第15章 智能化前沿技术

本章导读

这一章最容易写成技术清单，也最容易失真：前沿技术的宣传材料远多于可验证的实践记录，而应急场景对错误的容忍度极低，多数智能化技术在实验室里表现良好、在现场表现堪忧。所以本章不追求“把新技术讲一遍”，而是回答三个更实用的问题：这项技术解决了什么以前解决不了的问题；它在什么条件下才可靠；现在到底处于什么阶段。总体判断是：应急 GIS 的智能化正沿“感知—识别—研判—决策”自下而上推进，感知与识别环节已有可交付能力，研判环节处于辅助地位，决策环节基本不成立。本章反复出现的三个约束值得记住：样本决定模型能用多久，验证决定模型能信几分，责任决定模型能走多远——三者缺一，技术都会停在演示阶段。还要指出一个被政策热词掩盖的事实：多数基层单位最紧迫的需求不是引入大模型，而是把台账、底图、编码这三件基础工作补齐；基础不牢时引入智能技术，只会把原有的数据混乱放大。

学习目标

读完本章，你应当能够：

• 用“解决了什么新问题、什么条件下可靠、现在处于什么阶段”三问评估一项智能化技术；
• 说明遥感智能解译在应急场景中的样本依赖与精度衰减原因，指出“训练集外”的典型失效；
• 解释 InSAR 形变监测的能力与限制，说明它为什么不能替代地面核查；
• 区分无人机快速三维、实景三维、数字孪生的能力边界与建设前提；
• 说明 AI 大模型与智能体当前适合承担哪类任务、不适合承担哪类任务，写出“人确认”环节的必要性；
• 用“样本、验证、责任”三个约束解释为什么多数智能化应用停在演示阶段。

这一章最容易写成技术清单，也最容易失真。原因有两个：一是前沿技术的宣传材料远多于可验证的实践记录，二是应急场景对错误的容忍度极低，而多数智能化技术在实验室里表现良好、在现场表现堪忧。因此本章不追求“把新技术讲一遍”，而是试图回答三个更实用的问题：这项技术解决了什么以前解决不了的问题；它在什么条件下才可靠；现在到底处于什么阶段。

总体判断是：应急 GIS 的智能化，已经在“感知”和“识别”环节取得了可交付的进展，在“研判”环节仍处于辅助地位，在“决策”环节基本还不成立。这个判断与宣传口径有差距，但与现场的实际使用状态相符。凡是声称已经能替代人做决策的系统，都值得打一个问号。

15.1 遥感智能解译

遥感智能解译已经从“实验室精度”走向“业务可用”，但可用性取决于样本而不是算法。这个判断需要展开：算法本身的进步是真实的，但模型在跨区域、跨季节、跨传感器时的表现下降同样真实，决定一个单位能否用好这项技术的，往往是它有没有持续积累与维护样本的能力。

15.1.1 两类任务与不同的精度偏好

遥感智能解译在应急场景下主要有两类任务：目标识别与变化检测。目标识别回答“这是不是某类地物”，例如房屋、道路、水体、桥梁、车辆、火点、烟羽。变化检测回答“两个时相之间发生了什么变化”，例如新增的淹没区、新增的坍塌体、新增的临时安置点。

两类任务对精度指标的偏好完全不同。目标识别更看重召回率，漏掉一栋倒塌房屋的代价远高于把一栋完好的房子误标为疑似；变化检测更看重误报率，因为变化图斑通常要人工逐个核查，误报过多会让核查队伍崩溃。这个区别在项目立项时经常被忽略，导致验收指标定错方向：用总体精度验收变化检测，结果模型在“没有变化”的样本上表现优异，在真正的变化区域大面积漏检。

还有一个容易被忽略的任务类型：语义分割与要素提取。道路、水系、建筑轮廓的自动提取，本身不是应急业务，但它是应急底图快速更新的基础能力。在灾区原有底图失效的情况下，用灾后影像快速提取路网，是恢复通行研判的第一步。

15.1.2 样本问题才是核心问题

多数遥感智能解译项目的失败，不是模型不行，是样本不行。样本问题有四种典型形态。

第一是样本代表性不足。用平原地区的房屋样本训练出来的模型，到山区会大量漏检，因为山区房屋的尺度、朝向、屋顶材质、与地形的阴影关系都不同。第二是标注一致性差。同一批影像交给三个团队标注，边界、类别、判定标准都会有差异，模型学到的是标注者的习惯而不是地物的特征。第三是类别不平衡。灾害场景中“损毁”样本天然稀少，模型倾向于把所有样本判为“未损毁”，总体精度可以很高，业务价值为零。第四是样本与现势脱节。三年前标注的样本，遇到新建的城区、新修的厂房，识别能力会明显下降。

