NASA e IBM han cartografiado el mapa más detallado de la Luna hasta la fecha

NASA e IBM aplican modelos de IA para integrar datos topográficos y espectrales del LRO en la Luna, reduciendo incertidumbres en la selección de aterrizajes y la búsqueda de depósitos de hielo.

Publicado por Santiago Campillo Brocal

Biólogo. Máster en Biología Molecular y Biotecnología, Director de Muy Interesante Digital

Creado: 11.09.2026 | 08:34 Actualizado: 11.09.2026 | 08:34

¿Por qué es relevante cruzar observaciones ópticas y mediciones geofísicas en una única superficie digital? Porque una imagen satelital muy detallada, un mapa espectral de menor resolución y una medición gravitatoria regional no se convierten automáticamente en un modelo de alta precisión de cada metro cuadrado de la superficie. Y aquí aparece el primer malentendido que conviene desmontar: la escala del modelo de inteligencia artificial no equivale a la resolución del mapa sobre el terreno.

Tres claves de la nueva cartografía lunar con IA

Integrar mapas topográficos y datos espectrales de la Luna exige diferenciar lo que mide un sensor de lo que calcula un modelo estadístico.

1. La resolución no es uniforme en toda la superficie: el sistema mejora el detalle visual en zonas iluminadas, pero el interior de los cráteres oscuros depende de estimaciones probabilísticas.
2. Buscar depósitos de hielo no equivale a detectarlos: la IA ordena regiones por su firma térmica y mineralógica, aunque la presencia de agua requiere confirmación in situ.
3. Cartografía y navegación persiguen metas distintas: el mapa describe las pendientes del terreno, mientras los rovers necesitan orientación continua mediante el horizonte.

Dato medido, dato estimado, dato retocado: tres cosas distintas

Para leer con rigor cualquier avance en la exploración de la Luna, hay que distinguir tres categorías fundamentales que no deben confundirse jamás en la interpretación científica de las observaciones espaciales:

Dato observado directamente: una medición real efectuada por un instrumento orbital proporciona la base física del modelo, como la elevación calculada a partir de imágenes estereoscópicas de la cámara LROC del Lunar Reconnaissance Orbiter o la reflectancia captada en una longitud de onda específica. Es la evidencia primaria de la investigación, tan firme como los hallazgos fósiles del lago Turkana para comprender la movilidad humana antigua.

Reconstrucción generada por IA: una estimación matemática calcula los valores ausentes en zonas de sombra mediante patrones aprendidos, rellenando huecos donde los sensores no obtuvieron una medición directa. Es una hipótesis estadística de alta verosimilitud, pero no constituye una observación empírica.

Imagen visualmente mejorada: un algoritmo de procesamiento gráfico suaviza las texturas visuales sin añadir información física nueva, ofreciendo una representación más nítida que no incrementa el conocimiento científico real del terreno.

"Integrar mapas topográficos y datos espectrales de la Luna exige diferenciar lo que mide un sensor de lo que calcula un modelo estadístico."

El verdadero riesgo surge cuando estas tres capas se presentan con el mismo nivel de certeza aparente. En una cartografía espacial destinada a planificar misiones críticas mezclar mediciones directas con interpolaciones sin clasificarlas sería un error grave, tan matemáticamente inviable como la fórmula del fracaso del canibalismo cuando se analizan dietas prehistóricas.

El margen de error: lo que los datos públicos aún no dicen

Las publicaciones técnicas de IBM Research y los repositorios públicos no ofrecen todavía un margen de error global aplicable a toda la superficie lunar, expresado en métricas de precisión vertical u horizontal como RMSE o LE90. La precisión exacta dependerá siempre de la geometría de iluminación, la cobertura de los sensores y la rugosidad de la región analizada.

En una línea de investigación paralela, el proyecto de NASA TechPort número 182199, titulado Improving Lunar Map Resolution With AI, el uso de redes neuronales duplica la resolución de las imágenes LROC NAC hasta los 2 metros por píxel, superando los modelos de referencia de 5 metros derivados del altímetro láser LOLA. Sin embargo, el informe técnico no desglosa el margen de error métrico en zonas de relief extremo.

"Para elegir un lugar de aterrizaje seguro, el peligro no es el error medio del mapa, sino los fallos extremos en sombras permanentes."

Esta ausencia de métricas específicas resulta decisiva para la ingeniería aeroespacial. Para un módulo de descenso un promedio de error aceptable a escala global resulta insuficiente, si el sistema genera una superficie aparentemente plana en el interior de un cráter polar que en realidad oculta un bloque rocoso o una pendiente escarpada. Los fallos localizados en regiones mal iluminadas representan el mayor riesgo operativo para los vehículos espaciales.

Tres aplicaciones concretas con sus matices técnicos

La integración de datos desarrollada por los equipos de NASA e IBM abre posibilidades operativas en tres áreas estratégicas de la inteligencia artificial:

La selección de lugares de aterrizaje descartando geometrías desfavorables permite comparar regiones extensas, definiendo zonas óptimas antes del descenso. La segunda aplicación es la priorización de depósitos de hielo en los polos lunares. Conviene subrayar que identificar una zona con alta probabilidad de albergar volátiles no equivale a detectar agua líquida o hielo de forma directa: el modelo espacial analiza firmas térmicas y espectrales, pero la presencia del recurso debe confirmarse mediante perforación in situ.

"Un mapa de probabilidad de hielo polar no es una perforación: la hipótesis debe confirmarse siempre con instrumentos independientes."

La tercera función es la planificación de rutas autónomas estableciendo trayectos óptimos, una tarea distinta de la navegación en tiempo real. Mientras el mapa describe la estructura del terreno, investigaciones independientes en el centro NASA Goddard, lideradas por el ingeniero Alvin Yew, desarrollan algoritmos que comparan el perfil del horizonte con datos altimétricos para lograr una precisión de localización inferior a 9 metros. Cartografiar define el entorno; navegar determina la posición exacta del rover.

Qué puede y qué no puede hacer esta IA

El modelo desarrollado por NASA e IBM demuestra una capacidad notable para unificar conjuntos de datos heterogéneos y estructurar capas de información, identificando patrones geológicos complejos reutilizables para la comunidad científica. Sin embargo, el sistema no puede generar datos físicos donde nunca existió una medición instrumental, ni sustituir la confirmación experimental sobre el terreno.

El valor principal de esta herramienta cartográfica reside en su capacidad para ofrecer estimaciones acompañadas de su grado de incertidumbre asociada. Al igual que los avances biológicos en materiales como el hongo chino capaz de reparar tejidos demostrando que la estructura debe responder activamente al entorno, los modelos informáticos más rigurosos no son aquellos que simulan una certeza absoluta, sino los que delimitan con precisión el alcance exacto de sus observaciones. En la exploración espacial, el mapa más fiable seguirá siendo aquel que reconozca dónde empiezan sus propias sombras.

Referencias

• NASA TechPort (2025). Improving Lunar Map Resolution With AI. Project ID 182199. NASA Technology Portfolio.
• LRO Science Team (2024). Lunar Reconnaissance Orbiter Camera Narrow Angle Camera (LROC NAC) Topographic Products. NASA Planetary Data System.
• IBM Research (2025). Geospatial AI Foundation Models for Planetary Exploration. IBM Technical Reports.