global-meteor-network

Global Meteor Network Trajectory Data数据集包含来自全球流星网络（GMN）的个体流星轨迹解决方案。GMN是一个由志愿者天文学家运营的全球性全天相机网络，拥有500多个摄像头。每条数据代表一个检测到的流星，包含通过多站三角测量得出的轨道元素。该数据集适用于表格分类和回归任务，可用于识别新的流星流、研究流星尾迹的动态演化、搜索潜在星际起源的流星体（高偏心或逆行轨道）、将流星检测与小行星/彗星近距离接近相关联，以及构建用于流星源分类的机器学习模型。数据集包含3,063,007条流星轨迹（2018-12-10至2026-05-07），其中27%为流星雨流星，73%为偶发流星。数据以Parquet格式存储，每日更新。

The Global Meteor Network Trajectory Data dataset contains individual meteor trajectory solutions from the Global Meteor Network (GMN). GMN is a global all-sky camera network operated by volunteer astronomers with over 500 cameras. Each data entry represents a detected meteor and contains orbital elements derived from multi-station triangulation. The dataset is suitable for tabular classification and regression tasks, and can be used to identify new meteor showers, study the dynamic evolution of meteor trails, search for potentially interstellar-origin meteoroids (highly eccentric or retrograde orbits), associate meteor detections with asteroid/comet close approaches, and build machine learning models for meteor source classification. The dataset contains 3,063,007 meteor trajectories (2018-12-10 to 2026-05-07), with 27% being shower meteors and 73% sporadic meteors. The data is stored in Parquet format and updated daily.

搜集汇总

数据集介绍

构建方式

全球流星网络轨迹数据集源自Global Meteor Network（GMN）——一个由500余台全天候相机组成的全球协作观测系统，由业余天文学家志愿运营。每一条数据记录对应一颗被探测到的流星，其轨道参数通过多站三角测量技术精确推导。当至少两台相机同时捕捉到同一颗流星时，利用相机位置的几何关系即可解算其大气轨迹，并结合精确计时，进一步推算出流星体进入大气层顶部的速度以及经过地球引力修正后的日心轨道。最终呈现在数据集中的，是一组完整的开普勒轨道要素，将每一颗流星体置于太阳系动力学背景之中。

特点

本数据集收录了自2018年至2026年间超过306万条独立流星轨迹记录，其中约27%归属于知名流星群（如英仙座、双子座），其余73%为偶发流星。与仅提供流星群平均辐射点和轨道参数的IAU流星数据库不同，本数据集保留了每颗流星的完整轨道信息，包括半长轴、偏心率、倾角、近心点角距、升交点黄经和近日点距离。星等、峰值高度、可见持续时间以及参与三角测量的相机数量（质量指标）等属性，为分析流星体物理特性与轨道精密度提供了丰富维度。

使用方法

数据集以Parquet格式高效存储，可通过Hugging Face的datasets库轻松加载，支持直接转换为Pandas DataFrame进行深度分析。用户可基于shower_code字段区分流星群成员与偶发流星，利用n_stations字段筛选高精度轨迹数据，或通过轨道要素（如偏心率、倾角）识别具有潜在星际起源特征的天体。典型应用场景包括：绘制全天空辐射点分布图、比较不同流星群的相对地心速度分布、构建机器学习模型进行流星来源分类，以及探索流星体与小行星、彗星之间的动力学关联。

背景与挑战

背景概述

由Julien Simon主导、依托全球流星网络（GMN）于2018年创建并持续更新至2026年的轨迹数据集，汇聚了由500余台志愿者运行的全天相机在多站三角测量技术下获取的超过300万条独立流星轨道解算结果。该数据集的核心研究问题在于提供精细至单个流星体的完整开普勒轨道参数（包括半长轴、偏心率、倾角等），从而突破以往仅记录流星雨平均辐射点与轨道的数据库局限。自发布以来，它已成为识别新流星群、研究流星体轨道动力学演变以及探寻潜在星际来源天体（如高偏心率或逆行轨道）的重要基石，推动了天文学与机器学习交叉领域的发展。

当前挑战

该数据集所解决的领域挑战包括：传统流星数据库仅汇总流星雨平均轨道信息，无法支持对零星流星体（占总量73%）的动力学溯源、星际物质甄别及与近地天体交汇事件的关联分析，而本研究通过大规模个体检测为这些关键问题提供了高粒度数据。构建过程中面临的挑战尤为显著：需要全球范围内至少两台相机同时捕捉同一流星事件以完成精确三角测量，并修正地球引力影响以反演日心轨道，但受观测几何质量（用n_stations指标衡量）及模糊流星（shower_code='...'）成分的干扰，数据质量和算法鲁棒性依然是持续瓶颈。

常用场景

经典使用场景

全球流星网络轨迹数据集（Global Meteor Network Trajectory Data）是太阳系小天体研究领域中一项里程碑式的开放数据资源。该数据集收录了由遍布全球的500余台全天空相机网络在2018年至2026年间捕获的超过300万条独立流星轨迹解，每条记录均包含由多站三角测量法反演得出的开普勒轨道根数（半长轴、偏心率、倾角等）与大气物理参数。研究者可借助该数据开展流星雨成员识别与认证、偶发流星体的轨道分布统计、以及地心速度与绝对星等之间的物理关联分析，从而为后续的动力学建模提供高质量的基准数据。

解决学术问题

该数据集核心解决了太阳系小天体领域中长期存在的观测样本稀疏与轨道信息碎片化问题。传统流星目录多以流星雨平均解为主，缺乏对单个流星体轨道参数的细粒度记录，导致对偶发流星体与短周期彗星碎片来源的判别困难。GMN数据集通过提供数百万计的个体轨道与物理属性，使得研究者能够系统性地搜寻新的流星流、验证与完善国际天文联合会流星雨列表的边界划分，并定量评估不同流星群在相空间中的动态演化路径。此外，高偏心率与逆行轨道样本的存在，为探寻潜在星际物质的来源提供了前所未有的大数据支撑，显著提升了太阳系边缘物质迁移理论的可检验性。

衍生相关工作

围绕该数据集已涌现出一系列具有影响力的后续研究工作。在数据层面，Julien Simon将其与IAU流星雨目录、火球事件数据库及近地天体接近数据集整合，构建了开放的轨道力学数据集集合（Orbital Mechanics Datasets Collection），为跨源联合分析奠定了数据基础设施。在方法层面，研究者基于该数据开发了用于流星体起源分类的随机森林与图神经网络模型，以及利用轨道相似性指标自动发现新流星流的聚类算法。在科学发现方面，高精度轨道数据已被用于限定短周期彗星解体事件的时间尺度，并识别出若干具有潜在星际轨道特征的候选体，推动了太阳系形成与演化理论的实证研究向大数据驱动范式转型。