纯探讨：AI能做到预测泥石流吗？

据央视新闻，8月26日10时30分许，尼泊尔一侧发生大规模泥石流灾害，并波及西藏自治区日喀则市吉隆县吉隆口岸，造成人员伤亡和失联。

灾害造成通往吉隆口岸的道路、通信、电力一度中断。

我国随后启动国家地质灾害二级应急响应。

截至目前，灾害具体成因仍在调查。

中国科学院、水利部成都山地灾害与环境研究所等机构专家在接受记者采访时表示，从现有资料看，此次灾害可能与高海拔地区冰岩崩塌等因素有关，而并非简单由一次强降雨引发。

专家也提醒，冰川消融、山体松动、高海拔冰岩崩等因素可能形成复杂的链式灾害。

图片为AI生成

今天，我们想探讨一个现实的问题是：如果有AI，我们能不能提前知道泥石流要来了？

答案是：能预警，但距离“精准预测”还有距离。

泥石流并不像台风，有一条相对清晰的移动路径。

降雨量、山体坡度、岩土结构、地下水、植被乃至冰川活动，都可能成为变量。

真正发生之前，有时只是几毫米的山体位移、一条新出现的裂缝，或者土壤含水率突然变化。

AI的优势，确实就是发现人类肉眼难以长期监控的细微信号。

目前，我国正在建立越来越密集的“天空地”一体化地质灾害监测网络：卫星从太空寻找异常，无人机巡查山体，地面上的北斗设备、雨量计、倾角仪、裂缝监测仪则持续采集数据，再由智能模型进行分析。

图片为AI生成

中国地质调查局公布的数据显示，截至2025年底，全国27个省（自治区、直辖市）已新建、改建地质灾害自动化监测预警台站7.5万余处，安装仪器设备近40万台（套），累计成功预报地质灾害灾情401起，有效预警险情1343起，避免7000余人潜在伤亡。

AI在其中扮演的角色越来越重要。

过去判断一个山坡是否危险，往往要靠专家现场调查。

如今，依托高分辨率卫星可以连续获取山体影像，AI自动比较不同时间的影像，一旦发现裂缝扩大、地表形变或新增隐患，就能首先“圈”出高风险区域。

中国地质调查局介绍，目前相关系统已经利用人工智能图像比对和特征解译技术，自动提取灾害隐患特征，再将异常点推送给地方核查。

到了汛期，AI还可以继续结合降雨、土壤含水率、历史灾害和实时位移数据，不断计算风险。

更关键的是最后一步——抢时间。

图片为AI生成

成都理工大学校长、地质灾害防护与地质环境保护全国重点实验室首席科学家许强接受新华网采访时表示，在监测点和设备有效覆盖的情况下，大多数滑坡能够实现提前预警；对于泥石流等灾害，也有机会提前几分钟甚至几个小时发出警示。

该团队已经建立卫星普查、航空详查、地面核查相结合的监测体系，推动地质灾害预警从简单的“超过阈值报警”向判断灾害演化过程转变。

这几分钟、几个小时，有时就是生命的窗口。

但本次灾害也提醒我们，不能把AI想象成一个可以“掐指一算”的预言家。

如果灾害由普通强降雨诱发，历史降雨和山体数据比较充分，模型往往更容易识别风险；但如果是冰岩崩塌、冰湖溃决、地震等因素突然触发的链式灾害，预测难度会大幅增加。

尤其在喜马拉雅这样的高山峡谷地区，灾害源距离村庄和道路很近，留给预警系统的反应时间可能非常有限。

因此，与其问“AI能不能预测泥石流”，不如换一种问法：AI能不能比过去更早发现危险？

从目前的实践看，未来发展的路径已经很明晰

Ai今天和明天恐怕都不可能准确告诉我们“明天10时32分，这条沟一定会发生泥石流”，但它能够从大量卫星影像和传感器数据中找出那座正在悄悄移动的山，从一场持续增强的暴雨中判断哪条山沟最危险，并在灾害真正到来前，把原本几乎没有的逃生时间，变成宝贵的几分钟甚至几个小时。

对于自然灾害预警而言，这或许正是AI最现实的价值。

也是未来发展的方向。

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。

彭建兵院士详解尼泊尔冰岩崩：构造“破其体”、隆升“撕其肉”、地震“裂其骨”、冻融“蚀其髓”

