数据可视化、质量控制和报告 — 地球物理工程中的人工智能

收益：

能够理解可视化决策（色阶、比例、垂直夸张）实际上是解释决策，并能够在多个尺度上测试异常
能够通过返回源而不完全删除它们来评估质量控制中的异常值来保留真实信号
通过识别人工智能报告草稿中的幻觉和过度精确的风险并将每个数字/引用与来源联系起来，能够保留不确定性的语言

地球物理项目的价值不是来自原始数据，而是来自从该数据中提取的可理解且可靠的图像。地震体、电阻率模型或地震目录；仅当其被可视化并正确报告时，它才对决策者有用。数据可视化是将多维地球物理数据转换为人眼可以捕获模式的格式（剖面、地图、3D 体积、直方图）。在本单元中，我们将解释人工智能 (AI) 如何成为可视化、质量控制 (QC) 和报告方面的加速器；但我们会看到图像很容易产生误导，以及为什么诚实的图像是一种道德责任。

视觉的力量和危险

在地球物理学中，视觉既是最强大的通信工具，也是最容易操纵的层。根据颜色图和增益设置，相同的地震剖面可能会显得“干净而清晰”或“嘈杂且模糊”。通过改变尺度边界，相同的电阻率模型可以使异常显得引人注目或微妙。因此，可视化决策——颜色、比例、垂直夸张、阈值——实际上是解释决策，需要诚实。

人工智能在这方面有两个方面的帮助：(1) 快速生成大量视觉效果（使用 Python 自动横截面/地图），(2) 推荐和质量控制，可视化公平地表示数据。但人工智能也可以产生“最引人注目”的图像；因此，视觉效果的选择必须有意识。

提示：在报告异常之前，请使用多个色域和比例进行绘制。仅以一种激进的比例出现的结构通常是可视化的产物而不是现实。如果该结构在最合理的尺度上保持一致，那么该结构就是可靠的。

质量控制 (QC)：真实前像

良好的报告始于良好的质量控制。 QC 是检查数据和衍生产品的物理/统计一致性：异常值、间隙、校准漂移、单位误差、坐标/时间参考不匹配。人工智能可以快速标记大型数据集中的异常痕迹、不一致的时间戳和分布变化。但并非人工智能标记的每个“异常值”实际上都是错误——有时异常值是最有价值的信号（例如真正的小异常）。这就是为什么 QC 标记在删除之前要经过专业评估。

注意：以“清洁”的名义大规模删除异常值是破坏地球物理学中真实信号的最常见方法。当人工智能将某个值称为“异常值”时，首先要回到源头并询问该值是测量误差还是实际的物理特征。

人工智能在报告中的应用：草稿是，捏造不是

人工智能（尤其是语言模型）在报告撰写方面提供了极快的速度：执行摘要、方法部分、结果的简单语言解释、术语定义。但有两个危险。第一种是幻觉——当模型产生虚假信息、数字或参考时：人工智能可以编造一个不存在的井名、错误的深度或不存在的来源。第二个是过度精确：人工智能可以将不确定的发现视为“某个水库”。这就是为什么人工智能编写的每个数字、每个名字、每个声明都与其来源相关联并得到确认；不确定性的语言被保留下来。

诚实视觉原则

诚实的地球物理图像：（1）应明确标明色阶和边界； (2)应写纵向夸张； (3) 应标记插值/预测区域； (4) 必须证明不确定性或分辨率； (5)轴和单位必须齐全。人工智能将这些原则转化为清单并帮助检查每张图像。

三个迷你箱子

案例 1 — 色阶错觉。在一份报告中，电阻率异常看起来令人震惊。在检查过程中，人们注意到尺度限制以强调异常的方式缩小；在合理的范围内，异常现象要微弱得多。一旦团队标准化了规模并增加了不确定性，演示就变得诚实且站得住脚。

情况 2 — 真实信号被删除。在重力质量控制中，人工智能将几个站点标记为“异常值”，自动清洁将其丢弃。后来事实证明，这些站存在真正的局部密度异常：删除的“异常值”实际上是目标本身。如果没有返回源头的纪律，信号就会丢失。

