al., real-time active-learning follow-up, arXiv v1 · Fraga et al., Transient classifiers for Fink, arXiv v2

## 读下一篇巡天论文时接着问

先认触发前种群与触发后种群，再标出曝光、候选、警报、分类和后随的时间戳。看分类器有哪些标签、测试分布是什么，以及它有没有适用于所选对象的可靠性校准。

最后再问，哪种动作会改变科学结果：换个相位补一张曝光、更快传来消息，还是用一条光谱分开类别？它们消耗不同资源。快流程能留住机会，观测窗口和有用的后随测量，则决定从机会里能学到什么。

对应阅读：Patterson et al., ZTF Alert Distribution System, arXiv v1 · Fraga et al., Transient classifiers for Fink, arXiv v2 · Möller et al., real-time active-learning follow-up, arXiv v1

## 动手检验预测

### [分清一种改进缩短哪段等待](https://sandboxphysics.com/zh/labs/observing-cadence-aliases/)

1. 拍到闪光后，只改处理延迟，检查曝光样本不动，警报怎样变晚。
2. 恢复漏闪光计划，把处理延迟降到零。解释为什么仍没有探测，再去移动观测窗口。

[上一篇：用真实 OGLE 变星数一次周期混叠](https://sandboxphysics.com/zh/stories/observing-cadence/ogle-lightcurve/)

## 来源与计算范围

1. [VanderPlas, Understanding the Lomb–Scargle Periodogram, arXiv v1](https://arxiv.org/pdf/1703.09824v1)

   2017 年 3 月 28 日第一版；3.2、4.2 节与图 7–14 讲窗口及混叠，6.1–6.2 节讲加权浮动均值，7.1、7.4.2 节与图 26 讲网格和误警报。期刊版本为 ApJS 236,16（2018），课程固定阅读此预印本版本。

2. [Astropy 8.0.2 Lomb–Scargle documentation](https://docs.astropy.org/en/stable/timeseries/lombscargle.html)

   2026 年 10 月 28 日核读，页面更新于 10 月 15 日。阅读附加参数、标准归一化、峰显著性与 RR Lyrae 示例。重点是浮动均值、按相同时刻与网格校准 FAP，以及不规则采样没有通用平均 Nyquist 截止。

3. [Patterson et al., ZTF Alert Distribution System, arXiv v1](https://arxiv.org/html/1902.02227v1)

   2019 年 2 月 6 日第一版；III.3、IV、V 节，表 1 与图 2。核读警报包、过滤、分发步骤及该时点性能，注意不同延迟起点。这些数字不作为当前基础设施测量。

4. [Fraga et al., Transient classifiers for Fink, arXiv v2](https://arxiv.org/html/2404.08798v2)

   第二版，2024 年 11 月 29 日；A&A 692,A208。第 2、4、6、7 节：ELAsTiCC 模拟基准、精确率与召回率，以及分类器组合。基准表现与真实巡天校准后的类别概率分开讨论。

5. [Möller et al., real-time active-learning follow-up, arXiv v1](https://arxiv.org/html/2502.19555v1)

   固定第一版，2025 年 2 月 26 日；4.1–4.5、5.1–5.2、第 6 节与图 1。实际 2023–2024 年 ZTF/Fink/ANU 观测、筛选和标签更新。对应已接收期刊文 DOI10.1017/pasa.2025.20，第二版为 2025 年 3 月 12 日。更早的自动后随观测按提案说明。