收益：
- 能够理解资源勘探概念模型+地球物理特征+多方法确认逻辑，并能用已知井回测人工智能希望分数
- 能够考虑多义性，不将地震振幅异常（亮点）单独视为源证据，而是使用 AVO 和交叉数据进行确认
- 能够将方法矛盾作为信息来源进行调查，并将最终油井和投资决策留给具有风险偏好的人
地球物理学最明显的经济目的是资源勘探：石油和天然气、金属和工业矿物、地热能和地下水。这种寻找成本高昂，而且充满风险的决定——一口井需要数百万美元，一个错误的目标就会浪费金钱和时间。资源勘探是结合不同地球物理方法对资源的存在、位置和规模做出基于概率的决策的过程。在本单元中，您将了解人工智能 (AI) 如何支持数据聚合、目标优先级划分和风险评估；但我们会明白为什么资源决策永远不能留给单一的人工智能分数。
搜索的通用逻辑
每种类型的资源使用不同的物理原理，但搜索逻辑是通用的：建立概念模型（资源如何形成以及将在哪里积累的地质假设），寻找该模型预测的地球物理特征，并通过多种方法交叉验证。人工智能是这个链条每个环节的加速器——数据处理、特征提取、多方法融合、目标排序。但人工智能无法建立概念模型；它需要地质推理。
按来源类型划分的典型方法：
- 碳氢化合物（石油/天然气）：3D地震主要方法；重力/磁盆框架的振幅异常（亮点，AVO - 振幅随偏移量的变化）。
- 采矿：磁力、重力、电磁 (EM)、感应极化（IP — 矿石矿物的充电行为）、辐射测量。
- 地热：大地电磁（MT — 电阻热/渗透区）、地震、重力、温度梯度。
- 地下水：ERT、地震折射、EM、GPR；用于含水层（含水渗透层）边界。
利用 AI 确定目标优先级
勘探是从大量候选目标中为有限数量的井选择最有希望的目标的任务。 AI可以结合不同的数据层（地震属性+重力+磁力+地质）并为每个候选者生成前景分数；这使得能够在大范围内快速确定优先级。然而，这个分数只是一个概率建议，而不是保证；并且模型学到的过去的发现可能不适用于新领域。分数与概念模型和风险分析一起阅读。
提示：请务必使用已知的勘探井和干井回测 AI 希望分数。如果模型不能很好地区分过去的探索，那么它在新目标上的得分也不可靠。一个好的模型应该对已知的成功得分高，对已知的失败得分低。
不确定性和风险：勘探决策的核心
在资源搜索中，决策从来不是“是/否”；而是“是/否”。它总是与概率和风险有关。在碳氢化合物中，这是源/储层/覆盖/圈闭/时间等因素的组合概率；即矿山矿石吨位的不确定性。人工智能帮助计算这些概率并生成场景，但风险偏好和最终投资决策取决于人类。地球物理学的多义性也适用于此：地震振幅异常可以是气体，但也可以是岩性变化或加工人工产物（煤、致密砂等）。
注意：“亮点”（高振幅地震异常）本身并不能证明碳氢化合物存在；许多干井都钻出了亮点。即使AI将其标记为目标，如果可能的话，在没有通过AVO分析、地质学和其他方法确认的情况下，也不要分配高置信度。
多方法整合
采购的黄金法则：单一方法是不够的。在地热目标中，MT低电阻率（粘土覆盖层）+重力+地震+地表症状一起评估。人工智能非常擅长将这些层组合成一个通用的概率图；但考虑到每种方法的分辨率、深度和不确定性的专家整合至关重要。如果方法发生冲突，矛盾就是信息的来源——它是被探索的，而不是隐藏的。
三个迷你箱子
案例 1 — 通过回测保存营销活动。一家矿业公司根据其AI希望地图列出了8个目标。地球物理学家针对该地区 5 个已知矿石和 12 个干钻机对该模型进行了回溯测试；该模型给其中 4 项干训练给出了高分。一旦属性和训练数据得到纠正，地图就变得更加符合真实的探索，并且前两个目标发生了变化。