解决这四种问题的办法都不“智能”：建立本地样本库并持续更新、制定细到边界规则的标注规范、对稀有类别做重采样或加权、把样本的采集时相纳入版本管理。这些工作枯燥、见效慢，但它们决定了模型能不能在第二年还用。

15.1.3 卫星能力的真实边界

讨论遥感不能不提卫星资源的实际状况。森林草原火灾卫星监测系统可接收处理 14 颗卫星数据，日监测频次约 28 次，空间分辨率最高 2 米（《中国报道》，2025-01）。这组数字常被引用为“卫星监测能力很强”，但它同时说明了限制：日监测 28 次意味着平均约每小时一次，对于持续几小时的火灾，可能只有几次有效观测；最高 2 米分辨率的“最高”二字，意味着多数数据的分辨率低于此。

2025 年 7 月京津冀暴雨期间的卫星应急调度提供了一个更贴近实战的样本：中国资源卫星应用中心调度在轨卫星观测，截至 7 月 28 日安排成像 15 次、获取灾后有效数据 23 景（公开报道，2025-07）。安排与获取之间的落差，就是云量、轨道、侧摆角共同作用的结果。任何把“卫星数量”等同于“观测能力”的说法，都忽略了这层折扣。

智能解译在这条链路上的位置，是把“拿到的影像”尽快变成“能用的信息”。它不能提高卫星的重访频率，也不能穿透云层，这两个约束只能靠雷达、无人机、地面观测来补。

15.1.4 工程化的四个条件

一项解译能力要从“能演示”变成“能交付”，需要四个工程条件。

第一是推理速度与算力匹配。灾害期间影像量大、时限紧，模型必须在可接受的时间内处理完一个县甚至一个市的范围。第二是人机协同的界面。模型输出的是“疑似图斑”，业务人员需要能快速确认、修改、驳回，并把修改结果回流成新样本。第三是模型版本管理。同一个模型在不同时间跑出不同结果，会让复核无法进行。第四是精度说明。任何交付给业务方的解译成果，都必须附带适用条件说明：什么区域、什么时相、什么传感器、什么地物类型下可靠，什么情况下不可靠。

四个条件里，第三和第四最容易被跳过，也最容易在半年后引发争议。

表15-1 遥感智能解译的三类任务与技术条件

15.2 InSAR 与形变监测

InSAR 的价值是“看见毫米级的缓慢变形”，局限是“看不见快速失稳”。这句话几乎概括了它在应急领域的所有适用与不适用场景。把它用对了，它是隐患早期识别的利器；用错了，它会给出一份看起来精确、实际上无用的形变图。

15.2.1 两种技术路线

InSAR 的常用处理方式有两类：永久散射体干涉（PS）与小基线集（SBAS）。PS 依靠在时间序列上保持相干的点目标，适合城市建成区、裸露岩石、人工构筑物；SBAS 依靠短基线干涉对组合，适合自然地表的大范围形变。

两者的共同前提是“相干性”。植被茂密、耕作频繁、积雪覆盖的地表，相干性会迅速下降，形变结果不可用。这意味着 InSAR 在南方植被区、农田区的适用性明显弱于在西北裸岩区与城市区。把同一套参数直接套用到不同区域，是形变监测项目最常见的错误。

15.2.2 精度表述必须谨慎

形变监测的精度表述有两个维度：相对精度与绝对精度。相对精度指同一景内不同点之间的形变差异能被分辨到什么程度，这个指标通常较好；绝对精度指形变量相对某个基准的真实偏差，它依赖于基准点的稳定性、轨道参数、大气延迟校正的质量。

因此“毫米级监测”这类说法在技术上有依据，在业务上容易误导。毫米级指的是相对变化的分辨能力，不是“形变量算得准到毫米”。一份没有说明基准、没有说明大气校正方法、没有说明相干性阈值的形变报告，其数字不应被直接用于判定灾害风险。

15.2.3 适用条件的清单

判断一处隐患点是否适合用 InSAR 监测，可以按五条逐一核查：地表是否保持相干；形变方向是否在视线向可观测范围内；形变速率是否处于可分辨区间；观测几何是否存在叠掩与阴影；是否有可用的稳定基准。

山区陡坡是 InSAR 最尴尬的场景：一方面它是滑坡最需要监测的地方，另一方面陡坡的几何畸变最严重。几何畸变来自侧视成像的固有特性，坡面朝向雷达视线时会被压缩，背向时会被拉伸，超过临界角后出现叠掩或阴影。在这些区域，升降轨联合观测、多视角组合可以缓解但不能根除。

