LunarChips

LunarChips是由剑桥大学等多机构联合构建的月球表面多模态集成数据集，旨在为月球基础模型提供机器学习就绪的训练数据。该数据集整合了来自三颗月球轨道遥感任务的六种仪器观测数据，包含18个输入通道，覆盖南纬70°至北纬70°的月球区域，共计20.16万个0.5°×0.5°的空间网格芯片。数据源自NASA行星数据系统，经过严格的空间配准、归一化处理和带状划分，形成训练集、验证集与测试集。数据集通过自监督学习支持月球表面表征学习，可应用于资源勘探、矿物丰度反演、地质单元分类等下游科学任务，为月球原位资源利用和可持续探测提供关键数据基础。LunarChips is a multimodal integrated lunar surface dataset jointly constructed by the University of Cambridge and multiple other institutions, aiming to provide machine learning-ready training data for lunar foundation models. This dataset integrates observational data from six instruments aboard three lunar orbital remote sensing missions, encompasses 18 input channels, covers the lunar region spanning 70°S to 70°N, and includes a total of 201,600 0.5°×0.5° spatial grid chips. The data, sourced from the NASA Planetary Data System, has undergone rigorous spatial registration, normalization processing and strip partitioning, and is split into training, validation and test sets. The dataset supports lunar surface representation learning via self-supervised learning, and can be applied to downstream scientific tasks such as resource exploration, mineral abundance inversion, geological unit classification and others, providing a critical data foundation for lunar in-situ resource utilization and sustainable exploration.

搜集汇总

数据集介绍

构建方式

LunarChips数据集的构建源于对月球表面多模态遥感观测数据的系统整合。研究团队从NASA行星数据系统中获取了来自月球侦察轨道器、重力恢复与内部实验室以及克莱门汀号三个任务的六种仪器数据，涵盖18个输入通道。这些原始数据经过共配准、重投影和重采样后，被映射到一个统一的球形网格上。为缓解空间泄漏问题，数据集采用对角带状划分策略将网格分为训练集、验证集和测试集，最终生成覆盖南纬70°至北纬70°区域的201,600个0.5°×0.5°经纬度图块，并以独立GeoTIFF格式存储，每个通道均基于训练集统计进行标准化处理。

特点

该数据集的核心特点在于其高度集成的多模态特性和即用型机器学习设计。它融合了光学影像、地形高程、热辐射、雷达回波、重力异常和反照率六种物理特性迥异的观测模态，为月球表面建模提供了前所未有的信息丰度。每个0.5°图块均包含18个对齐通道，消除了多源数据在时空分辨率与观测几何上的异构性。此外，数据集还附带了专家标注的元素丰度图、撞击坑注释、地质单元标签等下游任务产品，在自监督预训练阶段保持主模态纯净的同时，为后续任务提供了丰富的监督信号。

使用方法

LunarChips数据集的典型使用方式分为预训练与下游微调两个阶段。在预训练阶段，用户可直接将18通道图块输入多模态掩码自编码器进行自监督学习，通过随机遮蔽85%的图块并重构完整输入来捕获跨模态关联。预训练完成后，编码器可生成每个图块的768维全球表征向量，形成LunarEmbeddings嵌入数据集。在下游任务中，用户可直接利用这些冻结的嵌入特征，搭配轻量级回归或分类模型（如随机森林、梯度提升分类器）进行矿物丰度预测、地质单元分类、相似性检索等任务，无需对预训练模型进行微调。

背景与挑战

背景概述

LunarChips数据集由剑桥大学、德国航空航天中心、欧洲空间资源创新中心等多所国际顶尖机构在2026年联合创建，是面向月球多模态遥感数据科学研究的首个机器学习就绪数据集。该数据集的核心研究问题在于如何克服月表观测数据来源异构、多仪器成像几何与分辨率差异巨大且标注样本极为稀缺的瓶颈，为月球基础模型LunarFM的预训练提供统一、对齐、规范化的数据基础。LunarChips整合了来自LRO、GRAIL和Clementine三次任务中六种仪器的18个通道数据，覆盖70°S至70°N之间的月表区域，以0.5°×0.5°的经纬度图块形式存储，并附带元素丰度、撞击坑标注、地质单元等下游应用标签。该数据集的发布极大推动了月球遥感领域向通用表征学习范式的转型，其影响力迅速延展至行星科学、资源勘探和深空探测研究之中。

当前挑战

LunarChips所应对的首要领域挑战在于月表多模态数据的高效整合与解译——传统方法依赖针对特定任务的建模流程，难以统一处理光谱、热辐射、雷达、重力等多种物理测量信号，导致资源填图与地质分析的碎片化和低效性。该数据集在构建过程中亦面临严峻困难：不同仪器的数据在空间分辨率、观测几何、辐射特性、信噪比及覆盖范围上存在巨大差异，且大量区域存在缺失值（如Mini-RF雷达数据的NaN区域），需要精细的共配准、重新投影与归一化处理；此外，高质量地面真值标签极为稀少，尤其是矿物含量与地质单元的标注依赖专家经验和间接推断，为模型的自监督学习与下游任务评价带来了额外难度。这些挑战共同塑造了LunarChips在数据融合与少样本学习研究中不可替代的定位。

常用场景

经典使用场景

LunarChips数据集在月球科学研究的经典使用场景中，常作为多模态月球表面表征学习的基础数据源。研究者利用该数据集涵盖的六种遥感仪器、十八个输入通道，包括多光谱影像、地形高程、热红外辐射、雷达后向散射、重力异常和反照率信息，构建联合嵌入空间。典型应用包括以自监督方式预训练多模态掩膜自编码器，从而生成月球表面的高维稠密表示，为后续下游任务提供通用特征基础。该场景的核心价值在于将异构、跨任务的观测数据统一到标准化处理流程中，突破传统单一模态分析的信息壁垒，实现月球表面物理属性与地质单元的集成理解。

解决学术问题

在学术研究层面，LunarChips数据集有效解决了月球遥感领域中多源数据整合困难与标注样本稀疏的核心难题。传统工作流程中，不同仪器获取的数据在空间分辨率、观测几何、辐射定标以及覆盖范围上存在显著差异，导致物理一致的融合分析需要大量领域知识与定制化建模。该数据集通过对准、重采样与分块处理，构建了空域一致的多模态观测堆栈，使得研究者能够在统一的半度网格上进行跨模态关联分析。此举极大降低了数据预处理门槛，推动了面向月球表面资源勘探、矿物丰度反演与地质单元分类等方向的大规模、可复现研究范式，提升了科研效率与结论的鲁棒性。

衍生相关工作

LunarChips数据集的发布催生了一系列衍生性研究工作，形成了月球多模态学习的生态基础。首先，以此数据集预训练的LunarFM模型权重与配套的LunarEmbeddings嵌入数据集，被广泛用于少样本资源填图、矿物丰度回归以及地质单元分类等下游任务。其次，该数据集的构建流程启发了类似研究，如整合更多高分辨率成像数据（如LROC窄角相机影像）和时变观测的扩展版本。此外，它还为月球视觉-语言模型的发展提供了底层视觉特征支撑，相关研究利用其嵌入表示结合文本描述，构建面向月球探测的智能问答与辅助解释系统，进一步拓展了数据驱动的月球科学探索与知识发现的前沿边界。