En 2026, la cartographie de la Lune bascule dans une nouvelle ère : un seul modèle open source, entraîné sur près de 2 millions d’images et plus de 30 couches de données, permet désormais de repérer cratères, glace et anomalies avec une précision inédite. Cette bascule ne vient pas d’un « nouveau télescope », mais d’un foundation model dédié à la Lune, publié en open source par la NASA et IBM et accessible à n’importe quel labo ou équipe dev. La question n’est plus « peut-on cartographier la Lune avec de l’IA », mais plutôt : « comment le faire proprement, rapidement, et avec les bons outils en 2026 ? ». Ce guide propose une méthode concrète, étape par étape, pour monter une chaîne de cartographie lunaire moderne, en s’appuyant sur les ressources les plus récentes : Lunar Foundation Model, dataset SomBench, benchmarks publics et missions récentes.

Ce que change le Lunar Foundation Model pour la cartographie lunaire

Le point de bascule, c’est qu’on dispose désormais d’un foundation model lunaire open source qui unifie image, topographie, gravité et données thermiques dans un seul backbone.

En septembre 2026, la NASA et IBM annoncent le NASA‑IBM Lunar Foundation Model (LFM) comme l’un des premiers modèles de fondation ouvert spécifiquement conçu pour la science lunaire. Le modèle est entraîné principalement sur 17 ans d’observations de la sonde Lunar Reconnaissance Orbiter (LRO), lancée en 2009 et toujours en service, ce qui représente un corpus d’environ 2 millions de tuiles d’images. Parmi ces données, plus d’un million d’images ont une résolution d’environ 1 mètre par pixel, et près de 964 000 images multispectrales tournent autour de 100 mètres par pixel. Le modèle ne se limite pas à LRO : il intègre aussi des couches issues de la mission GRAIL (gravité), de Lunar Prospector et de la mission japonaise SELENE/Kaguya, pour constituer plus de 30 couches spatiales alignées issues de neuf instruments sur quatre missions.

💡 À retenir : LFM n’est pas un « modèle de vision » isolé, mais un backbone multimodal qui sait relier image, relief, gravité et signaux physiques pour produire des cartes scientifiques adaptées aux besoins des missions Artemis.

L’objectif affiché par NASA et IBM est clair : réduire le goulot d’étranglement entre les décennies de données accumulées et les cartes exploitables pour la navigation, la prospection de glace, le choix d’implantation de bases ou l’étude des phénomènes géologiques. Le modèle est publié en open source, avec ses poids, son code de fine-tuning, des jeux de données de benchmark et un rapport technique, sur une plateforme de modèles open source grand public. Cette ouverture permet à tout dev ou équipe de recherche d’utiliser LFM comme point de départ pour des tâches de cartographie spécifiques : détection de cratères, estimation de glace, suivi des changements de surface ou cartographie de régions volcaniques.

SomBench : le dataset de référence pour entraîner et benchmarker

La brique clé pour faire de l’IA sur la Lune en 2026, c’est le dataset SomBench, pensé dès le départ pour le machine learning.

SomBench est présenté par IBM comme un dataset lunaire unifié, « machine-learning ready », qui agrège plus de 30 couches spatiales alignées provenant de neuf instruments et quatre missions. Ce dataset regroupe notamment :

• les images Wide Angle Camera (WAC) de LRO à environ 100 m/pixel,
• les images Narrow Angle Camera (NAC) de LRO à environ 1 m/pixel,
• des cartes de gravité de GRAIL,
• des données de Lunar Prospector,
• des couches issues de SELENE/Kaguya.

Au total, SomBench rassemble environ 963 609 bundles WAC et 1 000 113 bundles NAC, soit près de 2 millions de tuiles co‑enregistrées sur deux résolutions principales. Ces tuiles sont organisées en « bundles » multimodaux qui alignent, pour une même zone, image optique, topographie, gravité, parfois signaux thermiques ou composition.

💡 À retenir : SomBench est conçu pour remplacer les pipelines maison où l’on devait recaler manuellement des couches disparates ; il fournit directement des tuiles alignées, prêtes pour l’entraînement d’un modèle.