15.2.4 从形变到业务闭环

InSAR 的产物是形变速率图与形变时序，业务需要的是“哪些点危险、危险到什么程度、该做什么”。这两者之间隔着一段很长的路。

可行的闭环通常分四步：第一步用形变速率做初筛，圈出异常区；第二步用光学影像、无人机、现场核查确认异常的真实性，排除耕种、施工、地下水开采等非灾害因素；第三步由专业队伍评定风险等级；第四步纳入群测群防与专业监测体系，形成持续跟踪。

四步中最容易被省略的是第二步。跳过核查直接按形变速率排序，会把大量非灾害形变排到前面，真正危险的隐患点反而被淹没。形变数据是线索，不是结论。

表15-2 InSAR 形变监测的适用条件与限制

15.3 北斗与高精度定位

北斗在应急中的第一价值不是定位精度，而是短报文通信。这个判断需要纠正一个普遍误解：多数人把北斗理解为“中国的 GPS”，实际上在应急场景下，最有价值的恰恰是它独有的、不依赖地面网络的短报文能力。

15.3.1 三项能力及其应急含义

北斗提供定位、授时、短报文三项能力，三者在应急中的重要性排序与日常场景不同。

定位解决“人在哪、车在哪、物资在哪”。日常场景中米级精度已经够用，应急场景中对精度的要求反而分化：指挥调度需要米级，灾情上报需要十米级，工程抢险（如堤坝巡查、边坡监测）需要厘米级。不同精度对应不同的终端与不同的成本，用一套终端满足所有需求是浪费。

授时解决“所有数据是不是同一个时间”。这一项在应急中极其关键，却最不被重视。分布式观测、多源数据融合、事件回溯，全部依赖于统一时间基准。地面网络中断时，授时服务的中断会让所有带时间戳的数据失去对齐能力。

短报文解决“没有地面网络时怎么传信息”。在三断条件下，这是唯一能自主可控的通信手段之一。它的带宽有限，因此传递的不是数据而是关键状态：位置、人数、需求、伤员情况。设计短报文报文格式，本质上是在设计“断网时最必须传的信息是什么”，这个设计比终端选型重要得多。

15.3.2 高精度定位的基础设施

高精度定位依赖地面基准站网络。全国卫星导航定位基准站一张网在“十四五”期间建设取得重要进展（自然资源部，2025-12）。这张网的价值在于把“事后静态解算”变成“实时动态定位”，使厘米级定位可以在移动中使用。

基准站网在应急中的直接作用有三个：为地面监测设备（边坡位移计、大坝形变监测）提供高精度基准；为无人机航测提供免像控的定位支持；为救援车辆的实时调度提供可靠位置。间接作用更值得关注：它让“厘米级的位置”成为一种可被普遍调用的公共服务，而不只是少数专业队伍的能力。

15.3.3 终端的现实约束

技术能力与现场可用之间，隔着终端的现实约束。

第一是普及率。短报文终端不是标配，基层队伍、村干部、转移群众的持有率决定了这项能力能否真正覆盖“最后一公里”。第二是功耗与待机。灾害现场可能长时间无电，终端续航直接决定通信能维持多久。第三是天线环境。山谷、密林、建筑内部，卫星信号会被遮挡，短报文未必能发出去。第四是操作复杂度。紧急情况下，任何需要多步操作的设备都会被弃用。

这四条约束说明，北斗应急应用的关键不是“能不能连上卫星”，而是“在什么姿势、什么电量、什么人手里能连上”。把这四条写进装备采购与培训方案，比单纯追求终端数量更有意义。

15.4 无人机与快速三维

无人机是“6 小时获取影像、12 小时提供首批成果”这一公开能力指标能否兑现的关键变量（自然资源部，2025-12）。卫星受轨道与云量约束，地面队伍受道路约束，只有无人机能在灾害发生后几小时内进入现场上空。但它同样不是万能的，能否用、怎么用，取决于空域、天气、续航、数据处理四条约束。

15.4.1 规模与组织形态

重大灾害社会力量无人机应急合作机制已有 2000 余架无人机参与（应急管理部，2025-07）。这个规模说明无人机已经不是稀缺资源，稀缺的是“组织能力”：谁能把这些分散的力量在几小时内调到正确的位置、分配正确的任务、回收正确的数据。

组织形态通常分三层：前端是作业机组，负责飞行与数据回传；中间是数据处理组，负责快拼、建模、变化检测；后端是指挥与业务组，负责把成果转成决策信息。三层之间最容易断的是中间层——机组把数据传回来，没人及时处理，数据在硬盘里躺着，指挥员看到的还是昨天的图。

