NASA与IBM发布开放月球基础模型

关键信息

训练语料库SomBench整合了来自四项任务、九台仪器的30多个空间对齐数据层，包含约1米和100米两种分辨率的影像。模型将光照几何信息作为显式输入，并通过FlexiViT处理不同图像块大小；据报道，与所引用的SwinV2-B基线相比，它将冰沉积物预测误差最多降低22%，并将粗尺度陨石坑检测效果提升近19%。

资讯摘要

NASA与IBM Research发布了面向月球科学的开源NASA-IBM月球基础模型。该项目解决了一个实际问题：NASA积累了极其丰富的月球观测记录，但其中许多数据缺少训练特定机器学习系统所需的标注。研究人员使用SomBench从头训练模型，并称其为目前规模最大的配准多模态月球数据集，包含近200万个图块集合、11种模态和两种空间尺度。约100万个高分辨率图块来自月球勘测轨道飞行器的窄角相机，分辨率约为每像素1米；略低于964,000个多光谱图块来自宽角相机，分辨率为每像素100米。

数据集还加入了GRAIL、Lunar Prospector和日本宇宙航空研究开发机构Kaguya/SELENE任务提供的重力、氢和矿物学信息，总计包含来自四项任务和九台仪器的30多个空间对齐数据层。为减少训练集、验证集和测试集之间的数据泄漏，研究人员按地图区域进行划分，而不是随机分配单个图块。模型在陨石坑检测、极区冰沉积物预测和不规则月海斑块分割测试中达到或超过常见基线以及随机初始化的对照模型，其中冰沉积物预测和粗尺度陨石坑检测的提升最为明显。

资讯正文

NASA 与 IBM 的开源月球模型将 17 年轨道器数据转化为月球科学的基础

NASA-IBM Lunar Foundation Model 让数十年的月球观测数据能够用于机器学习。它尤其擅长预测月球两极的冰沉积，并探测陨石坑。

NASA 首席科学数据官 Kevin Murphy 表示：“NASA 花了数十年时间建立起一份非凡的月球科学记录，但收集数据只是工作的一部分。”他补充说，这些数据还必须更便于科学家使用。如今，NASA 与 IBM Research 在多家学术机构的合作下，发布了 NASA-IBM Lunar Foundation Model。两家机构称，这是首批面向月球科学的开源基础模型之一。

与针对特定任务的算法不同，基础模型会先在海量未标注数据上进行预训练，之后只需少量带标签的样本，就能针对具体任务进行适配。研究团队认为，这对月球研究而言是其主要优势，因为月球观测数据十分丰富，但标签却很稀缺。

来自 17 年观测的近 200 万个瓦片数据包

研究团队使用 SomBench 从头开始训练该模型。他们称，SomBench 是迄今最大的共配准多模态月球数据集，其中包含近 200 万个瓦片数据包，涵盖 11 种模态和两种空间尺度。约 100 万张高分辨率图像来自窄角相机（NAC），分辨率约为每像素 1 米；略少于 964,000 张多光谱图像则来自广角相机，分辨率为每像素 100 米。

这些数据大部分来自月球勘测轨道器（LRO）17 年来的观测。据 NASA 称，LRO 的数据量超过 NASA 其他所有行星探测任务的数据总和。GRAIL 任务提供的重力场数据、月球勘探者号（Lunar Prospector）提供的氢数据，以及 JAXA 的“月亮女神”/SELENE 探测器提供的矿物学数据，共同补充完善了这一数据集。

总体而言，该数据集汇集了来自 4 项任务、9 台仪器的 30 多个空间对齐数据层。为防止训练数据、验证数据和测试数据之间发生数据泄漏，该数据集按照地图分区进行地理划分，而不是随机分配单个瓦片。

模型将光照条件作为输入，而不是自行猜测

该模型基于 TerraMind——一种多模态地球观测模型——但研究人员并未对其进行微调，而是从头开始训练。对于每个瓦片，模型都会接收作为明确上下文的成像几何信息，包括光照角度、太阳位置和瓦片范围。在月球上，光照几何对地表外观的影响，远大于地表实际属性本身。研究团队没有强迫模型从原始像素中自行校正这些因素，而是直接将相关信息输入模型。

