LunarFM：構建月球表面多模態基礎模型與共享表征空間
隨著全球對月球原位資源利用及持續駐留探索的重新關注，高精度月球表面表征需求日益迫切。儘管軌道遙感數據量龐大，但異構儀器觀測、稀疏標籤和專用工作流導致科學分析碎片化。本文提出 LunarFM，一種從多樣化軌道測量中學習月球通用表征的多模態基礎模型。該模型整合三個月球任務的六款儀器數據，將 18 個輸入通道映射到統一嵌入空間。實驗驗證了其在相似性搜尋、少樣本資源映射、礦物豐度回歸及地質單元分類等下游任務上的有效性。研究團隊同步發布了涵蓋南緯 70° 至北緯 70° 的共註冊多模態數據集、預訓練遮罩自編碼器以及 768 維聯合表征嵌入數據，全部代碼與數據已開源。
在人类重返月球并建立长期存在的前夕，如何高效利用海量的轨道遥感数据成为制约月球科学探索与资源开发的关键瓶颈。当前，尽管我们积累了庞大的观测数据，但由于不同任务、不同仪器之间的数据异构性，以及标签数据的极度稀疏，传统的科学分析往往依赖于针对特定任务定制的建模工作流，导致知识难以复用，分析流程碎片化严重。针对这一痛点，本研究提出了LunarFM，这是一个开创性的多模态基础模型，其核心贡献在于构建了一个统一的月球表面共享表征空间。LunarFM不再局限于单一模态或单一任务，而是通过深度学习技术，从多样化的轨道测量中提取出具有高度通用性的月球表面特征表示。这一工作不仅解决了多源数据融合难题，更为后续的低资源场景下的科学发现提供了强大的底层基础设施，标志着月球数据科学从专用模型向基础模型范式的重要转变。
在技术实现层面，LunarFM采用了先进的多模态掩码自编码器架构，以实现跨模态信息的深度融合与表征学习。具体而言，该模型整合了来自三个不同月球任务的六个关键仪器的观测数据，涵盖了从地形地貌到光谱成分等多维度的物理信息。系统性地，模型将多达18个输入通道的高维异构数据，通过编码器映射到一个统一的768维共享嵌入空间中。这种设计使得不同来源、不同性质的观测数据能够在同一语义空间内进行对齐与比较。通过掩码自编码器的训练策略，模型被迫学习月球表面各物理量之间的内在关联与互补信息，从而在缺乏大量标注数据的情况下，依然能够捕捉到月球表面复杂的地质结构与物质分布规律。
这种共享嵌入空间不仅保留了原始数据的丰富细节，还极大地降低了后续下游任务的数据预处理成本，实现了从原始观测到科学语义的高效转换。为了验证LunarFM的有效性与泛化能力，研究团队在多个具有挑战性的下游任务中进行了广泛的实验评估。实验涵盖了相似性搜索、少样本资源映射、矿物丰度回归以及地质单元分类等关键科学应用场景。结果表明，基于LunarFM提取的共享嵌入空间，模型在少样本条件下仍能实现高精度的资源映射与矿物成分估算，显著优于传统基于单一模态或手工特征的方法。特别是在地质单元分类任务中，该模型展现出了强大的语义理解能力，能够准确识别不同地质构造的边界与特征。
此外，研究还通过消融实验证实了多模态融合对于提升表征鲁棒性的重要性，单一模态输入在复杂地质区域的性能明显下降，而多模态联合表征则有效弥补了数据缺失与噪声干扰。这些关键结果不仅证明了LunarFM在科学分析上的优越性，也展示了其在资源导向型分析中的巨大潜力。LunarFM的发布对月球探索社区及更广泛的地球科学领域具有深远的行业意义。首先，研究团队开源了涵盖南纬70度至北纬70度的共注册多模态观测数据集、预训练模型权重以及配套的嵌入数据集，这为全球科研人员提供了一个高质量、机器可读的标准基准，极大地降低了月球数据研究的门槛。其次，这种基础模型范式有望推动月球科学从"数据驱动"向"知识驱动"的转型，加速原位资源利用（ISRU）技术的研发进程，为未来的月球基地选址与资源开采提供实时、精准的科学依据。最后，LunarFM所采用的多模态基础模型架构与共享表征学习方法，也为火星及其他天体的遥感数据分析提供了可借鉴的技术路径，有望激发跨行星科学研究的创新浪潮，促进人类对太阳系天体认知体系的统一与深化。