15.4.2 倾斜摄影与激光雷达

快速三维有两条技术路线，适用条件不同。

倾斜摄影通过多角度影像重建地表与建筑的三维表面，优点是纹理真实、设备普及、成本较低；缺点是对光照与纹理依赖强，水面、玻璃幕墙、阴影区容易失败，且只能表达“表面”，无法穿透植被。

激光雷达直接获取点云，优点是精度高、可穿透植被、不依赖光照；缺点是设备贵、数据量大、处理链路长，且纹理信息弱。在应急救援中，激光雷达更适合地形测绘、坍塌体方量估算、电力线路巡检；倾斜摄影更适合建筑损毁评估、现场态势展示。

两条路线不是竞争关系，实践中常见组合：先用激光雷达获取地形与地面对象，再用倾斜摄影补充纹理，最后融合成可量测的三维场景。

15.4.3 时效与精度的折中

快速三维的“快速”是有代价的。灾后几小时内能拿到的，通常是快拼正射影像与粗略三维，几何精度有限，适合看态势不适合算方量。要达到可量测的精度，需要布设控制点、做空三加密、人工修模，时间以天计。

这个折中必须在任务书里写清楚。常见的失败是：指挥员按“快拼成果”下达了精确的工程量指令，执行方按“可量测成果”的标准去干，两边对不上。解决办法是明确标注成果等级：态势级、核查级、量算级，每一级对应不同的精度与用途，不混用。

15.4.4 组网与空域

单机作业的覆盖能力有限，大面积灾害需要组网。组网的技术要点有三个：通信链路（图传与数传的距离与抗干扰）、任务分配（谁飞哪块、避免重叠与遗漏）、数据汇聚（多机数据如何统一到同一坐标基准）。

空域管理是更硬的约束。灾害期间的临时空域管制、飞行审批、与有人机的避让，都需要提前协调机制。日常没有建立协调渠道的地方，灾时临时申请往往耽误关键时间。把空域协调写进应急预案，是成本最低的一项准备工作。

15.5 数字孪生与实景三维

数字孪生的分水岭是“是否驱动决策”，不是“模型多逼真”。这个判断可以过滤掉市场上大部分被称为“数字孪生”的产品——它们中的多数，本质上是三维可视化，只能看不能算，更不能驱动。

15.5.1 三个层级

数字孪生可以分三层。第一层是可视化孪生：模型与真实世界在几何上对应，可以浏览、可以标注，但不能计算。第二层是可计算孪生：模型带有物理参数与拓扑关系，能执行淹没、扩散、结构受力等计算。第三层是可驱动孪生：计算结果能反馈到控制或调度，形成“监测—计算—决策—执行”的闭环。

三层之间的差距不是模型精度，而是“有没有物理机理”和“有没有业务接口”。一座城市的 LOD1.3 模型，做到第一层很容易，做到第二层需要大量参数率定，做到第三层需要与调度系统打通。多数项目停在第一层，却按第三层宣传。

15.5.2 实景三维中国提供的底座

实景三维中国初步建成，5 米、10 米格网等系列产品覆盖全国陆地国土，1:1 万数据覆盖 70% 陆地国土（自然资源部，2025-12）。300 余个地级以上城市完成 LOD1.3 三维模型生产，67 个城市开展智慧城市时空大数据平台建设试点（自然资源部，2025-12）。

这组进展的意义在于“全国有一张统一的三维底图”，而不在于“每个城市都有精细模型”。对应急业务而言，全国格网产品可以支撑大范围的情景推演与宏观研判；城市级 LOD1.3 可以支撑街区尺度的分析与展示；更精细的模型只在少数重点区域存在。任何跨区域的三维应用设计，都必须按“格网为主、精细为辅”来规划，否则会在数据不齐的地方卡住。

一个值得注意的应用方向是实景三维与地质灾害预警的结合。2025 年 8 月 29 日，自然资源部与国家数据局联合发布 2025 年实景三维数据赋能高质量发展创新应用典型案例，“实景三维数据赋能地质灾害预报预警精细化”入选（自然资源部、国家数据局，2025-08）。这类案例的价值不在于模型有多精细，而在于它把三维数据从“看的底图”变成了“算的输入”：用真实地形与建筑分布约束降雨—坡面—承灾体的计算，使预警落区从行政区细化到坡面单元。这也是数字孪生从第一层迈向第二层的典型路径。

LOD1.3 这个词值得解释。它是三维模型细节层级中的一个级别，表达的是带屋顶结构的建筑体块：能看出建筑轮廓、高度、大致屋顶形态，看不出立面材质与内部结构。这个精度对淹没分析、通视分析、人口暴露估算已经够用，对结构损毁研判、室内救援路径规划则远远不够。