在成都举行的第二届国际山地科学大会上，中国科学院院士彭建兵向与会者展示了一组令人窒息的卫星遥感影像。

画面中，2026年8月发生在尼泊尔蓝塘里壤的冰岩崩灾害，裹挟着毁天灭地的能量，以泥石流的形式狂奔22公里，径直冲向了我国吉隆口岸。

灾后的吉隆口岸，满目疮痍。

彭建兵院士。

本文图片来自中科院山地所。

彭建兵团队通过大量的灾前卫星形变反演、地质构造解析与多期地震数据比对，以“冰岩崩孕灾的‘基因密码’”为题，对吉隆口岸灾害链触发的机理进行解析。

彭建兵认为，这场夺走无数人生命和安宁的灾难，绝非一次偶然的突发性事件。

“构造破其体，隆升撕其肉，地震裂其骨，冻融蚀其髓。

四力递进耦合，将完整‘身体’逐渐改造为‘活的’临界灾体，最终在气温升高、融水入渗的触发下失稳成灾，这就是青藏高原冰岩崩的‘基因密码’。

”彭建兵总结。

冰岩体灾前已出现明显位移 冰岩崩是高位冰岩体沿脆弱面突然脱离母体、转化为碎屑流并常诱发堵江、洪水等灾害链的冰冻圈灾害。

2026年8月26日10时5分，尼泊尔蓝塘里壤突发高位冰岩崩，冰岩物质坠落至海拔4000米左右，撞击铲刮，转化为碎屑流，冲击我国吉隆口岸。

彭建兵认为，这是一个典型的冰岩崩灾害。

10月17日至19日，由中国科学院成都山地所、国际山地综合发展中心、联合国粮食及农业组织山地伙伴关系、巴基斯坦真纳大学共同主办的第二届国际山地科学大会在成都举行。

