NASA 和 IBM 的开放月球模型将 17 年的月球轨道数据转化为卫星科学建设
NASA 和 IBM 研究中心发布了一个构建开放月球的模型，该模型经过 17 年的月球观测研究。该模型结合了来自多个仪器和任务的数据，为卫星科学创建了可重复使用的基础。
NASA-IBM 月球基金会模型旨在支持陨石坑检测、冰沉积预测和不规则斑块分割等任务。研究人员表示，该模型可以很好地预测月球两极可能存在的冰沉积。
约 200 万个月球观测数据包
该团队使用 SomBench 从头开始训练模型，据报道，SomBench 是迄今为止最大的多模态鱼类语料库。该数据集包含 11 种方法和两种空间尺度的约 200 万个图块。
窄角相机（NAC）拍摄约100万张高分辨率图像，每像素分辨率约1米。与此同时，广角相机 (WAC) 提供了近 964,000 张多光谱图像，分辨率为每像素 100 米。
大部分数据来自 NASA 月球勘测轨道器 (LRO) 17 年的观测。该数据集还包括来自 GRAIL 任务、月球勘探者和 JAXA Kaguya/SELENE 探测器的数据。
该套件总共结合了来自 9 台仪器和 4 项任务的 30 多个数据层。研究人员按地图区域对数据集进行地理划分，以避免训练、验证和测试之间的泄漏。
月光条件的模型计算
NASA-IBM 模型基于多模式地球观测模型 TerraMind。然而，研究人员从头开始训练月球模型，而不是调整现有系统。
对于每一层，模型将图像几何形状作为清晰的上下文。这包括照明角度、太阳的位置和瓷砖的度数。
这种方法针对的是观测月球的具体问题。照明几何形状会影响月球表面的外观。因此，直接提供这些信息可以帮助模型区分光照效果和真实的表面属性。
该模型还同时处理高分辨率和粗糙图像。因此，它可以研究精细的表面细节和更广泛的地质背景。 FlexiViT 进一步允许训练后的模型适应不同的图像尺寸，而无需重新训练。
冰预测显示最强劲的收益
研究人员评估了该模型，用于检测 100 米和 1 米尺度的陨石坑、预测极地冰盖以及分割不规则的斑块。
在测试的任务中，预训练模型匹配或优于一般曲线和随机启动的控制模型。
冰沉积的预测有了很大的进步。月球两极附近的永久阴影区域仍然足够冷，足以长时间容纳水冰。这些沉积物可以提供水、氧气和火箭燃料。
据IBM称，该模型与SwinV2-B相比，预测误差降低了22%。
对于粗尺度的陨石坑检测，该模型也表现强劲。 IBM 报告称，与 SwinV2-B 相比，性能提高了约 19%，同时仅使用了一半的可用训练数据。该结果表明该模型可以使用更少的标记示例有效地工作。
多模式数据处理提高性能
该模型的部分性能似乎来自于它处理不同类型数据的方式。系统为每个数据层提供了自己的处理路径，而不是将每个输入视为简单的通道堆栈。
有趣的是，即使是随机初始化的控制模型也优于没有鱼预训练的五个冰预测器。因此，研究人员将数据处理视为结果背后的一个因素。
然而，在米级陨石坑的检测和母马斑块的不规则分割方面，该模型具有广泛的可比性，具有强大的基础。 IBM 报告称，在不规则补丁方面比 SwinV2-B 有 3% 的优势，尽管结果相对接近。
研究人员还测试了 LoRA，这是一种更轻量级的方法，仅训练模型参数的子集。 LoRA 总体上与完全微调相匹配，并且在弹坑检测方面表现更好，而完全微调则优于两个最小的任务。
分析工具，而非物理测量工具
鱼骨模型旨在帮助研究人员将不同仪器的观察结果联系起来，并识别可以单独识别的模式。
但它不能取代物理测量仪器。研究结果表明，该模型不适合绝对大地定位。在某些代测试中，经纬度相差数十度，而重建的海拔结构可能会改变绝对海拔值。
因此，研究人员将该系统视为下游科学任务的可重复基础，而不是直接测量的替代品。
还需要进一步的对照实验来隔离各个模型创新的贡献。此外，一些测试集仍然相对较小。
开放卫星模型加入了不断发展的人工智能研究
NASA-IBM 月球基金会模型及其代码、机器学习的初步数据集和基准集合可供使用。该模型也包含在开源工具 TerraTorch 中。
该项目是 NASA-IBM AI for Science 合作的一部分。自 2022 年初以来，这些组织一直根据《太空法案协议》就基本模型开展合作。
他们之前的工作包括 2023 年发布的 Prithvi 模型，该模型使用 Landsat 和 Sentinel-2 图像进行训练，用于洪水和火灾测绘等应用。
IBM 后来与欧洲航天局和于利希研究中心共同开发了 TerraMind，用于地球观测。鱼类模型建立在这种多模式基础上，同时使该方法适应月度数据。
这项工作进一步推动了将基本模型应用于科学观测的努力。通过结合跨仪器和任务的长期月球测量，NASA-IBM 模型为研究人员提供了分析月球和开发新科学项目的共同基础。
