面向产量估计的信任感知多模态数据融合：2020 贝兰特大爆炸案例研究

从异构观测数据估计爆炸产量在逆问题中存在根本性挑战，尤其是当将传统物理测量与现代人工智能解释模态融合时。我们提出一种新型贝叶斯分数后验框架，用于融合地震波、坑洞尺寸、合成孔径雷达图像以及由视觉-语言模型解释的地面图像，以估计 2020 年贝兰特大爆炸的产量。不同于传统方法对待各数据源平等，本方法通过狄利克雷先验学习每个模态的信任权重，自动校准不同观测的相对信息含量。应用于贝兰特大爆炸，该框架给出 0.34--0.48 kt 相当于 TNT 的产量估计，代表从爆炸储存的氨硝酸钙理论最大产量 2.75 kt 所产生的爆炸效率的 12% 至 17%。分数后验方法在单模态估计之外显示出优异的不确定性量化能力，同时对抗系统偏差具有鲁棒性。本工作建立了将定性评估与定量物理测量相结合的原则框架，适用于爆炸监测、灾后应对和法医学分析。