Autre point important : le pré‑training LFM s’appuie sur SomBench, mais le dataset est aussi pensé pour la communauté. Les équipes NASA‑IBM publient des collections de benchmark autour de trois tâches phares :

• prospection de glace dans les cratères polaires ombragés,
• détection de cratères (taille, forme, localisation),
• analyse de structures volcaniques (mare basaltique, anomalies).

Pour un dev, SomBench fournit donc directement :

• des jeux de données annotés pour évaluer les modèles,
• des splits entraînement/validation/test documentés,
• des métriques recommandées (précision, rappel, F1, AUC) pour comparer les approches.

Benchmarks et performances : ce que l’IA gagne sur la glace et les cratères

La nouveauté de 2026, ce n’est pas seulement la publication d’un modèle, mais le fait qu’il arrive avec des benchmarks publics montrant le gain par rapport aux méthodes classiques.

Sur la prospection de glace dans les cratères polaires en ombre permanente, la communication NASA‑IBM insiste sur un gain de performance chiffré : un modèle dérivé de LFM affiche environ 22 % d’amélioration de précision pour localiser les zones où la glace pourrait être présente sous la surface, par rapport aux approches antérieures fondées sur une seule modalité. Ce gain provient de la capacité du modèle à combiner :

• les signaux optiques très faibles dans les régions sombres,
• les données thermiques et de réflexion,
• les anomalies de gravité,
• la géométrie des cratères.

Pour la détection de cratères, les benchmarks montrent que LFM, fine‑tuned sur SomBench, surpasse des architectures plus classiques d’object detection ou de segmentation, en particulier sur les petits cratères et dans les zones à fort bruit. Un article de vulgarisation explique que le modèle est testé sur des jeux de données où les cratères sont étiquetés, et qu’il atteint des scores de F1 supérieurs aux pipelines de détection précédents sur ces benchmarks publics.

💡 À retenir : l’intérêt de LFM n’est pas seulement la multimodalité ; c’est aussi le fait que ses performances sont documentées, comparées et reproductibles via des benchmarks publiés.

Sur les structures volcaniques (mare basaltique, anomalies comme les « irregular mare patches »), les tests indiquent que le modèle facilite l’identification de zones géologiquement atypiques, en croisant relief, composition et anomalies locales. Ces capacités sont cruciales pour les équipes qui cherchent des sites d’atterrissage scientifiques ou des régions susceptibles de bénéficier d’exploration robotique.

Missions récentes et systèmes de navigation IA pour la cartographie

L’IA ne se limite pas aux modèles d’analyse au sol ; elle est également utilisée pour guider les missions de cartographie elles‑mêmes.

Un exemple récent est le système STELLA (Spacecraft craTer‑basEd Localization for Lunar mApping), développé par des chercheurs de l’Australian Institute for Machine Learning et du Andy Thomas Center for Space Resources. STELLA est un système de navigation par cratères, où l’IA détecte les cratères visibles pour un vaisseau via sa caméra, les fait correspondre avec des cratères sur une carte lunaire préexistante, et utilise cette correspondance pour estimer la position du vaisseau. Le système est décrit comme adapté aux missions de cartographie de longue durée, en fournissant une localisation robuste dans des environnements où les GPS n’existent pas.

💡 À retenir : STELLA illustre une chaîne complète : des cartes produites par LRO et des modèles IA, puis utilisées par un autre système IA pour permettre la localisation en temps réel.

Côté missions, Lunar Trailblazer devait être une petite mission de cartographie ciblée sur l’eau lunaire. Ce nanosatellite a été lancé le 26 février 2025 pour détecter et cartographier l’eau à la surface de la Lune, avec l’objectif de quantifier la forme, l’abondance et la distribution de l’eau. La mission a toutefois été interrompue : après une perte de contact dès le lendemain du lancement, les équipes ont officiellement mis fin à la mission au 31 juillet 2025. Même si Lunar Trailblazer n’a pas pu fournir de données opérationnelles, son concept illustre la direction des missions futures : des plateformes plus petites, dédiées à des cartes thématiques (eau, ressources) plutôt qu’à une imagerie purement géométrique.

Par ailleurs, des travaux de détection d’anomalies sur les images LRO sont décrits par des institutions de recherche comme un premier système automatisé capable d’identifier rapidement des images « scientifiquement significatives » parmi les millions de clichés disponibles. Ce type de filtre, appliqué en amont, permet d’accélérer la transformation de données en cartes et en catalogues d’objets (cratères, dômes, anomalies).

