NASA与IBM发布基于17年月球观测数据的开源基础模型

一句话结论

NASA与IBM发布开源月球基础模型，利用17年多任务数据提升月球科学机器学习应用，但需明确该模型不适用绝对大地测量定位。

关键要点

• NASA-IBM 月球基础模型基于17年观测数据训练，训练语料库 SomBench 包含近200万组瓦片数据，覆盖11种模态和两个空间尺度。
• 数据主要源自月球勘测轨道器（LRO），整合包括GRAIL、月球探勘者及日本JAXA的Kaguya/SELENE在内的9台仪器和4项任务的30多个空间对齐数据层。
• 性能测试显示，在极地冰层沉积预测中，模型相比最佳基线 SwinV2-B 将预测误差降低最多22%；在粗尺度撞击坑检测中，使用半量数据训练即比 SwinV2-B 高近19%。
• 模型采用 FlexiViT 技术，允许适应不同图像补丁大小而无需重新训练；LoRA 微调在绝大多数任务中与全参数微调持平，且在撞击坑检测中表现更佳。
• 该模型基于 TerraMind 架构从头训练，已集成至开源工具包 TerraTorch，并属于NASA与IBM自2022年《太空法协议》合作下的基础模型家族，继2023年发布的 Prithvi 模型之后。

背景与事实

NASA 与 IBM 联合发布了名为 NASA-IBM 月球基础模型（NASA-IBM Lunar Foundation Model）的开源人工智能模型。该模型旨在解决月球科学数据在机器学习中可用性的问题，其训练依赖于长达17年的观测数据积累。核心训练语料库被命名为 SomBench，规模庞大，包含近200万组瓦片数据。这些数据涵盖了11种不同的模态和两个空间尺度，具体包括约100万张来自窄角相机的高分辨率图像（分辨率达1米/像素）以及近96.4万张来自宽角相机的多光谱图像（分辨率100米/像素）。这些数据的主要来源是月球勘测轨道器（Lunar Reconnaissance Orbiter, LRO），并辅以月球重力复兴任务（GRAIL）、月球探勘者（Lunar Prospector）以及日本宇宙航空研究开发机构（JAXA）的 Kaguya/SELENE 任务数据。最终，模型整合了9台不同仪器和4项任务的30多个空间对齐数据层，形成了统一的基础数据集。

在技术架构方面，该模型基于多模态地球观测模型 TerraMind 从头开始训练。TerraMind 最初由 IBM 于2025年与欧洲空间局（ESA）和朱利希研究中心（Forschungszentrum Jülich）共同开发，用于地球观测领域。月球模型在输入中特别包含了成像几何信息，如照明角度和太阳位置，这对月球表面图像的理解至关重要。模型采用了 FlexiViT 技术，这一创新使得同一模型能够适应不同大小的图像补丁而无需重新训练，提高了模型的灵活性。在性能评估中，模型在极地冰层沉积预测任务中表现突出，相比最佳基线模型 SwinV2-B，预测误差降低了最多22%。在粗尺度撞击坑检测中，即使只使用半量数据进行训练，模型性能也比 SwinV2-B 高出近19%。在不规则月海斑（IMPs）分割任务中，IBM 声称模型领先 SwinV2-B 约3%。此外，一个随机初始化的对照组在冰预测任务中超越了7个基线模型中的5个，显示了数据基础的重要性。在微调策略上，低秩自适应（LoRA）方法在绝大多数任务中与全参数微调持平，甚至在撞击坑检测中表现更佳，仅在两个最小任务中全参数微调胜出。

IBM 研究欧洲总监 Juan Bernabé-Moreno 表示，该模型能够连接跨仪器观测，并揭示在孤立数据中难以察觉的模式。该模型已在 Hugging Face 平台公开，代码托管在 GitHub，并集成至开源工具包 TerraTorch。团队还发布了机器学习就绪的预训练数据集和基准集合。这一发布是 NASA 与 IBM 自2022年初依据《太空法协议》开展合作的一部分。此前，双方于2023年8月发布了首个 Prithvi 模型，该模型基于覆盖整个美国本土的 Landsat 和 Sentinel-2 影像训练，适用于洪水和野火映射，并曾作为 Watsonx 平台的一部分宣布。IBM 在月球科学领域的这一举措，标志着基础模型家族从地球观测向月球科学领域的扩展。

影响分析

对于中文开发者与科研人员而言，这一开源模型的发布具有显著的实践价值与局限性。首先，TerraTorch 工具包和公开预训练数据集的提供，降低了月球科学机器入门的门槛。开发者无需从零构建月球数据处理管线，可直接利用经过空间对齐的30多个数据层进行下游任务开发，特别是在撞击坑检测、冰层分布预测等领域，可获得优于传统基线模型的性能。LoRA 微调策略的验证意味着研究人员可以使用较少的算力资源对模型进行特定任务适配，这在资源有限的科研环境中尤为实用。其次，FlexiViT 技术允许模型适应不同分辨率的输入，这使得单一模型能够处理从窄角相机高分辨率图像到宽角相机多光谱图像的跨尺度任务，减少了维护多个专用模型的复杂度。然而，使用者必须清醒认识到该模型并非物理测量仪器，其绝对定位能力存在严重偏差。对于依赖精确经纬度和海拔高度的应用，该模型只能作为特征提取器或模式识别工具，不能替代传统大地测量数据。

适用边界

该模型的结论在需要绝对大地测量精度的场景下不成立。生成测试显示，模型的经度和纬度误差可达数十度，即使地形形状重构正确，其绝对高度值仍可能存在偏移。因此，它不适用于需要高精度坐标定位、导航或绝对海拔测量的任务。此外，作者指出，隔离各创新贡献的控制实验尚未完成，且部分测试数据集较小，这意味着模型在某些特定子任务上的泛化能力尚未得到充分验证。在数据覆盖范围上，模型主要基于 LRO、GRAIL、月球探勘者和 Kaguya/SELENE 任务数据，对于依赖其他月球任务或极高分辨率非公开数据的场景，其性能表现可能存在差异。模型也不适用于非月球天体，其训练数据和架构设计均针对月球观测环境优化。

孤本观察

这是 IBM 首次将基于地球观测的基础模型架构（TerraMind）成功迁移至月球科学领域，并证明了跨天体基础模型技术路线的可行性，但其在绝对定位上的巨大误差也划定了地球与月球基础模型在应用边界上的清晰差异。

来源：The Decoder