NASA‑IBM 推出開源月球基礎模型，預測極地冰層與偵測隕坑

NASA‑IBM 推出開源月球基礎模型，預測極地冰層與偵測隕坑

美國太空總署（NASA）與 IBM 研究部聯手，結合多所學術機構，正式釋出 NASA‑IBM Lunar Foundation Model。這是首批針對月球科學的開源基礎模型（foundation model），可將數十年累積的觀測資料轉化為機器學習可直接使用的資源，尤其在 預測極地冰層 與 偵測隕坑 兩大任務上表現突出。

背景與技術核心

傳統月球研究多依賴大量未標記的影像與測量資料，標註工作成本高昂。基礎模型的概念是先以海量未標記資料進行預訓練，再以少量已標記樣本微調以完成特定任務。研究團隊從 SomBench——目前最大、同時註冊的多模態月球語料庫——全新訓練模型。SomBench 包含近 200 萬個瓦片組合，涵蓋 11 種模式與兩種空間尺度，其中約 100 萬張高解析度影像來自 狹角相機 (NAC)（解析度約 1 公尺/像素），另有 96.4 萬張寬角相機的多光譜影像（解析度 100 公尺/像素）。

資料來源以 月球勘測軌道器 (LRO) 17 年的觀測為主，資料量超過其他所有 NASA 行星任務的總和，並輔以 GRAIL（重力場）、Lunar Prospector（氫含量）以及日本宇宙航空研究開發機構 (JAXA) 的 Kaguya/SELENE（礦物學）等任務的補充。整體語料庫包含 30 多層空間對齊的資料層，並以地圖區域而非隨機切分方式防止訓練、驗證與測試資料洩漏。

模型本身基於 TerraMind（多模態地球觀測模型），但此次從零開始訓練，並將每個瓦片的影像幾何資訊（光照角度、太陽位置、瓦片範圍）作為明確上下文輸入。月球表面的光照幾何對外觀影響遠大於材質本身，提供此資訊可讓模型直接聚焦於真實特徵，而非自行校正光照效應。另採用 FlexiViT 技術，使同一模型可因應不同影像區塊大小而無需重新訓練，兼顧高解析度細節與大範圍上下文。

影響與應用成果

測試結果顯示，模型在 100 公尺與 1 公尺尺度的隕坑偵測 以及 極地冰層分布預測 上均達到高精度，同時也能分割年輕火山地形——不規則月海斑塊（Irregular Mare Patches, IMPs）。這意味著科研人員只需提供少量標註樣本，即可快速部署於不同月球任務，顯著降低資料前處理門檻。

未來展望

作為首批開源月球基礎模型，NASA‑IBM Lunar Foundation Model 為全球月球研究社群提供了可自由取得、可自行微調的工具。未來若結合即將到來的 Artemis 任務與更多國際探測計畫，模型有望持續擴充至月球地下結構、礦產資源評估等更廣泛領域，為人類在月球的長期居留與資源利用奠定資料基礎。讀者若對月球科學或機器學習感興趣，現在正是參與開源社群、貢獻標註資料、共同推動月球探索的最佳時機。