# NASA e IBM pubblicano un modello lunare open source basato su 17 anni di dati

> Il NASA-IBM Lunar Foundation Model è disponibile su Hugging Face. Usa quasi 2 milioni di immagini della Luna per migliorare le previsioni su depositi di ghiaccio e crateri.

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

NASA e IBM Research hanno reso disponibile al pubblico un nuovo modello di intelligenza artificiale dedicato alla Luna. Il NASA-IBM Lunar Foundation Model è open source e si può scaricare da Hugging Face; il codice è su GitHub. È stato addestrato su 17 anni di dati del Lunar Reconnaissance Orbiter e di altre missioni, trasformando quell’archivio in uno strumento che gli scienziati possono adattare usando anche solo pochi esempi etichettati.

## Cosa può fare il modello

Il modello elabora contemporaneamente immagini ad alta risoluzione (circa 1 metro per pixel) e a risoluzione più bassa (100 m per pixel). Riceve inoltre come dati espliciti gli angoli di illuminazione e la posizione del Sole, così da distinguere meglio le caratteristiche reali della superficie dalle ombre. Nei test, ha ridotto fino al 22% l’errore nelle previsioni sul ghiaccio ai poli rispetto al miglior modello di riferimento. Nel rilevamento dei crateri a bassa risoluzione è risultato circa il 19% più preciso, pur usando solo la metà dei dati etichettati.

## Come è stato realizzato

I ricercatori hanno assemblato un set di dati chiamato SomBench, il più grande corpus lunare multimodale e co-registrato finora. Comprende quasi 2 milioni di «pacchetti di immagini», con 11 diversi tipi di dati e oltre 30 livelli allineati, acquisiti da nove strumenti nell’ambito di quattro missioni. Il modello è stato addestrato da zero con una tecnica chiamata FlexiViT, che gli consente di gestire immagini suddivise in porzioni di dimensioni diverse senza doverlo riaddestrare.

## I fatti

- Il modello è stato addestrato su quasi 2 milioni di pacchetti di immagini ricavati da 17 anni di osservazioni del Lunar Reconnaissance Orbiter.
- Circa 1 milione di immagini sono NAC ad alta risoluzione (≈1 m/pixel); circa 964.000 sono immagini multispettrali della Wide Angle Camera a 100 m/pixel.
- L’errore nelle previsioni sui depositi di ghiaccio polari è diminuito fino al 22% rispetto al modello di riferimento SwinV2-B.
- La precisione nel rilevamento dei crateri a bassa risoluzione è aumentata di quasi il 19%, pur usando solo la metà dei dati etichettati.
- Il modello e i relativi set di dati sono disponibili su Hugging Face; il codice è su GitHub e il modello è integrato nel toolkit TerraTorch.

## Perché conta

Per gli scienziati planetari, il modello open source offre uno strumento di intelligenza artificiale già pronto, capace di individuare ghiaccio e crateri con meno esempi etichettati manualmente e di accelerare la ricerca sulle risorse lunari. Per chi segue le future missioni sulla Luna, mappe del ghiaccio più precise potrebbero aiutare a scegliere i siti di atterraggio o le aree in cui estrarre acqua da usare come carburante per i razzi. Il modello, però, non sostituisce le misurazioni dirette: le coordinate geografiche che fornisce possono ancora discostarsi di decine di gradi.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-10-04