15.5.3 水利数字孪生的参照价值

在行业实践中，水利的数字孪生走得比较靠前，其经验对应急有直接参照价值。

“十四五”期间全面完成 94 项数字孪生流域建设先行先试任务，分批推进 14 个省级水网先导区数字孪生水网，建设 49 处数字孪生灌区、230 个数字孪生农村供水工程，启动 12 座智能大坝、32 处数字孪生调水工程、98 处数字孪生蓄滞洪区（水利部，公开资料）。这组数字说明数字孪生已经从“试点”进入“批量建设”，但同时也说明它主要集中在水利行业，跨行业的通用孪生平台仍不成熟。

数字孪生韩江的案例更能说明方法论。2025 年以数字孪生北江为蓝本，按“统一技术框架、统一界面风格、统一用户登录”建成“韩江流域一张图”，整合水文预报、洪水淹没分析、溃坝分析、沿海风暴潮预警等模型（水利部，公开资料）。这里的关键词是“三统一”：它解决的不是模型能力问题，而是多系统并存时的体验与运维问题。应急领域面临的正是同样的碎片化，这套做法可以直接借鉴。

15.5.4 从可视化到可计算的门槛

从可视化走到可计算，需要跨过三道门槛。

第一道是参数。淹没模型需要糙率，扩散模型需要扩散系数，结构模型需要材料参数。这些参数无法从影像中直接获得，必须靠实测、靠率定、靠历史资料反演。参数不准，模型算得再快也是错的。

第二道是边界条件。模型的输入是上游流量、下游水位、风速风向、开口位置，这些条件在灾害期间往往缺失或不确定。可行的做法是做情景组合，给出“在几种可能的边界条件下，结果分别是多少”，而不是给一个确定答案。

第三道是验证。模型算出的结果必须与历史事件比对，看它能不能复现已知的淹没范围。没有经过验证的模型，只能用于演示，不能用于决策。

表15-3 数字孪生的三个层级与判定标准

15.6 AI 大模型与智能体

大模型在应急 GIS 里最先落地的不是“决策”，是“找东西、填表、写初稿”。这个判断基于一个简单事实：应急业务的瓶颈大量集中在信息处理环节，而不是判断环节。指挥员不缺判断力，缺的是“在十分钟内找到那份三年前的预案附件”。

15.6.1 政策定位与技术定位

《现代化应急体系建设“十五五”规划》要求统筹推进“久安”系列大模型底座建设（国发〔2026〕15号），并把人工智能融合作为技术主线之一。政策定位是“底座”，这个措辞很准确：底座意味着提供通用能力，而不是直接输出结论。

技术定位需要更清醒。大模型擅长的是语言理解、信息抽取、文本生成、多模态对齐；不擅长的是精确计算、事实核验、时空推理。应急业务恰恰同时需要这两类能力。因此合理的架构是“模型负责理解与组织，专业模型负责计算，规则负责约束，人负责决断”。

15.6.2 三类可落地的应用

第一类是自然语言查图。用户用口语描述需求（“把去年淹过水的几个乡镇调出来”），系统解析成空间查询并返回图层。这类应用的难点不在语言理解，而在“意图到查询的映射”必须有确定的语义，否则会出现“看起来答对了、数据是错的”。

第二类是报告与文书生成。灾情初报、态势通报、调查记录的初稿，可以由模型根据结构化数据生成，人工修改。这类应用的收益最直接，因为文书工作占用了基层大量时间。

第三类是多模态判读辅助。把影像解译结果、现场照片、上报文本放在一起，让模型做初步归类与摘要，供人工复核。这类应用的价值是“减少翻找”，不是“替代判读”。

三类应用的共同点是：输出都是“给人看的中间产物”，不是“直接执行的指令”。这个定位决定了它们可以容忍一定的不完美，也决定了它们不能进入关键决策链路。

15.6.3 幻觉：不是能否消除，而是如何约束

大模型的幻觉（生成看似合理但不符合事实的内容）在应急场景中后果严重。一份编造了伤亡数字的初报、一段虚构了标准条款的处置建议，都可能造成实际损害。

幻觉无法被彻底消除，只能被约束。可行的约束有四条。第一是检索增强：模型回答必须基于检索到的文档，并给出出处，无出处不回答。第二是结构化输出：把关键字段（时间、地点、数量、来源）做成必填的结构化槽位，由模型填充、由规则校验，而不是让模型自由生成整段文字。第三是拒答机制：当检索不到依据时，模型应当明确说“没有找到”，而不是“合理地猜”。第四是人审：任何对外发布的文本，必须有人签字。

