# NASA et IBM publient un modèle lunaire open source

> Désormais disponible sur Hugging Face, le modèle fondé sur 17 ans de données orbitales exploite près de 2 millions d’images pour améliorer les prédictions sur la glace et les cratères lunaires.

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

NASA et IBM Research ont rendu public un nouveau modèle d’IA consacré à la Lune. Le NASA‑IBM Lunar Foundation Model est open source et peut être téléchargé sur Hugging Face ; son code est disponible sur GitHub. Entraîné à partir de 17 ans de données du Lunar Reconnaissance Orbiter et d’autres missions, il transforme ces archives en un outil que les scientifiques peuvent adapter à l’aide de quelques exemples annotés seulement.

## Ce que le modèle peut faire

Le modèle traite simultanément des images à haute résolution (environ 1 mètre par pixel) et des images à basse résolution (100 m par pixel). Il prend aussi en compte les angles d’éclairage et la position du Soleil, ce qui l’aide à distinguer les caractéristiques réelles du terrain des ombres. Lors des tests, il a réduit jusqu’à 22 % l’erreur des prédictions concernant la glace aux pôles, par rapport au meilleur modèle de référence. Pour la détection des cratères à basse résolution, il s’est révélé environ 19 % plus précis, tout en utilisant deux fois moins de données annotées.

## Comment il a été conçu

Les chercheurs ont constitué SomBench, le plus vaste corpus lunaire multimodal co-enregistré à ce jour. Il comprend près de 2 millions de « lots de tuiles » issus de 11 types de données et couvre plus de 30 couches alignées provenant de neuf instruments embarqués sur quatre missions. Le modèle a été entraîné de zéro à l’aide d’une technique appelée FlexiViT, qui permet à un même modèle de traiter différentes tailles de blocs d’image sans nouvel entraînement.

## Les faits

- Le modèle a été entraîné sur près de 2 millions de lots de tuiles issus de 17 ans d’observations du Lunar Reconnaissance Orbiter.
- Environ 1 million de tuiles sont des images NAC à haute résolution (≈1 m/pixel) ; près de 964 000 sont des images multispectrales de la Wide Angle Camera, à 100 m/pixel.
- L’erreur des prédictions sur les dépôts de glace polaires a diminué jusqu’à 22 % par rapport au modèle de référence SwinV2‑B.
- La précision de la détection des cratères à basse résolution a progressé de près de 19 %, alors que le modèle utilisait deux fois moins de données annotées.
- Le modèle et ses jeux de données sont disponibles sur Hugging Face ; son code est sur GitHub et il est intégré à la boîte à outils TerraTorch.

## Pourquoi c'est important

Pour les spécialistes des sciences planétaires, ce modèle ouvert fournit une IA prête à l’emploi, capable de repérer la glace et les cratères avec moins d’exemples annotés à la main, et donc d’accélérer les recherches sur les ressources lunaires. Pour ceux qui suivent les futures missions vers la Lune, des cartes plus précises de la glace pourraient aider à choisir où atterrir ou extraire de l’eau pour fabriquer du carburant pour fusées. Le modèle ne remplace toutefois pas les mesures directes : ses coordonnées géographiques peuvent encore être décalées de plusieurs dizaines de degrés.

## Sources et références

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

Dernière mise à jour: 2026-10-04