模型还会在一次训练中同时从高分辨率图像和低分辨率图像中学习，从而捕捉精细细节和大尺度背景。一种名为 FlexiViT 的技术使同一个训练完成的模型能够适应使用不同图像分块尺寸的任务，而无需重新训练。

冰层预测是该模型优势最为突出的领域

研究团队在100米和1米尺度上测试了该模型的陨石坑检测能力，并测试了其对两极冰沉积物的预测能力。模型还必须对不规则月海斑（Irregular Mare Patches，IMP）进行分割。这些年轻的火山地貌对既有的月球冷却时间线提出了挑战。根据技术报告，在所有任务中，预训练模型的表现都达到或超过了常用基线模型，以及一个采用相同架构但随机初始化的对照模型。

最大的提升出现在冰沉积物预测方面。永久阴影区的极地地区足够寒冷，能够让水冰保存数十亿年，因此被认为可能成为水、氧气和火箭燃料的资源。IBM称，与最佳基线模型SwinV2-B相比，该模型将预测误差最多降低了22%。

IBM称，在粗尺度陨石坑检测任务中，该模型的表现比SwinV2-B高出近19%。这一数据来自仅使用一半训练数据的情况，这表明该模型只需更少的标注样本就能取得良好表现。

部分优势来自模型处理数据的方式

即使没有进行任何月球预训练，随机初始化的对照模型在冰沉积物预测方面也超过了七个基线模型中的五个。研究人员表示，这一优势部分源于模型处理不同数据类型的方式。模型为每一层数据分配了各自的处理路径，而基线模型则将所有输入视为堆叠的通道。

在米级陨石坑检测和IMP分割任务中，该模型的表现大致与最强的基线模型持平，差异处于不同训练运行结果的波动范围内。IBM声称，该模型在IMP任务上比SwinV2-B领先3%，但从结果来看，两者的表现更为接近，难以说谁明显更好。

研究人员表示，LoRA是一种更轻量的微调方法，只训练一小部分参数，但整体表现能够跟上全量微调，并且在陨石坑检测任务上表现更好。全量微调只在两个规模最小的任务中胜出。

适用于分析，但不能替代物理测量

IBM Research Europe总监Juan Bernabé-Moreno表示，该模型能够关联不同仪器的观测结果，并揭示那些难以从单独观测中发现的模式。

研究显示，该模型并不适合进行绝对大地测量定位。在生成测试中，某些情况下模型预测的纬度和经度偏差达到数十度；即使正确重建了地形结构的形状，高程结构也可能出现绝对高度值偏移。

作者认为，该模型是一个可供下游任务重复使用的基础，而不是物理测量仪器的替代品。用于分离评估各项创新贡献的受控实验仍在等待开展，而且部分测试数据集规模较小。

不断壮大的模型家族的一员

该模型已在Hugging Face上公开，代码托管于GitHub，并已集成到开源工具包TerraTorch中。研究团队还发布了适用于机器学习预训练的数据集和基准测试集合。

该模型是 NASA 与 IBM“科学人工智能”（AI for Science）合作的一部分。自 2022 年初以来，两家机构一直在《太空法协议》（Space Act Agreement）框架下开发基础模型。2023 年 8 月，他们在 Hugging Face 上发布了首个 Prithvi 模型。该模型基于覆盖美国本土全部地区的 Landsat 和 Sentinel-2 影像进行训练，并针对洪水和野火制图进行了适配。

IBM 此前已将 Prithvi 宣布为其 Watsonx 平台的一部分。IBM 于 2025 年与 ESA 和 Forschungszentrum Jülich 合作开发了 TerraMind，这是该月球模型的基础，最初用于地球观测。

Google DeepMind 也在通过 AlphaEarth Foundations 探索相关方法：该项目将光学卫星影像、雷达和激光雷达扫描数据以及气候模拟结果压缩为代表地球表面的紧凑嵌入。

来源与参考

1. 原始链接
2. NASA and IBM's open source lunar model turns 17 years of orbiter data into a foundation for lunar science