Outils IA concrets pour dev : LFM, TerraTorch et écosystème open source

Pour un dev ou une équipe produit, la question clé est : quels outils concrets utiliser en 2026 pour travailler sur la cartographie lunaire ?

Le Lunar Foundation Model est publié avec :

• ses poids sous une licence open source de type Apache 2.0,
• un code de fine-tuning pour adapter le modèle à des tâches spécifiques,
• des datasets de benchmark (SomBench et dérivés),
• un rapport technique détaillant l’architecture et les performances.

Le tout est accessible sur une plateforme de modèles open source populaire (type Hugging Face), avec également une intégration au toolkit open source TerraTorch, un outil Python pensé pour les modèles géospatiaux. TerraTorch fournit des briques pour charger des tuiles géospatiales, gérer les projections, assembler des mosaïques et orchestrer l’entraînement sur GPU.

Exemple de workflow dev minimal

Une chaîne de travail de base pour cartographier la Lune avec LFM, en 2026, peut ressembler à ceci :

1. Récupérer les poids et le dataset

• Télécharger les poids du Lunar Foundation Model.
• Monter l’accès au bucket public contenant SomBench (tuiles WAC et NAC, couches gravité, etc.).

2. Configurer l’environnement Python

bash conda create -n lunar-ia python=3.11 conda activate lunar-ia pip install terratorch torch torchvision

3. Charger quelques tuiles et le modèle

python from terratorch import LunarDataset from lunar_fm import LunarFoundationModel

Dataset simplifié

dataset = LunarDataset( root="/data/sombench", modalities=["optical", "topography", "gravity"], resolution="high" # ~1 m/pixel )

model = LunarFoundationModel.from_pretrained("nasa-ibm/lunar-fm")

4. Fine-tuning pour une tâche (par exemple détection de cratères)

python model.finetune( task="crater_detection", dataset=dataset, epochs=10, lr=1e-4, )

5. Générer une carte (segmentations ou heatmaps) pour une région donnée et l’exporter dans un format SIG.

💡 À retenir : la grande nouveauté pour un dev, c’est qu’on n’a plus besoin de réinventer l’architecture ; on branche un backbone spécialisé Lune sur un dataset déjà aligné, et on se concentre sur la tâche (glace, cratères, anomalies).

Coûts d’infrastructure : ordres de grandeur

Les ressources sont open source, mais il faut de la puissance de calcul pour entraîner et inférer. En 2026, les grandes plateformes de cloud proposent des GPU type A100 ou H100 à des tarifs qui restent de l’ordre de 2 à 4 $/h pour du compute spot sur certaines régions (valeur indicative fondée sur les tarifs publics observés 2025‑2026 pour GPU de ce segment). Pour un petit projet de fine‑tuning sur SomBench (quelques dizaines de milliers de tuiles), un budget de 500 à 2 000 $ de compute GPU par mois est un ordre de grandeur plausible pour une équipe, en fonction du nombre d’expériences. Ces chiffres sont des extrapolations raisonnables à partir des grilles de prix publiques des grands clouds, et non des données chiffrées fournies par NASA ou IBM.

Comparatif d’outils et approches IA pour cartographier la Lune

Pour structurer un projet, il est utile de comparer les options : utiliser directement LFM, développer un modèle interne, ou combiner avec des systèmes comme STELLA.

Voici un tableau comparatif simplifié de trois approches représentatives en 2026 :

💡 À retenir : LFM est la solution la plus « plug‑and‑play » pour la cartographie scientifique, SomBench la base idéale pour qui veut concevoir ses propres modèles, et STELLA la brique de navigation pour utiliser ces cartes dans des missions.

Méthode 2026 : une chaîne complète pour cartographier la Lune

En pratique, comment structurer une méthode 2026 pour cartographier la Lune avec l’IA ? Voici une feuille de route réaliste, alignée sur les ressources disponibles.

1. Définir le type de carte

Avant d’écrire une ligne de code, clarifier le type de carte à produire :

• Carte de cratères (densité, taille, profondeur).
• Carte de prospection de glace (probabilité de présence, profondeur estimée).
• Carte de risques pour les sites d’atterrissage (pentes, blocs, régolithe).
• Carte d’anomalies géologiques (mare basaltique atypique, features rares).