案例 3 — 带有捏造参考的报告。人工智能编写的一份报告草案将三个来源列为“该领域之前的三项研究”；其中两个完全是捏造的。评论员检查了所有参考资料并删除了捏造的内容。教训：人工智能生成的任何参考或编号未经验证都不会进入报告。

四个可复制模板

1) 诚实的目视检查表：

您的角色：地球物理可视化顾问。我正在准备[地震剖面/电阻率模型/异常图]。给我一个诚实的视觉检查表：色域、比例限制、垂直夸大、插值区域标记、不确定性显示、轴/单位。在每一项中写出典型的误导方式。

2）QC异常值评估：

在产量方面，人工智能将一些指标标记为异常值。在删除每个异常值之前，如何区分它是测量误差还是真实信号？我要做什么检查（返回源、邻居一致性、重复测量）？给出一个决策流程。

3）报告草稿审核：

我用人工智能写了一份地球物理报告草稿。给我一份验证清单：我应该链接到源的数字、名称、参考文献、深度；我如何找到极端确定的表达方式并将其转化为不确定的语言；如何捕获虚构参考？

4）异常目视测试：

在将异常放入报告之前，我想确保不存在可视化伪影。如何使用不同的色彩空间和比例限制测试相同的异常？什么情况下结构如果消失就不是真实的？一步步告诉我。

弱提示/强提示

弱提示：

根据这些结果准备一份令人印象深刻的报告和视觉效果。

如果“令人印象深刻”出现在诚实之前，人工智能就会夸大异常情况，也许会添加一个虚构的参考。

强力提示：

您的角色：地球物理报告专家。输入：[反演模型+不确定性+井确认]。任务：（1）撰写执行摘要和起草方法部分； (2) 对每个数字/名称/深度标注[来源]，表示待确认的； (3) 保持语言的歧义性，避免过于精确； (4)建议图像中的色阶、尺度和插值区域注释。添加虚构的参考或编号；如果您不确定，请将其标记为“必须验证”。

来源归属、含糊的语言以及禁止捏造的信息使该报告更加可靠。

可视化决策和影响

决定

合理使用

误导性用法

人工智能贡献

色阶

标准、开放

不要夸大异常现象

常见错误

以单一的侵略性规模呈现异常现象。可能存在可视化伪影；在多个尺度上进行测试。
批量删除异常值。真实信号可能被破坏；回归本源。
在未经确认的情况下使用人工智能的编号/参考。报告中透露出幻觉。
消除图像中的歧义。必须表现出决心和信任。
隐藏垂直夸张。它扭曲了对图像、状态的解释。

综上所述

可视化和报告是地球物理价值到达决策者的最后一道桥梁，也是最容易被扭曲的一层。人工智能;它是快速图像生成、QC 异常值标记和报告起草的强大加速器。但视觉决定是解释决定；视觉决定是解释决定。颜色/比例错觉、擦除真实信号、幻觉参考都是真正的风险。正确使用；就是对异常进行多尺度检验，通过回归源头来评估异常值，确认每一个数字和参考，并直观地展现不确定性。诚实的视觉效果不是一种审美，而是一种职业责任。

应用任务

选择地球物理结果（剖面、模型或地图）。使用“诚实图像清单”模板检查您的图像，并重新绘制至少两个色样/比例以评估异常是否一致。然后使用“报告草稿验证”模板生成一份简短的报告草稿，并将其中的每个问题和参考链接到来源；将至少一种极其确定的陈述翻译成不确定的语言。

清单

[ ] 我在多个色阶上测试了异常情况。
[ ] 在删除异常值之前，我回到了源头并进行了评估。
[ ] 我已核实报告中的每个号码、姓名和参考资料。
[ ] 我将极端确定性的表述翻译成不确定性的语言。
[ ] 我已经指定了图像中的比例、垂直夸大和插值区域。