數據管理與保存得到重視

重大項目計劃產生的海量科學數據作為國家資源和人類知識庫，應進行長期保存和管理，讓科學家在未來很長一段時間內可以深入挖掘數據背后的知識。國內外紛紛建立空間科學領域的數據中心/系統，實施數據的長期保存和質量管控。

美國國家航空航天局（NASA）建立了國家空間科學數據中心（National Space Science Data Center，NSSDC）用以保障空間科學衛星任務（含空間天文、天文物理、太陽和空間等離子體物理、行星科學、月球科學和空間物理）檔案數據永久安全和長期可用，并為世界范圍的科學家提供公開數據服務。截至?2015?年?12?月，僅其所屬的行星數據系統（Planetary Data System，PDS）存儲和管理的火星、月球、金星、水星各等級軌道探測數據已超過?947?TB。

歐洲空間天文中心（European Space Astronomy Centre，ESAC）作為歐空局（European Space Agency，ESA）空間科學數據中心，也對所有歐洲空間天文、太陽系探測、行星科學、基礎物理等衛星任務產生的科學檔案數據進行了集中管理和存儲。

在空間科學先導專項支持下，我國也建設了集科學衛星數據匯集與分發，數據全生命周期質量控制，數據存儲、管理與歸檔為一體的空間科學先導數據管理系統（空間科學數據中心），有效支撐了“悟空”“SJ-10”“墨子”和“慧眼”衛星任務的實施，促進了衛星成果產出，可保障數據的永久安全。

研究范式發生轉變

科學大數據時代的典型特征是研究范式的轉變，與傳統基于少量數據樣本開展理論分析的科研模式不同，大數據時代下的科研人員主要通過對多源、多要素、全樣本空間的大數據進行分析，通常結合神經網絡、機器學習等大數據技術，挖掘科學大數據中蘊藏的科學知識。空間科學領域研究模式也正向數據密集型科學發現模式轉變。

作為數據驅動知識發現的典范，暗物質粒子探測衛星——“悟空”的科學家團隊通過對衛星?530?天采集的?28?億份高能宇宙射線數據樣本分析，首次找到了電子宇宙線能譜在?~1?TeV?處的拐點（異常波動），而這個拐點反映著高能電子輻射源的典型加速能力，拐點下降行為對解釋電子宇宙線是否來自暗物質起著關鍵作用。

針對開普勒太空望遠鏡（Kepler space telescope）獲取的海量數據，NASA?科學家利用深度學習算法構建的機器學習模型具備對低信噪比數據進行自動系外行星識別能力，模型對開普勒太空望遠鏡數據庫?20?萬個目標星系數據進行自動搜尋，成功從中找到了Kepler-80?g?和?Kepler-90?i?兩顆系外行星。

早在?20?世紀?90?年代，空間物理學研究中便開始采用機器學習等大數據技術對衛星獲取的數據進行分析，開展空間天氣研究和預報。諸如磁層亞暴觸發識別，太陽活動（日冕物質拋射、耀斑）預測和行星際激波預報等。其中太陽耀斑預測更是使用?SDO?衛星?4?年，超過?5.5?TB?的太陽光球層、色球層等圖像大數據作為模型的訓練輸入。事實證明，大數據分析技術對非線性空間天氣過程研究和高度復雜度空間天氣事件預報具有重要實踐意義，數據密集型的研究模式正逐漸發展成空間物理學的主流模式。