Chaque type de carte va sélectionner différentes modalités dans SomBench et différentes sorties du modèle.

2. Sélectionner les couches et résolutions

Avec SomBench, on peut choisir :

• les tuiles NAC (résolution ~1 m/pixel) pour les détails fins,
• les tuiles WAC (résolution ~100 m/pixel) pour les cartes globales,
• les couches de gravité (GRAIL) pour la prospection de glace ou de structures profondes,
• les couches de topographie pour les risques d’atterrissage.

Pour une carte de prospection de glace polaire, par exemple, on privilégiera :

• données optiques des régions en ombre permanente,
• signal thermique et topographie,
• anomalies de gravité.

3. Choisir le backbone IA

Deux options principales :

• utiliser LFM et le fine‑tuner pour la tâche visée,
• concevoir un modèle maison (UNet, Vision Transformer) entraîné from scratch sur SomBench.

En 2026, LFM offre un avantage de départ significatif : il est déjà pré‑entraîné sur la totalité du corpus, et les benchmarks montrent qu’il surpasse des architectures généralistes sur les tâches de glace et de cratères.

4. Configurer le pipeline de data et de compute

L’étape suivante consiste à :

• monter un pipeline pour lire les tuiles SomBench, gérer les indices spatiaux et les splits train/val/test,
• définir la stratégie de augmentation de données (rotation, changement d’échelle, bruit) pour rendre le modèle robuste,
• réserver et optimiser le compute GPU (ordres de grandeur : quelques centaines à quelques milliers de dollars par mois selon l’ampleur du projet).

5. Entraîner, valider, benchmarker

Sur les benchmarks fournis :

• lancer un fine‑tuning de LFM sur les tâches ciblées,
• mesurer les métriques publiées (précision, rappel, F1, AUC) et les comparer aux valeurs de référence,
• tester la généralisation sur des régions non incluses dans les benchmarks.

6. Générer les cartes opérationnelles

Une fois le modèle validé :

• inférer sur toute une région ou sur l’ensemble des pôles,
• produire des heatmaps (probabilité de glace, densité de cratères),
• exporter dans des formats compatibles SIG (GeoTIFF, vecteur),
• documenter les incertitudes et les limites (résolution, biais possibles).

💡 À retenir : la « méthode 2026 » repose sur un écosystème complet : dataset, foundation model, benchmarks et outils géospatiaux, plutôt que sur un unique modèle monolithique.

Notre avis : qui doit passer à l’IA lunaire dès maintenant ?

La cartographie lunaire avec l’IA reste un domaine de niche, mais l’ouverture du Lunar Foundation Model en 2026 change le profil des acteurs qui peuvent y entrer.

Pour les laboratoires de planétologie et les équipes impliquées dans Artemis, la question ne se pose plus vraiment : l’accès open source à LFM et SomBench est un levier direct pour produire des cartes mieux informées sur la glace, les cratères et les anomalies, et pour préparer la sélection de sites de bases. Pour les équipes IA géospatiales qui travaillent déjà sur Terre (imagerie satellite, agriculture, risques), l’écosystème TerraTorch + LFM ouvre un terrain de jeu scientifique très similaire, avec des problématiques de projection, de résolution et de fusion multimodale déjà familières.

À six mois, il est raisonnable d’anticiper :

• une montée en puissance des premiers forks de LFM adaptés à d’autres corps (Mars, astéroïdes),
• une intégration plus poussée des modèles de navigation comme STELLA avec des backbones de cartographie pour des missions autonomes,
• des outils « clé en main » pour convertir les sorties de LFM en produits utilisables dans les chaînes SIG classiques.

La vraie question pour les devs est peut‑être moins « faut‑il y aller ? » que « comment capitaliser sur ce modèle spécialisé » : pour ceux qui maîtrisent déjà les LLM et les modèles de vision, la Lune devient un cas d’usage concret où l’IA ne produit pas des textes, mais des cartes qui décideront des futurs sites d’atterrissage.

Quel sera le premier projet francophone à publier une carte lunaire issue directement de LFM et SomBench, avec un code entièrement open source ?