1. 引言
1.1. 研究背景
火山喷发是地球动力系统中最剧烈、最具视觉冲击力的自然现象之一，常在地球科学教学与公众展示中被用作关键案例[1]。然而，其复杂的地质结构、能量释放机制与快速动态过程，使得传统静态图像难以全面呈现其三维特征与物理逻辑。手绘或剖面图虽常见于教材，但在科学准确性与视觉传达之间仍难以平衡。
随着生成式人工智能的发展，诸如Midjourney与GPT-4o等以自然语言为输入的图像生成工具，为非专业用户提供了构建科学图像的新途径。然而，这些生成图像是否具有足够的科学合理性？提示词如何设计才能引导模型生成具有物理一致性与解释力的教学图像？目前尚缺乏系统研究与实践验证。
本研究以火山喷发三维演化模型图为例，提出融合GPT-4o语义能力与Midjourney图像生成机制的优化流程。通过语义演化的提示词设计与多轮图像比对分析，本研究探索了一种兼顾视觉表现与科学解释力的AI辅助图像生成范式，为地学科普教学与跨领域应用提供了方法参考与理论基础。
1.2. 火山喷发的视觉挑战与AI图像生成的突破潜能
火山喷发是地球内部能量释放的集中体现，涉及岩浆活动、地层破裂、气体逸散与热羽上升等一系列复杂的地球物理过程。从板块构造的角度来看，火山多分布于俯冲带、裂谷带或热点区域，是板块动力学、地幔对流与地壳应力共同作用的结果[2]。然而，这一自然现象虽然具有高度的科学价值和社会关注度，其三维结构与动态演化过程却常常难以被有效传达，尤其是在面向公众的教学与展示中，存在“难以想象”“难以还原”的长期问题。
传统的火山演化模型图多为二维简化模型，主要依靠人工绘图或静态渲染，虽然具备一定的示意性与教育功能，但在表现岩浆通道系统、气体储层分布、喷发动能路径等空间要素时存在局限[3] [4]。这类图像往往过于理想化或艺术化，缺乏物理结构的准确性与过程机制的因果表达，难以满足新一代地球科学教育中“可视化–理解–推理”一体化的学习目标。
近年，生成式人工智能(Generative AI)技术快速发展，尤其是以自然语言提示词驱动图像生成的工具，如Midjourney、DALL·E与Stable Diffusion等，为科学图像的表达打开了新的可能。用户无需掌握建模软件与绘图技术，仅需输入语义明确的描述性语言，即可生成具备艺术张力与视觉复杂度的图像。这类系统具备强大的语义理解能力与图像生成算法支撑，在科学教育、博物馆展览、教材设计等领域展现出极大潜力[5]。但与此同时，如何确保AI生成图像的科学合理性、结构清晰度与可解释性，也成为当前跨领域应用中的关键挑战。
本研究以“火山喷发三维演化模型图”为核心案例，探讨如何通过提示词优化与多轮AI生成过程，使生成图像逐步贴近科学结构、符合物理逻辑，并具有教学可用性。研究结合OpenAI的GPT-4o模型进行语义链分析，并使用Midjourney进行图像生成，以“语意–结构–动能–标签”四大要素为导向，提出一套具备迭代性、可控性与教育潜能的AI图像生成策略。
本研究的目标，不仅是提升AI图像的视觉效果，更重要的是探索一种具备科学内涵的图像建构路径，使生成式AI成为地球科学教育中的知识转译工具。通过构建跨模态的“语意驱动图像生成链”，本研究期望推动生成式AI从“美术辅助”走向“科学建模”的教育价值转型，也为未来在气象灾害、地质构造、环境变化等多类型地学主题中的图像生成应用奠定基础。
2. AI图像优化流程构建：多轮迭代与结构强化
本研究构建的图像优化流程围绕四个核心目标展开：结构可视化、动能强化、物理一致性、科学标注。通过引入GPT-4o模型的图像生成与解析能力，配合逐轮提示词的语意设计，我们系统性地提升了火山喷发三维演化模型图的科学性与教学适用性。
从图1~5的演进，不仅是画面元素的添加，更是一次次物理概念的重建。每轮图像生成，皆以新的提示词对物理现象进行语意拆解与重构，借由GPT-4o的图像识别能力回馈结构完整性，推动下一阶段的迭代优化。
2.1. 第一轮生成：风格主导，科学性不足
图1使用提示词Prompt-1，导入Midjourney生成：
“exploded cutaway of a volcano mid-eruption, upper cone shattered with magma fragments and ash ejecta radiating outward, the dense eruption column spiraling upward with embedded lightning, molten lava surging through fissures and branching vents, subsurface layers revealed with magma chamber, dike networks, and gas reservoirs highlighted, set within a convergent plate boundary framework beneath crust and lithosphere, intense and chaotic visual energy reflecting tectonic violence and volcanic instability, 3D infographic style with labeled elements and semi-transparent lithospheric slices, strong directional lighting from beneath emphasizing heat plumes and shockwave lines --chaos 18 --ar 3:2 --quality 2 --raw --stylize 880 --v 6”
