Mars Ozone Column Prediction & Visualization System
基于深度学习的火星臭氧柱浓度预测与多维交互可视化平台
火星大气的时空演化建模是行星科学研究的长期挑战。其中，火星臭氧（O₃）作为大气化学性质的高度敏感示踪物，其丰度的季节性与空间分布受到光化学循环、大气环流及沙尘动力学的非线性耦合影响。准确预测火星 O₃ 的时空演化，对于量化全球尺度的大气氧化性、理解氢氧自由基（HOx）循环以及评估火星表面紫外辐射通量具有重要的学术价值。
然而，传统的火星大气研究方法在数据获取与数值模拟方面存在显著局限：
- 时空维度的非离散性与不完备性：尽管 MGS、MRO 等任务提供了长时间序列的观测，但受限于轨道回归周期与单点成像特性，原始数据在时空覆盖上表现出高度的异构性与离散性。
- 数值模拟的计算开销与参数化瓶颈：传统的全球环流模型（GCM）在处理亚尺度大气过程（如重力波传递、微小沙尘暴演化）时，需要复杂的物理参数化方案且计算资源需求巨大，难以实现实时的时空特征外推。
- 高维气象因子的交互建模难题：火星大气变量（温度、气压、沙尘丰度、风速等）与臭氧浓度之间存在复杂的非线性滞后效应，传统统计模型难以捕捉其深度时空特征。
AresVision 平台旨在通过深度学习方法探索火星大气的时空相关性规律。本项目以 OpenMARS（Mars Reanalysis Database）与 MCD 6.1（Mars Climate Database）为数据底座，采用集成 ST-LSTM 单元的 PredRNNv2 时空递归架构。该架构通过双记忆流机制，能够有效解耦并捕捉气象张量序列中的长短期时域依赖与多尺度空域拓扑特征。本系统构筑了一个集“异构数据同化、深度时空记忆网络、可解释归因分析与多维数字孪生交互”为一体的研究框架，为火星大气环境的定量化分析与演化规律推演提供技术路径。
AresVision (智绘赤星) 是一个融合前沿深度学习技术与 3D 可视化交互的火星气象研究系统。系统以 PredRNNv2 时空卷积神经网络为核心，通过集成 OpenMARS 再分析数据与 MCD 6.1 气候模拟数据，实现了对火星大气臭氧的时空演化高精度预测，并提供了沉浸式的科研级可视化工作流。
- 非线性动力学捕捉：采用集成 ST-LSTM 单元的 PredRNNv2 架构，突破传统卷积在时间尺度上的长短期记忆局限，实现对火星 7 维气象张量的复杂时空演化建模。
- 滑窗推理机制：基于 3-Step 历史观测序列，精准输出未来 3-Step 全球臭氧柱浓度分布图谱。
- 三联画 (Triptych) 验证：内置“地面真值-预测分布-残差分析”平行视窗，实现对模型预测一致性与边界效应的实时评估。
- 特征贡献解构：深度集成 SHAP (Shapley Additive Explanations) 归因算法，将黑盒模型透明化。
- 多维度归因视图：提供全屏 Waterfall 贡献流图与特征相关性矩阵，客观量化温度、气压、沙尘丰度（Dust Opacity）等 7 种气候变量对预测结果的影响阈值。
- 端到端自动训练链：支持实时在线配置 Epochs、Learning Rate、ST-LSTM 层数及隐藏层维度。
- 收敛动力学监控：毫秒级推算 Loss 演化曲线与训练进度，支持异常任务的毫秒级熔断。
- 灵活消融实验：支持自定义输入通道组合（如：仅 O₃ vs O₃+温度+风速），用于验证多源数据融合对模型泛化性能的提升。
- 自动对齐算法：针对 OpenMARS 再分析数据与 MCD 6.1 气候数据库，实现了多分辨率、跨坐标系的空间像素级对齐（Data Alignment）。
- 众包贡献与质量评估：支持 NC 格式专业气象数据上传，内置基于气象约束的自动化数据合规性校验。
- 高保真球体渲染：基于 WebGL/Three.js 的实时渲染引擎，将模型预测的全球热力场无缝映射至 3D 火星数字孪生体。
- 全屏沉浸式 HUD：为科研演示设计的沉浸式交互界面，支持实时动态投影与 Ls（太阳黄经）轴演化追踪。
- 语义化数据解析：利用大语言模型（LLM）对预测结果、性能指标及气象异常进行深度语义分析。
- 自然语言知识库检索：结合 RAG 技术，为用户提供关于火星大气运作机制的专家级实时咨询。
| 领域 | 核心技术 | 说明 |
|---|---|---|
| 前端 | React 19 / Vite / Three.js / MUI / Plotly | 高交互、响应式科研界面 |
| 后端 | FastAPI / Uvicorn / SQLAlchemy / Pydantic | 高性能异步 API 中枢 |
| AI/ML | PyTorch / PredRNNv2 / SHAP / Scikit-learn | 时空预测与归因分析 |
| 数据 | xarray / netCDF4 / NumPy / SciPy | 专业气象数据处理 |
| 数据库 | SQLite / PostgreSQL (支持扩展) | 用户、任务、贡献数据持久化 |
AresVision/
├── AresVision_backend/ # 后端逻辑
│ └── backend/
│ ├── core/ # PredRNNv2 模型架构与数据变换 (Transforms)
│ ├── routers/ # API 路由 (Analysis, Predict, AI, Auth, Training, etc.)
│ ├── services/ # 核心业务逻辑 (Predict Orchestrator, AI Service)
│ ├── database/ # 数据库模型与迁移
│ ├── data/ # 本地气象数据集存放 (OpenMARS/MCD)
│ └── models/ # 训练好的模型权重 (.pt)
├── frontend/ # 前端工程
│ ├── src/
│ │ ├── components/ # 复用 UI 组件 (Chart, HUD, Table)
│ │ ├── pages/ # 功能页面 (Predict, Training, Explore, Overview)
│ │ ├── i18n/ # 国际化支持 (中/英)
│ │ └── contexts/ # 全局状态管理 (Auth, Settings, Training)
└── assets/ # 静态资源 (Logo, Docs Images)
- Node.js: v18.0+
- Python: v3.10+
- GPU (可选): 建议使用支持 CUDA 的显卡以提升训练速度。
cd AresVision_backend/backend
# 安装依赖
pip install -r requirements.txt
# 配置环境变量 (AI API, etc.)
cp .env.example .env # 需自行根据需求填充
# 启动服务
uvicorn main:app --reload --host 0.0.0.0 --port 8000cd frontend
# 安装依赖
npm install
# 启动开发服务器
npm run dev访问 http://localhost:5173 即可开启探索。
在 backend/.env 中可配置以下关键项：
AI_API_KEY: 连接 AI 助手所需的 API Key。DATABASE_URL: 数据库连接字符串（默认使用 SQLite）。JWT_SECRET: 用户认证加密密钥。
- 开发集成实时卫星遥感数据流接口。
- 增加 VR 模式以实现更真实的火星表面漫游。
- 优化 PredRNNv3 模型以支持更长周期的预测。
欢迎通过 Pull Requests 或 Issues 为项目贡献代码或建议。在提交 PR 前，请确保已阅读并遵守项目的开发规范。
本项目采用 MIT License 协议。
由 AresVision 开发团队 倾力打造 | 探索赤星，智绘未来