NASA 与 IBM 开源月球基础模型：把 17 年轨道器数据变成月球科学基石
2026-10-04
NASA-IBM 月球基础模型让数十年的月球观测数据可用于机器学习。它在预测极地冰沉积和检测陨石坑方面尤其强大。
“NASA 花了数十年建立了一份关于月球的非凡科学记录，但收集数据只是工作的一部分，”NASA 首席科学数据官凯文·墨菲说。他补充说，这些数据还必须让科学家更容易使用。
NASA 和 IBM Research 与几家学术机构合作，现已发布 NASA-IBM 月球基础模型。这两个组织将其描述为月球科学领域的首批开源基础模型之一。与任务特定算法不同，基础模型在大规模无标注数据上预训练，然后只需少量标注样本即可适应特定任务。团队认为这是月球研究的主要好处，因为那里的观测数据丰富但标签稀缺。
团队使用 SomBench 从零开始训练该模型，他们称这是迄今为止最大的共配准多模态月球语料库。它包含近 200 万个瓦片束，涵盖 11 种模态和两个空间尺度。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，而略低于 964,000 张多光谱图像来自广角相机，分辨率为每像素 100 米。
大部分数据来自月球勘测轨道飞行器（LRO）17 年的观测。据 NASA 称，其数据量超过 NASA 所有其他行星任务的总和。来自 GRAIL 任务（重力场）、月球勘探者号（氢）和 JAXA 的辉夜号/SELENE 探测器（矿物学）的数据完善了该数据集。总的来说，该数据集汇集了来自九台仪器和四次任务的 30 多个空间对齐数据层。为了防止训练、验证和测试数据之间的泄漏，该语料库按地图区域进行地理划分，而不是随机分配单个瓦片。
该模型基于 TerraMind，一个多模态地球观测模型，但研究人员从零开始训练它，而不是微调。对于每个瓦片，模型接收成像几何作为显式上下文，包括光照角度、太阳位置和瓦片范围。在月球上，光照几何对表面外观的影响远大于表面实际属性。团队没有强迫模型从原始像素中纠正这一点，而是直接向它提供这些信息。该模型还在单次训练中同时从高分辨率和低分辨率图像中学习，捕捉精细细节和大尺度上下文。一种称为 FlexiViT 的技术让同一个训练好的模型无需重新训练即可适应不同图像块大小的任务。
团队在 100 米和 1 米尺度的陨石坑检测以及极地冰沉积预测上测试了该模型。它还必须分割不规则月海斑块（IMP），这些年轻的火山特征挑战了既定的月球冷却时间线。根据技术报告，在所有任务中，预训练模型匹配或超过了常见基线以及一个架构相同但随机初始化的对照模型。
最大的收益出现在冰沉积预测中。永久阴影极地区域保持足够冷，可以保存水冰数十亿年，被认为是水、氧气和火箭燃料的潜在资源。据 IBM 称，与最佳基线 SwinV2-B 相比，该模型将预测误差降低了高达 22%。据 IBM 称，在粗尺度陨石坑检测中，该模型比 SwinV2-B 高出近 19%。这个数字来自仅用一半数据进行的训练，表明该模型只需要更少的标注样本就能表现良好。即使是随机初始化的对照模型，在没有任何月球预训练的情况下，也在冰预测上击败了七个基线中的五个。据研究人员称，部分优势来自它如何
NASA 与 IBM 联合发布开源月球基础模型，基于 17 年 LRO 等多任务数据训练，在极地冰沉积预测和陨石坑检测上表现突出，降低标注依赖。
- NASA 与 IBM 联合发布开源月球基础模型，基于 17 年 LRO 等多任务数据训练，在极地冰沉积预测和陨石坑检测上表现突出，降低标注依赖。
- 原贴提到：The NASA-IBM Lunar Foundation Model makes decades of lunar observation d
- 来源：the-decoder.com
这是什么信号
NASA 和 IBM Research 联合多家学术机构发布了 NASA-IBM 月球基础模型，并称其为月球科学领域首批开源基础模型之一。它基于 17 年月球勘测轨道飞行器（LRO）等任务数据训练，使用名为 SomBench 的多模态月球语料库，覆盖近 200 万个瓦片束、11 种模态和两个空间尺度。
这不是一个单点算法，而是把月球观测数据变成可复用机器学习底座的基础设施。团队从零训练模型，而不是微调 TerraMind，并显式输入成像几何（光照角度、太阳位置、瓦片范围），因为月球表面外观高度受光照影响。
为什么重要
月球观测数据丰富但标注稀缺，任务特定算法往往需要大量人工标注。基础模型的价值在于预训练后只需少量标注样本即可适配新任务。在极地冰沉积预测上，模型相比最佳基线 SwinV2-B 将误差降低高达 22%；在粗尺度陨石坑检测上提升近 19%，且只使用一半训练数据。这说明它可能显著降低月球研究的标注成本。
极地永久阴影区的水冰被认为是未来水、氧气和火箭燃料的潜在资源，因此冰沉积预测不只是科学问题，也关系到 Artemis 等载人登月与资源利用。开源则意味着更多团队可以复现、微调和扩展，可能加速月球科学和行星遥感的基础模型竞争。
对谁有价值
- 月球科学家与行星遥感研究者：可直接评估或微调模型，用于冰沉积、陨石坑、不规则月海斑块等任务。
- AI4Science 研究者：SomBench 的多模态、多尺度、几何上下文设计，是科学基础模型的数据工程样本。
- 航天机构与商业航天公司：冰资源测绘、着陆区评估、地形分析等场景可能受益。
- 数据平台与开源社区：模型权重、数据划分和评估协议可成为月球 AI 生态的起点。
可以怎么行动
第一，关注 NASA/IBM 发布的模型权重、SomBench 数据集和技术报告，核对其开源许可与可复现性。第二，在自有月球或行星遥感任务上做小样本微调实验，重点测试冰沉积和陨石坑检测。第三，把成像几何作为显式输入，而不是让模型从像素中硬学。第四，采用按地图区域划分训练/验证/测试集的评估方式，避免空间泄漏。第五，对冰资源预测结果做不确定性量化和交叉验证，不要直接用于任务规划。
风险或限制
目前结果主要来自技术报告，尚未经过广泛同行评审。22% 和 19% 是相对最佳基线的提升，不代表绝对精度已经达到资源勘探要求。模型基于 TerraMind 从零训练，计算成本高，复现门槛不低。月球标注数据依然稀缺，模型可能继承训练数据中的偏差。地理分区可防止泄漏，但也可能让评估结果对特定区域过拟合。开源许可、商用限制和长期维护责任也需要确认。
这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。
如果把《NASA 与 IBM 开源月球基础模型：把 17 年轨道器数据变成月球科学基石》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。