Manazel

Manazel数据集是由摩洛哥宗教事务部提供的13年月牙观测数据构成，包含月牙可见性关键参数，如视野弧（ARCV）和月牙宽度（W）。该数据集用于优化传统的ODEH月牙可见性预测标准，并通过机器学习模型提高了预测的准确性，有助于确定伊斯兰历法的月份起点。

The Manazel Dataset consists of 13 years of crescent observation data provided by the Ministry of Religious Affairs of Morocco, and contains key parameters for crescent visibility including the Arc of Visibility (ARCV) and Crescent Width (W). This dataset is used to optimize the traditional ODEH criteria for crescent visibility prediction, improve prediction accuracy via machine learning models, and assist in determining the start of each month in the Islamic calendar.

搜集汇总

数据集介绍

构建方式

在伊斯兰历法中，新月可见性的准确预测对宗教、文化和行政事务至关重要。Manazel数据集基于摩洛哥13年的新月观测数据构建，通过整合关键的天文参数——视角弧（ARCV）和月牙总宽度（W），显著提升了ODEH准则的预测精度。数据采集过程中，研究团队从摩洛哥宗教事务部官方网站系统记录每个伊斯兰月份的起始日期，并结合前一日天文参数的计算结果，构建了一个包含257个观测样本的平衡数据集，其中153例为新月可见，104例为不可见。

特点

该数据集的核心价值体现在其独特的地域针对性和参数完整性。作为首个专门针对摩洛哥地理与气候条件优化的新月可见性数据集，它突破了传统ODEH准则在B类可见性判断上的模糊性局限。数据集不仅包含标准化的ARCV和W参数，还通过严格的观测验证机制确保了标签的可靠性。统计特征显示，ARCV均值为9.5620±5.0969度，W均值为0.4911±0.3949角分，参数分布充分覆盖了从临界到显著可见的各种观测条件。

使用方法

该数据集为机器学习在天文预测中的应用提供了标准化范式。使用者可通过加载预处理好的ARCV和W特征矩阵，配合二元可见性标签，直接训练分类模型。研究证明逻辑回归算法在此任务中表现最优，达到98.83%的交叉验证准确率。实际应用时，需按照论文提供的算法流程，将目标日期转换为儒略日期后计算实时天文参数，输入训练好的模型进行可见性判定。该方法特别适用于需要高精度伊斯兰历法转换的宗教仪式安排、天文教育等领域。

背景与挑战

背景概述

Manazel数据集由Yassir Lairgi等人于2025年创建，旨在解决伊斯兰历法中新月可见性预测的关键问题。该数据集整合了摩洛哥13年的新月观测数据，通过引入视觉弧（ARCV）和月牙总宽度（W）等天文参数，优化了广泛使用的ODEH准则。研究采用逻辑回归算法，实现了98.83%的预测准确率，为宗教活动、文化庆典及行政事务提供了科学依据。这一成果不仅提升了伊斯兰历法的计算精度，也推动了天文学与人工智能的跨学科融合。

当前挑战

Manazel数据集面临的核心挑战包括两方面：其一，在领域问题层面，传统ODEH准则在摩洛哥特定地理与气象条件下的适用性有限，需解决裸眼观测与天文计算间的系统性偏差；其二，在数据构建过程中，原始观测记录存在时空不连续性，且大气折射、云层干扰等环境变量增加了数据清洗与特征工程的复杂度。此外，模型需平衡高纬度地区月轨倾斜带来的参数异质性，这对机器学习算法的泛化能力提出了严峻考验。

常用场景

经典使用场景

在伊斯兰历法的研究中，Manazel数据集为新月可见性预测提供了关键支持。该数据集整合了摩洛哥13年的新月观测数据，结合Arc of Vision (ARCV)和Crescent Width (W)等天文参数，通过机器学习模型优化了传统的ODEH准则。这一数据集在宗教历法制定、天文学研究及跨文化时间协调中展现了其独特价值，特别是在需要高精度预测新月可见性的场景中。

解决学术问题

Manazel数据集有效解决了传统ODEH准则在摩洛哥地区适用性不足的问题。通过引入机器学习方法，该数据集显著提升了新月可见性预测的准确率至98.83%，为伊斯兰历法的科学化与标准化提供了数据支撑。其创新性在于将静态天文准则动态化，适应了不同地理和大气条件下的观测需求，推动了天文计算与人工智能的交叉研究。

衍生相关工作

基于Manazel数据集的研究催生了多项经典工作，包括对ODEH准则的跨地区适应性改进、融合大气参数的增强型预测模型，以及基于Logistic Regression的对比算法研究。这些工作不仅深化了新月可见性预测的理论框架，还为天文计算与机器学习的结合开辟了新路径，例如后续研究者将随机森林模型应用于低纬度地区的可见性预测。