处理每日数万条目击报告与多源传感器数据，是UFO中文网在运营「UFO研究服务」过程中绕不开的技术门槛。观测数据体量不大，但结构极度碎片化——文本描述、UFO图片、雷达轨迹、红外视频、天文气象背景数据混在一起，传统关系型数据库很难直接扛住这种异构负载。

一、存储层：分而治之是现实选择

我们的实践结论是：不要试图用一套数据库解决所有问题。结构化字段（时间戳、经纬度、设备型号、观测时长）走 PostgreSQL，配合 PostGIS 做空间索引；非结构化的UFO图片和视频帧存入对象存储，元数据另建索引表；原始日志流则写入时序数据库，方便后续做相关性回溯。这样一套组合下来，单节点可支撑日均约 3 万条新增记录，查询响应控制在 200ms 以内。

二、数据清洗与置信度评分

原始目击报告里充斥着误认——无人机、星链过境、气球、镜头眩光占比极高。我们在入库前设置了三层过滤：

• 规则层：自动剔除重复提交、时间格式异常、坐标落海的记录；
• 交叉层：比对同一时段的气象数据和航空器ADS-B信号，标记高概率误认；
• 评分层：基于历史中国UFO事件样本训练轻量模型，输出0-100的置信度分数。

经过这套流程，进入人工复核队列的数据量大约压缩到原始提交的 12%，编辑团队的处理效率提升明显。

三、检索与可视化架构

面向普通用户和研究者，需求完全不同。普通用户关心「最新UFO事件」和UFO图片浏览，走 CDN 缓存 + 预计算聚合结果即可；研究者则需要按经纬度、时间窗口、置信度区间做组合查询，我们通过 Elasticsearch 做二级索引，前端用 Mapbox 渲染热力图层。飞碟类目与外星人相关关键词的检索，单独做了同义词扩展，避免因为用词差异漏掉有效记录。

去年一次典型UFO事件中，平台在 48 小时内聚合了来自 7 个省份的 214 条报告，自动关联出 3 段视频和 11 张UFO图片，置信度最高的 9 条记录被推送给合作研究机构。这套架构不是最时髦的，但在UFO观测数据这个特殊场景下，稳定性和可解释性比技术栈的新颖度更重要。