四条约束里，第三条最容易被工程实现忽略，也最能体现一个系统是否真的可用。一个永远能给出答案的系统，在应急场景中比一个会说“不知道”的系统危险得多。

15.6.4 样本：稀缺且不能出域

应急领域的训练样本有三个特点：稀缺、敏感、时效性强。

稀缺是因为重大灾害样本本来就少，且历史数据的标注成本高。敏感是因为灾害影像、位置信息、人员信息大量涉及分类分级与保密要求，不能随意上传到外部算力。时效性强是因为灾害形态在变化，三年前的样本对今年的灾害未必适用。

这三个特点决定了应急大模型的建设路径不同于通用大模型：更适合“小样本加领域知识”的路线，即用少量高质量样本配合规则、知识图谱、检索来补足；更适合私有化部署或专用算力环境；更适合把“数据不出域”作为硬约束来设计训练与推理流程。

15.6.5 责任归属：谁签字谁负责

AI 输出的责任归属，在现行制度下是清晰的：行政决定由作出决定的人负责，技术成果由出具成果的单位负责。模型不承担责任，也不能成为免责理由。

这个原则在落地时会遇到具体问题。如果一名值班人员依据模型生成的建议作出了处置决定，责任在谁？合理的制度安排是：模型输出必须标注“辅助建议”，并保留生成依据与版本；采用建议的人应当在记录中说明采纳理由；系统应当保留完整的输入输出日志以备追溯。

把责任链条设计清楚，比争论“AI 会不会取代人”更有现实意义。至少在可预见的时期内，AI 在应急指挥中的角色是参谋，不是指挥员。

15.6.6 企业口径要如实标注

市场上已经出现面向应急场景的智能体产品，并给出了相当亮眼的指标。2025 年 12 月的一场“人工智能+应急管理”生态研讨活动上，有企业披露森林火灾应急智能体的火情识别准确率提升至 95% 以上、上报时间从 1 小时缩短至 3 秒（企业发布口径，2025-12）。

这组数据必须连同“企业发布口径”一起引用。原因有三：其一，准确率的测试集构成未公开，不同数据分布下的表现可能差异很大；其二，“上报时间 3 秒”衡量的是系统内部链路，不包含发现火情、确认火情、通知到人的全流程；其三，这类指标通常在理想条件下测得，与基层实际网络、终端、人员操作水平存在落差。

这不意味着企业数据不可信，而是意味着它不能被直接当作行业结论。引用企业口径时标注来源与条件，是研究报告的基本纪律。

15.7 知识图谱与规则引擎

知识图谱在应急里的确定性价值，是“把预案变成可执行的条件判断”，而不是“做一个图谱展示”。这个判断可以省下大量投资——如果目标只是展示，用一张关系图就够了，不需要图谱工程。

15.7.1 三个本体

应急知识图谱通常围绕三个本体构建：对象、事件、规则。

对象本体描述“有什么”：承灾体、应急资源、防护目标、责任主体。它需要与空间数据关联，每个对象都要有位置与行政归属。

事件本体描述“发生了什么”：灾害类型、等级、影响范围、演变阶段、处置动作。它需要与时间关联，因为事件的本质是状态序列。

规则本体描述“在什么条件下做什么”：触发条件、适用对象、处置动作、责任分工、时限要求。它是预案的结构化表达。

三个本体中，规则本体最难建也最有价值。对象与事件可以从既有数据中抽取，规则必须从预案文本中人工提炼，且要经过业务确认。这个工作量常被低估。

15.7.2 规则引擎：确定性不能被模型替代

规则引擎的价值在于确定性。给定一组条件，输出必须是唯一且可复现的。这与大模型的概率性输出形成互补。

在应急系统中，规则引擎适合承担四类任务：阈值判断（水位超过某值即触发）、条件组合（同时满足若干条件才升级响应）、流程驱动（按预案生成处置任务清单）、合规校验（检查动作是否符合规定）。

四类任务的共同点是“不能错”。阈值判断错了会误警或漏警，流程驱动错了会漏掉关键动作。这些环节交给概率模型是不负责任的。

15.7.3 与模型的分工

合理的分工是“规则保底、模型增强”。

规则保底指关键判断由规则引擎执行，模型不参与。模型增强指在规则的框架内，用模型提升效率：例如规则判定“需要转移”，模型负责生成转移通知的初稿、推荐安置点、估算所需运力。

这个分工的好处是：即使模型完全失效，系统仍然能给出正确的处置框架；模型表现好时，效率显著提升。反过来，如果让模型决定“是否转移”，一旦出错就是灾难性的。

知识图谱在这套分工中扮演“语义层”的角色：它把规则、对象、事件连成一张网，使模型能够在正确的上下文中检索与推理。没有图谱，模型只能面对一堆文本；有了图谱，模型可以按“这个隐患点属于哪个村、历史上发生过什么、关联哪些责任人”的路径去检索。