案例 2 — 亮点陷阱。在一个地震体中，人工智能将强振幅异常标记为气体目标。 AVO 分析表明，该异常与紧密的砂煤对比一致，而不是天然气。如果打井，井出来的时候会是干的；多方法事实核查节省了数百万美元。
案例3——化矛盾为信息。虽然地热田中的 MT 表明存在热渗透带，但地震结构尚不清楚。该团队没有隐藏矛盾，而是进行了调查。确定该深度的地震分辨率较低，MT 更可靠，并以不确定性等级保护目标。该井确认了渗透层。
四个可复制模板
1）概念模型+方法映射：
您的角色：勘探地球物理学家。目标：[碳氢化合物/铜斑岩/地热/含水层]。给我一个关于这个目标的概念模型的总结（它是如何形成的，它在哪里积累的），并绘制出哪些地球物理方法将寻找哪个特征。还写下每种方法的不确定度。
2）希望分数回测：
我用人工智能制作了一张前景图。我想用该地区已知的发现和干井对此进行回溯测试。如何设置回测、评估什么指标（发现得分高、得分低）以及如果模型较弱，我该如何修复？
3）异常多方法确认：
我有一个候选目标[亮点/磁异常/低电阻率]。通过什么回波分析（AVO、IP、MT、地质学、其他方法）我可以确认这一点，而不将其单独视为源证据？还列出可能产生异常的错误原因（岩性、人为因素）。
4) 风险和决策摘要：
您的角色：发现风险顾问。我有一个目标的地球物理发现。让我起草一份概率/风险摘要：支持和反对的证据、不确定性的来源、模糊性警告，以及“由个人做出正确决定”的注释。不要肯定地说“干/不要钻孔”；提供决策框架。
弱提示/强提示
弱提示：
查看我的数据并告诉我最佳的井位置。
1点精度期望；隐藏一词多义和风险，让人工智能成为决策者。
强力提示：
您的角色：勘探地球物理学家。上下文：[地震+重力+磁力，碳氢化合物目标，2 口井]。任务：（1）结合数据并根据希望得分对候选目标进行排序； (2) 写下每个候选人的支持和反对的证据，以及可能产生异常的原因； (3) 建议对已知分数的井进行回测； (4)明确表述一词多义和歧义。将最终井的决定留给人类；不要给出一个正确的观点。
回测、矛盾分析和不确定性要求为搜索决策奠定了坚实的基础。
来源类型和方法
来源
主要方法
典型签名
人工智能贡献
碳氢化合物
3D 地震、AVO
振幅异常
属性、优先级
我的
磁性、电磁、IP
导电/磁性体
数据合并
地热
MT、地震、重力
低电阻率区
反转速度
地下水
ERT、屈光、EM
含水层边界
异常标记
常见错误
- 使用希望分数而不进行回溯测试。该模型可能会给干井打高分。
- 将亮点误认为是单独的碳氢化合物。岩性/人工也会产生异常现象。
- 依赖单一方法。来源决策需要多种方法确认。
- 隐藏矛盾。方法论上的矛盾是信息来源，研究它。
- 将井的决定留给人工智能。风险偏好和投资决策是人为的。
综上所述
资源勘探是地球物理中风险最高、最经济的领域；人工智能在数据聚合、目标优先级划分和风险计算方面做出了巨大贡献。但概念模型是人类思维的产物，每个希望分数都是概率的建议。一词多义（如亮点陷阱）、回测要求和多方法确认缺一不可。正确使用；对已知分数的油井进行测试，交叉验证异常情况，调查差异，并将最终的油井决策以及风险偏好留给人类。
应用任务
选择资源类型。通过“概念模型+方法映射”模板，推断出目标的组成方式以及哪些方法将查找哪个签名。然后考虑一个候选异常，并使用“异常多方法确认”模板列出可能产生该异常的错误原因和确认方式。最后，使用“风险和决策摘要”模板准备一份包括赞成/反对证据和不确定性的大纲。
清单
- [ ] 我为目标建立了概念模型和方法映射。
- [ ] 我用已知井回测了希望分数。
- [ ] 我列出并交叉验证了可能产生异常的错误原因。
- [ ]我没有隐藏方法矛盾并对其进行了调查。
- [ ] 我将最终的油井/投资决定留给了人类风险。