收益：
- 了解人工智能在滑坡敏感性测绘、地震灾害和液化评估中的用途。
- 能够根据多变量危险数据创建风险分类和预警工作流程
- 能够通过生命安全责任、误报平衡和现场证据来验证危险输出
本单元的主题是地质工程最负责的领域：自然灾害和地质灾害评估。这里错误的代价不是金钱，而是人的生命。如果山体滑坡敏感性地图错误地将某个社区显示为“安全”，则不会采取任何行动；如果液化评估误读了医院下方的地面，那么该结构可能会在地震中下沉。在这一领域，人工智能在处理多元数据、捕获模式和过滤预警信号方面产生了真正的价值。但正是在这个领域，验证必须是最严格的，工程师批准是最绝对的，不确定性的管理是最精确的，因为不正确输出的成本是最高的。
在本单元中，我们将通过人工智能的视角考虑三种类型的灾害：滑坡敏感性测绘（根据多变量数据预测哪些斜坡有滑坡风险）、地震灾害（地震地面运动的可能强度）和液化（当饱和松散沙子在地震期间像液体一样流动并失去其承载能力时）。我们的共同主题是为什么危险输出的误报（将实际危险区域分类为安全）是致命的，以及如何设置有利于生命安全的阈值。
假阴性和假阳性的平衡
危险分类中有两种类型的错误。误报是将安全区域分类为危险区域；结果是不必要的成本、额外的审查，甚至可能推迟项目——这对生命来说是安全的。误报是将危险区域分类为安全区域；结果是未能采取预防措施并可能造成生命/财产损失。这两个误差不相等。在生命安全领域，谨慎选择阈值以尽量减少漏报；也就是说，当有疑问时，它会滚动到危险的一侧，并通过现场确认来确认。
人工智能模型通常会选择能够最大化整体准确性的阈值。但在灾害科学中，目标不是完全准确，而是保持较低的漏报率。因此，模型的输出应该是经过校准的概率，而不是“类别”，并且阈值应该由危害专家在了解后果的情况下设定。如果滑坡模型错过了一半的实际滑坡，那么其 92% 的准确度也是毫无价值的。
注意：不要被危险模型的高整体准确性所愚弄。查看罕见但致命事件（山体滑坡、液化）的漏报率（假阴性）。生命安全的标准不是平均正确，而是不漏掉危险。
山体滑坡敏感性测绘
滑坡敏感性，“当所有条件都满足时，这个地方会滑坡吗？”用地质和地形变量回答问题。输入通常为：坡度、坡向、岩性、不连续方向、土地利用、降水、历史滑坡库存和地下水。人工智能融合这些层，并通过学习过去山体滑坡周围的模式来生成敏感性图。
有两个关键点。首先，该模型从过去的滑坡库存中学习；如果清单不完整（许多山体滑坡未记录），则模型根本无法看到这些模式并产生假阴性。其次，敏感性给出的不是触发点（何时转变），而是敏感性（如果条件出现则转向何处）；混淆两者是危险的。如果没有经过野外地质学家露头观察、间断测量和过去的运动痕迹验证，地图不能作为决策的依据。
地震灾害和液化
地震危险评估提供了对某个地点在给定时间内预计超过的地面运动（加速度）的概率估计。人工智能有助于处理记录数据库、比较地面运动预测关系并生成场景。然而，断层源、复发间隔和地面放大的定义需要地质地震学专业知识；该模型不适合它们。
液化评估衡量饱和松砂因地震振动而失去承载能力的风险。经典方法是将SPT-N（或CPT）值与地震产生的电压循环率进行比较，得出安全系数。人工智能组织数据并快速扫描多孔井场中的液化潜力；但结果是使用标准方法（例如当地地震规范）通过手工计算进行验证的。这里的假阴性意味着建筑物在地震期间沉入地下。
三个迷你案例：从数字来看
案例 1 — 捕获丢失的库存。在县山体滑坡地图上，该模型看起来“不错”，准确度为 89%；但现场地质学家在地图显示为安全的山谷斜坡上发现了三处古老的山体滑坡疤痕（未记录）。由于库存不完整，模型无法学习这种模式。当库存更新并更新地图时，该斜率切换为高灵敏度。 89% 的准确率掩盖了最关键区域的遗漏。
