# NASA与IBM发布基于17年轨道器数据的开源月球模型

> NASA‑IBM月球基础模型现已在Hugging Face开放，利用近200万块月球图像瓦片，提高冰沉积区和陨石坑预测能力。

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

NASA与IBM Research现已公开一款新的月球AI模型。NASA‑IBM月球基础模型采用开源形式，可从Hugging Face下载，代码则托管在GitHub上。该模型利用月球勘测轨道飞行器及其他任务17年的数据训练而成，将这些历史数据转化为一款工具，科学家只需提供少量标注样本即可对其进行调整。

## 模型能做什么

该模型可以同时处理高分辨率图像（约1米/像素）和低分辨率图像（100米/像素）。它还将光照角度和太阳位置作为明确输入，有助于区分真实地表特征与阴影。在测试中，与表现最佳的基准模型相比，该模型对极区冰层的预测误差最高降低了22%。在低分辨率条件下进行陨石坑检测时，即使只使用一半的标注数据，准确率也提高了约19%。

## 模型如何构建

研究人员整理出名为SomBench的数据集，这是迄今规模最大的共配准多模态月球数据集。它包含近200万个“瓦片包”，涵盖11种不同数据类型，以及来自四次任务、九台仪器的30多个对齐图层。模型从零开始训练，采用名为FlexiViT的技术，因此无需重新训练，同一个模型就能处理不同尺寸的图像切块。

## 事实

- 该模型使用月球勘测轨道飞行器17年的观测数据训练，数据包含近200万个瓦片包。
- 约100万个瓦片是高分辨率NAC图像（约1米/像素）；约96.4万个是分辨率为100米/像素的多光谱广角相机图像。
- 与SwinV2‑B基准模型相比，该模型对极区冰沉积区的预测误差最高降低了22%。
- 在只使用一半标注数据的情况下，该模型在低分辨率陨石坑检测中的准确率提高了近19%。
- 模型及其数据集已发布在Hugging Face；代码托管在GitHub，并已集成到TerraTorch工具包中。

## 为什么重要

对于行星科学家来说，这款开放模型提供了现成的AI工具，只需较少的人工标注样本，就能识别冰层和陨石坑，从而加快月球资源研究。对于关注未来月球任务的人来说，更精确的冰层地图有助于确定着陆地点，或寻找可用于制造火箭燃料的水。不过，该模型不能替代直接测量；其地理坐标仍可能偏差数十度。

## 来源与参考

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

最后更新: 2026-10-04