15.7.4 建设的现实成本

知识图谱建设的成本主要不在技术，而在知识获取与维护。

知识获取需要业务专家投入大量时间，把隐含在经验中的判断显性化。这部分工作无法外包，也无法用模型替代，因为模型学不到“没有写下来的知识”。

维护成本更高。预案会修订，职责会调整，对象会变化，图谱必须同步更新。一个建成后不再维护的图谱，两年后就会给出过时的建议，反而增加风险。因此图谱建设必须与预案管理流程绑定，预案修订时同步修订图谱，否则不要建。

15.8 时空大数据与数据要素

数据要素化的前提是“可计量、可授权、可追溯”，应急数据大多数还不满足。这个判断不是否定方向，而是说明当前阶段的主要任务是“把数据整理成要素”，而不是“把数据卖出去”。

15.8.1 政策框架

《现代化应急体系建设“十五五”规划》提出建立数据资源采集目录、推进算力一体化、加强数据安全治理（国发〔2026〕15号）。这三项要求构成了应急数据要素化的政策框架：采集目录解决“有什么”，算力一体化解决“能不能算”，安全治理解决“能不能放心用”。

地理信息数据的分类分级有专门规则。《地理信息数据分类分级工作指南（试行）》明确了重要数据目录的申报、审核、认定程序（自然资源部，2025-05）。这意味着应急地理信息数据在进入流通环节之前，必须先完成分级。

15.8.2 可信数据空间与授权运营

“可信数据空间”是近年出现的概念，其核心是让数据在“可用不可见”的前提下跨主体使用。技术上通常依赖隐私计算、联邦学习、可信执行环境等手段。

在应急领域，这个概念有现实需求：气象、水利、自然资源、交通、卫健的数据分散在各部门，融合分析的价值很高，但直接汇聚的合规成本与安全风险都很大。可信数据空间提供了一条中间路径：数据不出域，模型到数据所在处计算，只带走结果。

但这条路径在应急场景中有一个天然的矛盾：应急要求“快”，而跨域计算、多方授权、结果验证都需要时间。因此在实时指挥场景中，可信数据空间的适用性有限；在风险评估、规划编制、事后评估这类非实时场景中，它的价值更大。分清场景，比笼统讨论“数据要素”更有意义。

15.8.3 应急数据的三个特殊性

应急数据与一般政务数据相比，有三个特殊性，这三点决定了它很难直接套用通用的数据要素化路径。

第一是时效性。灾害数据在灾害发生后的几小时内价值最高，之后迅速衰减。一条三小时前的道路中断信息是决策依据，三天后的同一条信息只是历史记录。这种“价值随时间指数衰减”的特性，使得数据的定价、授权、交易机制都难以照搬常规做法。

