# NASA e IBM lançam modelo lunar aberto com 17 anos de dados orbitais

> Disponível no Hugging Face, o modelo usa quase 2 milhões de imagens da Lua para aprimorar previsões de depósitos de gelo e crateras.

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

A NASA e a IBM Research disponibilizaram publicamente um novo modelo de IA lunar. O NASA-IBM Lunar Foundation Model é de código aberto e pode ser baixado no Hugging Face; o código está no GitHub. Ele foi treinado com 17 anos de dados do Lunar Reconnaissance Orbiter e de outras missões, transformando esse acervo em uma ferramenta que cientistas podem adaptar usando apenas alguns exemplos rotulados.

## O que o modelo pode fazer

O modelo processa ao mesmo tempo imagens de alta resolução (cerca de 1 metro por pixel) e imagens de baixa resolução (100 m por pixel). Também recebe como dados de entrada explícitos os ângulos de iluminação e a posição do Sol, o que ajuda a distinguir características reais da superfície de sombras. Nos testes, reduziu em até 22% o erro nas previsões de gelo polar em comparação com o melhor modelo de referência. Na detecção de crateras em baixa resolução, foi cerca de 19% mais preciso, embora tenha usado apenas metade dos dados rotulados.

## Como foi desenvolvido

Os pesquisadores reuniram um conjunto de dados chamado SomBench, o maior corpus lunar multimodal co-registrado até hoje. Ele contém quase 2 milhões de “conjuntos de imagens” de 11 tipos diferentes de dados, abrangendo mais de 30 camadas alinhadas de nove instrumentos em quatro missões. O modelo foi treinado do zero com uma técnica chamada FlexiViT, que permite que o mesmo modelo processe imagens com diferentes tamanhos de recorte sem precisar ser treinado novamente.

## Os fatos

- O modelo foi treinado com quase 2 milhões de conjuntos de imagens, reunidos a partir de 17 anos de observações do Lunar Reconnaissance Orbiter.
- Cerca de 1 milhão de imagens são da câmera NAC, em alta resolução (≈1 m/pixel); aproximadamente 964.000 são imagens multiespectrais da Wide Angle Camera, com resolução de 100 m/pixel.
- O erro nas previsões de depósitos de gelo polar caiu até 22% em comparação com o modelo de referência SwinV2-B.
- A precisão na detecção de crateras em baixa resolução aumentou quase 19%, mesmo com o uso de apenas metade dos dados rotulados.
- O modelo e seus conjuntos de dados estão disponíveis no Hugging Face; o código está no GitHub e foi integrado ao kit de ferramentas TerraTorch.

## Por que importa

Para cientistas planetários, o modelo aberto oferece uma IA pronta para identificar gelo e crateras com menos exemplos rotulados manualmente, acelerando pesquisas sobre recursos lunares. Para quem acompanha as futuras missões à Lua, mapas de gelo mais precisos podem ajudar a determinar onde pousar ou extrair água para produzir combustível de foguete. No entanto, o modelo não substitui medições diretas: as coordenadas geográficas que fornece ainda podem apresentar erros de dezenas de graus.

## Fontes e referências

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 atualização: 2026-10-04