# NASA e IBM publican un modelo lunar abierto basado en 17 años de datos

> El Modelo Fundacional Lunar de NASA e IBM ya está disponible en Hugging Face. Usa casi 2 millones de imágenes lunares para mejorar las predicciones de depósitos de hielo y cráteres.

Oossa · 2026-10-04 · https://oossa.com/es/nasa-and-ibm-release-open-source-lunar-model-built-on-17-years-of-orbiter-data

NASA e IBM Research han puesto a disposición del público un nuevo modelo de IA lunar. El Modelo Fundacional Lunar de NASA e IBM es de código abierto y se puede descargar de Hugging Face; su código está en GitHub. Se entrenó con 17 años de datos del Lunar Reconnaissance Orbiter y otras misiones, y convierte ese archivo en una herramienta que los científicos pueden adaptar con solo unos pocos ejemplos etiquetados.

## Qué puede hacer el modelo

El modelo procesa imágenes de alta resolución (alrededor de 1 metro por píxel) y de menor resolución (100 m por píxel) al mismo tiempo. También recibe como datos de entrada explícitos los ángulos de iluminación y la posición del Sol, lo que le ayuda a distinguir las características reales de la superficie de las sombras. En las pruebas, redujo hasta un 22 % el error en las predicciones de hielo polar frente al mejor modelo de referencia. En la detección de cráteres a menor resolución, fue aproximadamente un 19 % más preciso, aunque utilizó solo la mitad de los datos etiquetados.

## Cómo se creó

Los investigadores reunieron un conjunto de datos llamado SomBench, el mayor corpus lunar multimodal y con datos alineados hasta la fecha. Contiene casi 2 millones de «paquetes de imágenes» de 11 tipos de datos distintos, con más de 30 capas alineadas procedentes de nueve instrumentos de cuatro misiones. El modelo se entrenó desde cero con una técnica llamada FlexiViT, que permite que un mismo modelo procese imágenes divididas en parches de distintos tamaños sin tener que volver a entrenarlo.

## Los hechos

- El modelo se entrenó con casi 2 millones de paquetes de imágenes, procedentes de 17 años de observaciones del Lunar Reconnaissance Orbiter.
- Alrededor de 1 millón de imágenes son de alta resolución: imágenes NAC de aproximadamente 1 m/píxel; unas 964.000 son imágenes multiespectrales de la Wide Angle Camera, a 100 m/píxel.
- El error en las predicciones de depósitos de hielo polar disminuyó hasta un 22 % frente al modelo de referencia SwinV2-B.
- La precisión en la detección de cráteres a menor resolución mejoró casi un 19 %, pese a utilizar solo la mitad de los datos etiquetados.
- El modelo y sus conjuntos de datos están disponibles en Hugging Face; el código está en GitHub y se integró en el conjunto de herramientas TerraTorch.

## Por qué importa

Para los científicos planetarios, el modelo abierto ofrece una IA lista para usar que puede detectar hielo y cráteres con menos ejemplos etiquetados manualmente, lo que agiliza la investigación de los recursos lunares. Para quienes siguen las futuras misiones a la Luna, unos mapas de hielo más precisos podrían ayudar a decidir dónde aterrizar o extraer agua para usarla como combustible de cohetes. Sin embargo, el modelo no sustituye las mediciones directas: sus coordenadas geográficas aún pueden desviarse decenas de grados.

## Fuentes y referencias

1. [NASA and IBM's open source lunar model turns 17 years of orbiter data into a foundation for lunar science](https://the-decoder.com/nasa-and-ibms-open-source-lunar-model-turns-17-years-of-orbiter-data-into-a-foundation-for-lunar-science/) – The Decoder, 2026-10-04

Última actualización: 2026-10-04