“实际上，这就是一个高位冰岩体沿脆弱面突然脱离母体，转化为碎屑流，形成大量灾害量的过程。

”彭建兵在会上指出。

泥石流约7分钟高速冲击22公里，直达海拔约1800米的我国吉隆口岸，表现出“超历史记录、超防范标准、超防御规划”等特征。

那么，灾前发生了什么呢？ 彭建兵团队在灾前的卫星形变反演图上，用一条红黄相间的色带清晰勾勒出冰岩体的异动。

数据显示，冰岩体在灾前已有明显的缓慢蠕变现象，位移量约为-20m/yr（20米/年）。

更令人警惕的是，位移量结果表明，该区域在灾害发生前24天，累计位移已达约5米，灾前冰川运动显著增强。

除了形变，灾前影像还揭示了更致命的细节。

在灾害源区，存在一条规模巨大的先存破裂面。

这表明，在灾难发生前，山体的“骨骼”早已出现了致命的裂隙，为后续的崩溃预置了物理边界。

为什么看似坚固的高山会突然崩溃？彭建兵团队摒弃了将灾害孤立看待的传统视角，将其置于青藏高原地壳浅表层圈层结构与高山冰川地貌垂直分带的宏大框架内。

团队将青藏高原划分为雪线之上、冰线之上、雨线之上和高山苔原线四个垂直地貌带，并指出，高海拔“冰-岩-水”强耦合区，正是高位灾害孕育的关键地带。

构造、隆升、地震、冻融：四力共同酿成冰岩崩 在彭建兵看来，吉隆口岸的冰岩崩，正是四种机制共同酿成的结果。

在报告中，他详细拆解了这套“基因密码”的形成机制。

报告现场 彭建兵说，青藏高原经历了长期的挤压、剪切和差异隆升。

这种地质历史时期的持续构造变形，使断裂、节理及原生结构面不断产生、错动和组合，逐步将完整岩体改造成多尺度破碎结构网络。

区域逆冲断裂体系如同刻刀，把山体“预切割”成块体，局部结构面的组合进一步限定了吉隆冰岩崩源区的后缘、侧缘和底部边界。

其次，伴随持续挤压的是隆升动力——松开灾体结构。

河流深切的侵蚀与地壳构造隆升的协同作用，使得山体在“长高”中不断变陡。

彭建兵指出，在深切的峡谷岸坡，由于侧向约束的解除，极易产生强烈的卸荷回弹与松动。

这种卸荷作用导致拉应力集中，使得原本已经受损的岩体进一步“松绑”，扩展了岩体内部的裂隙，为冰岩崩提供了松动的结构基础。

真正的“重创”来自地震动力，放大了灾体伤痕。

2015年4月25日，尼泊尔发生7.8级大地震，震中距吉隆镇仅约43公里。

地震波使岩体节理张开，裂缝变成水流的通道。

更为深远的影响是，这次大地震将吉隆山体推入了“亚稳定状态”。

中国地质大学教授陈剑也曾表示，“吉隆一带，2015年尼泊尔大地震就已经造成岩体损伤，产生大量裂隙，破坏岩体原有结构；叠加冰川反复冻融持续削弱岩体强度，再遇上全球变暖的大背景，冰体消融加速，最终诱发冰岩崩。

” 报告特别强调了地震的“滞后效应”：强震输入导致岩体损伤累积，从“完整”走向“亚稳定”，在随后的暴雨、冻融下持续发生破坏，甚至在数年乃至十余年后仍诱发潜在崩塌。

彭建兵指出，除此之外，2015年尼泊尔7.2级、2025年定日7.1级等多期强震的叠加，使得应力不断传递，岩体损伤不断累积，灾害触发风险急剧增加。

最后是冻融动力加剧灾体破损。

高海拔源区冻融频繁，存在昼夜冻融与季节冻融两套节律。

彭建兵指出，一天之内跨越冰点两次，每年昼夜冻融循环可达上百次。

水在结冰时体积膨胀率约9%，其冻胀压力远超岩石的抗拉强度。

冻融作用持续削弱冰岩连接，不断扩展既有裂隙，推动高寒岩体由完整向裂隙化、块裂化演变。

“构造给了裂隙，隆升松了结构，地震撕开了伤口，冻融则是最耐心的‘执行者’，日复一日，把伤口变成断口。

”彭建兵用这样一段严谨而残酷的表述，概括了这一过程。

冰雪融水是“最后一根稻草” 彭建兵说，当构造、隆升、地震与冻融将岩体推向临界状态时，冰雪融水可能成为了“压垮骆驼的最后一根稻草”。

报告指出，冰岩崩的启动并非瞬间完成，而是一个从渐变损伤累积到临界灾变的连续演化过程。

这一过程可概括为几个前后衔接的阶段：首先是裂隙网络贯通，为灾害孕育提供了结构前提；随后，融水强盛入渗，使诱发条件趋于成熟；接着，有效应力降低，岩体强度进一步劣化；当强度跌破阈值，灾体便进入临界状态；最终，冰岩崩启动，转化为灾变。

彭建兵院士用两个比喻概括了这一机制的核心：“温度是开关，融水是润滑剂。

”温度在冰点上下波动，控制着冻胀与融化的交替；而融水沿裂隙渗入，则起到软化结构面、降低有效应力的润滑作用，二者共同将长期累积的损伤推向失稳的临界点。

彭建兵在报告中提到一个不少人的困惑：如此巨大的泥石流，水究竟从何而来？在灾前卫星影像上，山里并没有多少水的痕迹。

经过与专家的探讨，谜底被揭开——冰川内部拥有极其复杂的“三层水”，即冰下水、冰中水和冰面水，甚至还有隐藏在冰川内部的冰面湖。

巨大的水量在极短时间内转化为巨大的动能，导致原本新鲜的岩体在泥石流沟里瞬间破碎成粉末状。

报告总结指出，裂隙网络一旦贯通，强度跌破阈值，岩体必然失稳启动，这是一个典型的“四力耦合”过程。

“对自然而言，这是5000万年的演化；对人而言，崩塌只发生在一瞬间。

”在报告的最后，彭建兵院士说。

吉隆口岸的冰岩崩并非孤例。

彭建兵在报告中指出，喜马拉雅地区类似问题很普遍，“不是某一个地区……整个很多地区都有类似的问题”。

他同时强调，高海拔冰-岩-水强耦合区已成为高位灾害孕育的关键带。

防灾减灾理念必须从只看表象，转向关注岩体是否已接近失稳临界。

澎湃新闻记者 王选辉 (本文来自澎湃新闻，更多资讯请下载“澎湃新闻”APP)