情况 2 — 液化阈值。在海滩填埋场，该模型将 42 个钻孔中的 6 个标记为“液化风险”，平均准确度阈值最高。当专家将阈值移至保守一侧以减少误报时，共标记了 11 次探测；通过标准手工计算，另外五个已被确认确实存在风险。保守的阈值避免了五个潜在的漏报；与潜在的生命风险相比，成本的增加可以忽略不计。
案例 3——预警信号。人工智能处理露天矿斜坡上的雷达和斜坡传感器数据，标记变形率缓慢加速并发出警报。该小组撤离了该地区； 40小时后，斜坡发生严重滑坡，但没有人员受伤。该模型没有说出确切的日期/时间；它使加速的运动变得可见，并为人类决策提供了时间。
弱提示/强提示
弱提示：
该地区是否存在山体滑坡风险？查看数据并判断它是安全还是危险。[图层数据]
强力提示：
您的角色：助理自然灾害地质学家。使用以下变量给出确切的“安全/危险”标签。相反：1）解释影响情绪的因素以及每个因素的方向。2）建立校准的概率逻辑而不是类别；说明为什么应谨慎选择生命安全阈值以减少误报。3) 写出如果历史滑坡清单不完整，输出结果可能会产生误导。4) 列出需要在现场确认的 4 点。最终评估属于授权工程师。数据是匿名的。
四个可复制模板
1）请求概率而不是危险类别：
将危险模型输出解释为校准概率而不是尖锐类别。比较该领域的假阴性和假阳性的后果，并证明为了生命安全应改变阈值的方式。
2）库存短缺审核：
列出用于训练滑坡敏感性模型的清单可能不完整的任何迹象（记录年份、覆盖面积、数据缺口）。标记哪些方面的缺陷会增加漏报的风险。
3）液化筛选示意图：
对于多钻井场地的液化潜力：建议筛选哪些钻孔含有饱和松散砂并需要进行初步手工计算。明确必须通过标准方法验证；不给出确切的安全系数。
4）预警信号解读：
总结变形监测系列（坡度/雷达）中速度和加速度的变化；是否存在令人震惊的加速模式？给出准确的时间估计；指定何时/需要数据来进行人类判断。
危险类型、漏报和验证
危险
人工智能贡献
假阴性结果
强制验证
滑坡敏感性
层融合、图案
认为漂浮区域是安全的
现场+当前库存
地震危险
数据库/场景
低估地面运动
地震专家+标准
液化
多孔扫描
建筑物沉入地下
SPT/CPT手算+调节
斜坡预警
跟踪信号过滤
延迟射精
人工判断+现场确认
提示：始终使用以下问题检查遇险输出：“这是否被视为误报或漏报？”带着问题来读。在生命安全方面，忍受几次误报比错过一次危险要容易得多。
常见错误
- 被普遍真理所欺骗。高精度可能会错过罕见的致命事件；真正的指标是假阴性率。
- 将阈值留给模型。生命安全阈值是由知道后果的专家谨慎设定的；不是自动的“最佳”阈值。
- 忽略缺失的库存。模型无法看到它尚未学习到的模式；如果库存丢失，地图就会欺骗保险方。
- 将倾向与触发因素混淆。敏感度是“何处”的问题，触发是“何时”的问题；两者都需要单独验证。
- 将早期预警误认为是明确的预言。系统节省时间；撤离的决定和责任属于个人。
综上所述
- 自然灾害是地质工程责任最重的领域；错误输出的代价可能是生命。
- 误报（将危险误认为安全）比误报严重得多；门槛是谨慎选择的，有利于生命。
- 一般准确性具有误导性；标准是遗漏罕见致命事件的比率；输出应该是校准概率，而不是类别。
- 滑坡模型无法从不完整的清单中学习；每张危险地图均经过现场和专家验证。
- 早期预警可以节省时间，但并不是预言；疏散和采取预防措施的决定属于授权工程师和官员。
应用任务
检索匿名危险场景（滑坡层或液化钻孔；代表性数据）。防止模型给出严厉的标签，并使其使用“询问概率而不是危险类别”模板来讨论假阴性/阳性平衡。然后使用“库存短缺审核”模板找出打印输出中可能存在误导的地方，并写下需要现场验证的三点清单。
清单
- [ ] 我了解了假阴性和假阳性的区别及其对生命安全的重要性。
- [ ] 我通过失误率而不是整体准确度来评估危险输出。
- [ ] 我认为这个门槛应该由专家谨慎设定，有利于生命。
- [ ] 据我了解，滑坡模型无法从不完整的清单中学习，需要现场确认。
- [ ] 我使用预警系统不是作为预言，而是作为节省人类决策时间的工具。