NASA与IBM发布开源月球基础模型，极地冰层预测误差降低22%
来源The Decoder查看原文
速览
- NASA与IBM发布开源月球基础模型，基于TerraMind从零训练。
- 训练数据SomBench含近200万tile bundle、11种模态、两个空间尺度。
- 数据来自LRO 17年观测，并整合GRAIL、Lunar Prospector、Kaguya数据。
- 极地冰层预测误差较SwinV2-B降低最多22%。
- 粗尺度陨石坑检测以一半数据领先SwinV2-B近19%。
- 模型输入显式包含光照角度与太阳位置等成像几何信息。
- LoRA微调与全量微调持平，陨石坑检测上更优。
- 模型不适用于绝对大地定位，经纬度偏差可达数十度。
- 模型、代码、数据集与基准均已开源，集成进TerraTorch。
NASA与IBM Research联合多家学术机构发布了NASA-IBM Lunar Foundation Model，称其为首批面向月球科学的开源基础模型之一。该模型基于TerraMind架构从零训练，使用名为SomBench的数据集，包含近200万个tile bundle、11种模态、两个空间尺度，数据主要来自月球勘测轨道飞行器（LRO）17年的观测，并整合了GRAIL、Lunar Prospector以及JAXA的Kaguya/SELENE探测数据，共汇集9台仪器、4次任务的30多个空间对齐数据层。模型在极地冰层预测任务上相比最强基线SwinV2-B将预测误差降低最多22%，在粗尺度陨石坑检测上以仅一半训练数据领先SwinV2-B近19%。模型已在Hugging Face公开，代码托管于GitHub，并集成进TerraTorch工具包。
关键事实
- NASA与IBM Research联合多家学术机构发布NASA-IBM Lunar Foundation Model，称其为首批面向月球科学的开源基础模型之一。
- 训练数据集SomBench包含近200万个tile bundle，覆盖11种模态和两个空间尺度。
- 数据主要来自LRO 17年观测，约100万张高分辨率图像来自Narrow Angle Camera（约1米/像素），近96.4万张多光谱图像来自Wide Angle Camera（100米/像素）。
- 数据集整合了GRAIL（重力场）、Lunar Prospector（氢）、JAXA Kaguya/SELENE（矿物学）数据，共9台仪器、4次任务的30多个空间对齐数据层。
- 模型基于TerraMind从零训练，而非微调；每个tile输入包含光照角度、太阳位置等成像几何信息。
- 极地冰层预测任务上，模型相比最强基线SwinV2-B将预测误差降低最多22%。
本站视角
对做遥感、地球观测和科学机器学习的国内团队来说，这件事的价值不在「月球」本身，而在于它给出了一套可复用的工程范式：把17年、9台仪器、4次任务、30多个空间对齐数据层整理成ML-ready语料，并按地理分区而非随机切分来防止数据泄漏，这两点直接对应遥感领域长期存在的标注稀缺和评估失真问题。SomBench和TerraTorch的开源，意味着国内做行星遥感、地质解译、极区冰层反演的团队可以跳过最耗时的数据清洗阶段，直接在下游任务上做微调。模型把光照几何作为显式输入而非让网络从像素里猜，这个设计对月球这种光照主导成像的场景是合理的，也值得迁移到地球极区和高纬度遥感任务上。需要冷静看待的是：IBM给出的22%和19%两个数字都来自与SwinV2-B的对比，且粗尺度陨石坑的19%优势是在只用一半训练数据的前提下取得的，这更像是「数据效率优势」而非「绝对精度碾压」；在1米尺度陨石坑检测和IMP分割上，模型与最强基线基本持平，IBM宣称的IMP 3%领先被原文自己承认「看起来更接近而非明显更好」。更值得注意的是，随机初始化的对照模型在冰层预测上就击败了7个基线中的5个，说明相当一部分优势来自数据处理路径的设计，而非月球预训练本身——这一点削弱了「基础模型预训练带来质变」的叙事。原文也明确列出两项待办：隔离各项创新贡献的受控实验尚未完成，部分测试数据集偏小。我们的判断是：这是一个扎实的数据工程与开源贡献，值得国内行星科学与遥感团队跟进使用，但把它当作「AI攻克月球科学」的里程碑则为时过早；它目前是下游任务的可复用底座，不是物理测量仪器的替代品，绝对大地定位偏差数十度这一点也说明它离工程化定位应用还有距离。
背景与影响
NASA与IBM自2022年初起通过Space Act Agreement合作推进「AI for Science」计划。2023年8月，双方在Hugging Face发布首个Prithvi模型，基于Landsat和Sentinel-2影像训练，用于洪水与野火制图，IBM将其作为Watsonx平台的一部分对外公布。此次月球模型的基础架构TerraMind由IBM于2025年与ESA及Forschungszentrum Jülich合作开发，面向地球观测。Google DeepMind也在推进类似方向，其AlphaEarth Foundations将光学卫星影像、雷达、激光雷达扫描和气候模拟压缩为地球表面的紧凑嵌入。月球基础模型的出现，意味着行星科学开始复用地球观测领域已跑通的多模态预训练范式。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
