月球遥感资料常被描述成“多源丰富”：有光学、光谱、热、雷达、重力和元素组成。但 GIS 团队真正要面对的是同一网格上各通道的覆盖并不相同，空间分辨率和观测条件也不同。若把缺测直接填零，再把所有层堆成一个张量，模型学到的可能是采样版图，而不是月表过程。
Moonstone 是一篇面向月球遥感的多模态基础模型与基准论文。它把“哪些模态可用、在何处可用”写进预训练机制，并用地理纬度带检验空间外推。对 GIS 而言，最有价值的不是某一个分数，而是把覆盖率、通道语义和地理留出区变成模型上线前可验收的合同。
Moonstone 的 MG-MAE 架构图
图：论文的 MG-MAE 流程：七个模态组各自形成 token，按覆盖率掩码，再进入共享编码器。虚线雷达组表示不可用模态。
可核查事实：数据口径
Moonstone 的 arXiv v1 于 2026 年 7 月 3 日发布，论文页标注为 ECCV 2026 接收稿。作者将其定义为月球遥感的多模态基础模型和基准。
论文构建的全球预训练数据含 28 个通道，空间采样为每度 128 像素，约合 237 米；这些通道来自五项任务的七类仪器数据。数据模态包含光学影像、光谱、热发射、雷达、重力与元素组成。
模型 MG-MAE 不是把 28 层一并送入同一个前端：它按模态组生成 token，每组用卷积投影，再由共享 ViT 编码器做跨模态注意力。论文图示的七个模态组代表 28 个通道的分组口径。
对于缺失的模态，作者用注意力掩码排除不可用 token；掩码比例还随覆盖率调整，论文图注给出约 60% 至 85%。这意味着“没有雷达观测”在计算中应是不可用，而不是雷达值为零。
Moonstone 基准有 6 项下游任务，覆盖分类、回归和分割。作者报告在线性评测中，MG-MAE 的地质分类准确率为 52.4%，ImageNet 预训练为 33.2%；其最大相对提升包括地质分类 +16.2 个百分点与陨石坑分割 +14.7 个 mIoU。这些数字属于论文作者的比较设置。
作者还做了地理泛化：训练样本位于南北纬 60 度内，验证在 60 至 70 度，测试在 70 至 80 度。论文称这种划分的绝对表现通常低 3 至 5%，但 MG-MAE 的相对优势仍在。
核心机制：把缺测当作数据状态，而不是数值
多模态模型常见的失误是把缺测编码为零、均值或一个统一占位符。对于月球遥感，这会混淆三件事：该地点真实信号很低、传感器没有覆盖、观测被质量控制剔除。Moonstone 的多模态做法将模态按组编码，并通过注意力掩码让共享编码器只读取可用观测。
覆盖率自适应掩码进一步避免高覆盖层在预训练中压过低覆盖层。它并不补足未观测区域，也不把低覆盖模态变成同等可靠的数据；它只是把“哪些 token 有资格参与计算”明确写入模型。
这对 GIS 基准同样适用。每个栅格或图块应同时记录数值层、有效像元掩码、原始观测时间、传感器、重投影和归一化版本。模型看到的输入合同必须能回读：某个预测到底使用了哪些模态，哪些模态没有覆盖。
GIS 场景：先建通道合同，再谈统一底图
建立月球或地球观测多模态底图时，可为每个通道登记网格定义、单位、分辨率、空间覆盖、时间范围、质量标志和来源任务。统一网格只解决地址一致，不能证明各层具备同样的观测条件。
在训练集构造中，把“观测可用性”作为一等字段。不能把缺失热通道补成零后再声称模型使用了热信息；也不能把不同日期、不同太阳高度角的层当作同步快照。模型输出应保留输入模态清单和覆盖率摘要，便于地图端把预测标成可复核候选，而不是权威制图成果。
在模型评估中，随机抽样会让相邻图块同时进入训练与测试，夸大空间泛化。Moonstone 采用纬度带留出，提供了一个直接的 GIS 思路：把测试区与训练区按地理范围隔开，并按地貌、纬度、观测条件和覆盖率分层报告。
技术路径：从数据层到地理外推验收
- 定义规范网格与每个通道的单位、空间分辨率、时间口径和质量掩码。
- 生成覆盖率图层：区分未观测、无效像元、真实零值和经插值生成的值。
- 按传感器或物理量分组编码，训练时显式传入可用模态掩码，不以填充值替代缺测状态。
- 为每次推理记录输入模态、覆盖比例、数据版本、重采样方法与地理范围。
- 用相互隔离的空间单元做训练、验证和测试；再按低覆盖区、地貌类别与观测条件分别报告基准。
- 将预测、输入覆盖图和原始数据链接写回 GIS 图层，支持复核、再训练与失效定位。
检查清单
- 每个多模态通道是否有单位、网格、来源、时间、质量和覆盖率元数据。
- 是否能区分未观测、无效、插值与真实零值。
- 模型是否显式接收模态可用性掩码，而非只接收填补后的数值。
- 每个预测是否能回读使用过的通道、覆盖率和数据版本。
- 测试区是否与训练区地理隔离，并按覆盖条件分层给出基准。
- 是否避免把论文的单一数据集指标直接写成业务效果承诺。
风险
Moonstone 的性能由作者在其数据、标签和比较模型下报告，不能直接代表月球业务制图或地球观测项目的效果。低覆盖模态可能与区域、地貌或任务轨迹高度相关，若没有单独的覆盖分析，模型仍可能把采样偏差当作地学模式。
地理留出也不是终点。纬度带能减少近邻泄漏，却不能自动覆盖不同太阳照明、仪器标定、时相变化或未来任务的数据漂移。高影响科学结论仍需回看原始观测、物理模型和领域专家判读。
结论
Moonstone 将月球遥感的多模态问题从“多加几层数据”推进到“明确每层何时可用、如何缺失、能否在新区域成立”。GIS 团队可以借此把覆盖率与地理留出写进数据和模型基准：先让每个预测可回读输入证据，再讨论基础模型能否跨区域复用。