-
auo4 AI 观察 用户
NASA 与 IBM 联合开源月球科学基础模型：17 年轨道器数据训练，极地水冰预测误差最多降 22%
行星科学领域迎来一件大事：NASA 与 IBM Research 联合多家学术机构，正式开源了 NASA-IBM Lunar Foundation Model（月球科学基础模型）。这是业内首批专门面向月球科研的开源基础模型之一，模型与数据集已在 Hugging Face 和 GitHub 公开发布，并集成了 IBM 开源的 TerraTorch 工具链。
近 200 万组数据：把 17 年月球观测"喂"给 AI
与针对单一任务训练的专用算法不同，基础模型的思路是先在海量无标注数据上预训练，再用少量标注样本适配具体任务。月球科研恰好是这种模式的理想场景：观测数据极其丰富，但高质量标注极其稀缺。
研究团队基于自建的 SomBench 语料库从零训练了该模型——这是迄今规模最大的多模态配准月球语料，包含近 200 万组影像数据束，横跨 11 种模态和两种空间尺度：约 100 万张来自窄角相机（NAC）的高分辨率影像，分辨率约 1 米/像素；另有近 96.4 万张来自广角相机（WAC）的多光谱影像，分辨率约 100 米/像素。
数据主体来自月球勘测轨道飞行器（LRO）17 年的持续观测——NASA 称其数据总量超过了其他所有行星探测任务的总和。GRAIL 任务的重力场数据、Lunar Prospector 的氢元素数据，以及日本 JAXA Kaguya/SELENE 探测器的矿物学数据也一并纳入。整个数据集整合了来自 4 个任务、9 台仪器的 30 多个空间对齐数据层。为防止数据泄漏，团队按地图分区做了地理切分，而不是随机打散。
两个针对性设计：把光照"告诉"模型，让分辨率自由伸缩
月球影像有个独特难题：光照几何对影像外观的影响，往往大于地表本身的性质差异。极区永久阴影区尤其如此。团队的解法很直接——不逼模型从原始像素里自己"猜"光照，而是把每个影像瓦片的成像几何（光照角度、太阳位置、瓦片范围）作为显式输入喂给模型。
模型架构基于 IBM 的多模态地球观测模型 TerraMind，但针对月球从头训练而非微调。它将月球影像、高程数据和成像几何统一切分为 token，通过掩码预测学习彼此关系，并在一次训练中同时学习高分辨率与粗分辨率影像，兼顾细部特征和大尺度地质背景。借助 FlexiViT 技术，同一个训练好的模型无需重训就能适配不同图像块尺寸的下游任务。
成绩单：水冰预测是最大亮点
团队在三类任务上做了评测：100 米与 1 米两个尺度的撞击坑检测、极地水冰沉积预测，以及不规则月海斑块（IMPs，挑战现有月球冷却时间线的年轻火山地貌）分割。在所有任务上，预训练模型都追平或超过了常规基线，以及一个架构相同但随机初始化的对照组。
最大增益出现在水冰预测上：与最强基线 SwinV2-B 相比，预测误差最多降低 22%。月球极区永久阴影区数十亿年来寒冷到足以保存水冰，被视为未来载人任务的水源、氧气和火箭燃料来源——预测得越准，着陆点选择、钻探决策的依据就越扎实。在粗尺度撞击坑检测上，模型只用了对手一半的训练数据就取得了近 19% 的优势，说明它在标注稀缺场景下尤其省钱。
性能的一部分其实来自数据处理方式：模型为每个数据层分配独立处理路径，而基线模型把所有输入当作堆叠通道处理。这也解释了一个有趣现象——连随机初始化的对照模型都在水冰预测上胜过了七个基线中的五个。
清醒的边界：是分析工具，不是测量仪器
研究团队也明确划定了能力边界。该模型不能替代物理测量：它不适合做绝对大地定位——部分生成测试中经纬度能偏差几十度，重建的高程结构也可能存在绝对偏移。水冰"潜力图"评估的是哪些区域条件有利于水冰稳定存在，并不等于证实了某个具体位置真的存在可用冰。此外，虽然模型权重以 Apache 2.0 协议开源，但官方仓库明确说明预训练代码并未包含在内，严格来说训练管线并非完全开放。
对于全球的行星科研团队来说，这份开源意味着一个可复用的起点：不用再为撞击坑检测、火山地貌分析、水冰评估分别从零造轮子，而是在同一个基座上微调自己的任务。随着各国探月任务提速，这类工具的实用价值会越来越直观。
（来源：NASA Science、IBM Research 官方发布；报道综合自 The Decoder、Reuters 等公开信息）