第二是公益性。应急数据的首要用途是减少人员伤亡与财产损失，这属于典型的公共产品。把它完全交给市场机制配置，会导致在最需要的时候反而用不上。

第三是敏感性。灾害影像可能包含重要设施、人员分布、防护目标，位置精度本身就是敏感信息。这决定了应急数据的开放必须是有限度的、经过审查的。

三个特殊性指向同一个结论：应急数据的要素化，应当以“内部高效流转”为主、“对外授权运营”为辅。把顺序搞反，会在合规上摔跟头。

15.9 技术成熟度判断

这一节给出的是判断方法，不是产品清单。技术成熟度会随时间变化，判断方法则相对稳定。

15.9.1 三个分级标准

本章采用三级划分：已在用、试点中、演示中。划分标准不是“技术先进程度”，而是“能否在真实业务中稳定交付”。

已在用的判据有三条：有稳定的数据源、有可复现的精度、有明确的责任主体。三条都满足，才算在用。

试点中的判据是：技术路径已通，但在数据、精度或组织上还有一项未解决，需要限定范围验证。

演示中的判据是：能在受控条件下展示效果，但缺少稳定数据源、缺少精度验证、或缺少数额明确的运维安排。这类技术可以进规划，不宜进预算。

15.9.2 已在用的技术

遥感变化检测与目标识别，在房屋倒损、淹没范围、道路中断等场景已有稳定交付。前提是有本地样本与人工复核环节。

InSAR 形变监测，在地质灾害隐患点筛查中已有业务化应用。前提是区域相干性满足、有核查队伍跟进。

无人机快速三维，在应急测绘保障中已是标配手段。前提是空域可协调、有数据处理能力。

实景三维与格网产品，已作为统一底座提供。前提是按“格网为主、精细为辅”使用。

北斗短报文与高精度定位，已在通信保障与专业监测中使用。前提是终端普及与演练到位。

规则引擎与业务流程驱动，在预案数字化、响应流程管理中已广泛使用。前提是规则经过业务确认。

15.9.3 试点中的技术

大模型底座与智能体，处于试点阶段。政策已明确方向，部分场景（文书生成、自然语言查图）已在试用，但覆盖面、稳定性、责任机制尚未定型。

数字孪生流域与城市，处于试点向批量建设过渡的阶段。水利行业进展较快，跨行业复用的模式仍在探索。

知识图谱驱动的预案推理，处于试点阶段。瓶颈在知识获取与维护成本。

多源数据融合的风险评估模型，处于试点阶段。瓶颈在参数率定与验证数据。

15.9.4 演示中的技术

全自动灾损核定，仍处于演示阶段。技术上可以做出端到端的流程，但精度与责任机制都不支持无人复核。

跨模态的指挥决策辅助，仍处于演示阶段。演示环境下的信息完整度远高于真实灾害现场，效果不可迁移。

完全自主的应急处置，不成立。应急决策涉及价值判断与责任承担，这两件事无法委托给系统。

表15-4 应急 GIS 相关技术的成熟度判断

15.9.5 边界与误区

第一，把“能演示”当成“能交付”。演示环境的数据是准备好的，现场的数据是残缺的，两者的差距往往比技术本身的差距更大。

第二，用通用模型解决领域问题。通用模型在开放域表现好，在专业术语密集、数据敏感的应急领域，往往不如小样本加规则。

第三，把精度指标当成能力指标。一个模型在测试集上精度很高，但如果推理时间超过业务时限，它在现场的价值就是零。

第四，忽视人的环节。任何智能系统都要经过“人看到—人相信—人使用”三关，前两关不过，技术再好也不会被用。

第五，把 AI 当成免责工具。“系统建议这么做”不能成为免责理由，责任始终在人。制度上不明确这一点，一线人员会用脚投票，拒绝使用。

边界方面，本章讨论的所有技术都以“有稳定数据源与明确责任主体”为前提。缺少这两个前提，技术选型再先进也无法落地。这也是为什么在应急信息化中，数据治理与组织保障的优先级，永远高于算法选型。

本章小结

应急 GIS 的智能化，正在沿着“感知—识别—研判—决策”这条链条自下而上推进。目前在感知与识别环节已有可交付的能力，在研判环节处于辅助地位，在决策环节基本不成立。这不是技术悲观，而是对业务性质的尊重：应急决策的核心是价值排序与责任承担，这两件事无法被算法替代。

本章反复出现的三个约束值得记住：样本决定模型能用多久，验证决定模型能信几分，责任决定模型能走多远。三者中任何一项缺失，技术都会停在演示阶段。

还需指出一个容易被政策热词掩盖的事实：多数基层单位当前最紧迫的需求，不是引入大模型，而是把台账、底图、编码这三件基础工作补齐。基础不牢的情况下引入智能技术，只会把原有的数据混乱放大——模型会更快地把错误数据加工成看起来可信的结论，而这种结论比明显的空白更难被识别。

对实践者而言，最务实的路径不是追逐最新的模型，而是把三件基础工作做扎实：建立并持续更新本地样本库，为每类成果标注精度等级与适用条件，把 AI 输出严格限定在辅助环节并保留完整日志。这三件事做完，中等水平的技术也能产生稳定价值；这三件事不做，最先进的技术也只能停留在汇报材料里。最后回到本章开头的判断：智能化在感知与识别环节已经可用，在研判环节是辅助，在决策环节不成立。这个判断会随着技术演进而变化，但变化的方向不是“机器替代人”，而是“机器承担更多信息处理，人承担更多价值判断”。把这条分工线划清楚，技术才会真正提高应急管理的效率，而不是增加新的不确定性。

思考与练习

1. 选一项你见过的“智能识别”功能，用三问框架评估它：解决了什么、什么条件下可靠、现在处于什么阶段。
2. 为某类地物识别任务设计一份最小样本库方案（数量、分布、标注规范、更新周期），并说明样本不足时的降级做法。
3. InSAR 结果与地面巡查结论冲突。请写出排查顺序与各自的证据强度，并说明最终如何表述结论。
4. 无人机三维在震后 12 小时内能提供什么、不能提供什么？请各列三条，并说明精度声明应当怎么写。
5. 设计一条“AI 输出必须留痕”的流程，要求记录输入、模型版本、置信度、复核人与复核结论。
6. 本章说“基础不牢时引入智能技术只会放大混乱”。请举一个具体例子，说明放大机制，并给出先补基础的顺序。