生成图像具艺术张力，喷发柱有一定立体感，岩浆发光效果突出。然而，底层结构如地壳(crust)、岩浆房(magma chamber)、分支岩脉(dikes)等元素模糊或缺失[6]，图像更接近幻想插画而非科学剖面图。
Figure 1. Initial volcanic eruption image generated by Midjourney
图1. 由Midjourney生成的火山喷发初始图像
2.2. 第二轮优化：引入地质分层与构造元件
针对图1的缺陷，由ChatGPT-4o诊断并于第二轮生成中强化底层结构提示，透过以图生图的方式，以Prompt-2生成图2：
“exploded cutaway 3D infographic of a volcano mid-eruption, twin upper cones violently shattered, magma fragments and ash cloud bursting outward, dense eruption column spiraling upward with visible lightning bolts, glowing lava flowing through multiple fissures and dikes, subsurface layers fully revealed with magma chamber, dike networks, and gas reservoirs highlighted, tectonic convergence zone beneath crust and lithosphere with clear subduction arrows, strong bottom lighting emphasizing thermal plumes and shockwaves, photorealistic style with clean English scientific labels --v 6 --style raw --ar 16:9”
此阶段图像(图2)首次呈现出具分层结构的火山构造，底部岩浆房、岩浆通道、火山灰、岩脉网路与气体储层布局初具雏形，但喷出口上方的红色网络可去除。其物理基础可参考地质文献中关于火山下部岩浆迁移与气体聚集的描述[7] [8]。
2.3. 第三轮强化：导入爆炸动能与喷发动力学
同上，以ChatGPT-4o分析图2，其虽具结构层次，但火山锥顶结构仍过于完整，缺乏爆炸表现[9]。因此第三轮提示Prompt-3聚焦火山喷发动力学：
Figure 2. Volcanic eruption image optimized by GPT-4o: Introducing geological stratification and structural elements.
图2. 由GPT-4o优化的火山喷发图像——引入地质分层与构造元件
“exploded cutaway 3D infographic of a volcano mid-eruption, twin volcanic cones violently shattered with magma fragments and ash bursting outward, thick eruption column spiraling upward with embedded lightning bolts, concentric shockwave rings radiating from the blast, glowing lava flowing through fissures and dike networks, underground gas reservoirs visible as translucent pockets, fully exposed crust, lithosphere and subducting plate structure in a convergent tectonic setting, directional light from below highlighting thermal plumes and tectonic stress, photorealistic, labeled scientific diagram in English --v 6 --ar 16:9 --style raw”
图3展现明显破碎结构，岩块飞散方向具有动势。震波环形结构亦开始出现，为后续螺旋上升气柱与冲击波动能埋下基础[10] [11]；此外，火山弹、火山灰地质元素表达形象，但气体储存模型过于突兀可弱化，红色网络可去除。该阶段图像逐渐体现出火山喷发中“破碎模型”(fragmentation model)与“喷发柱动力学”(eruption column dynamics)交互作用的视觉意象[12]。
Figure 3. Volcanic eruption image optimized by GPT-4o: Incorporating explosive kinetic energy and eruption dynamics
图3. 由GPT-4o优化的火山喷发图像——导入爆炸动能与喷发动力学
2.4. 第四轮迭代：整合热羽流与震波能量释放
为进一步呈现火山喷发中的热羽流螺旋上升、雷电嵌入与震波辐射三重现象，我们设计Prompt-4：
“exploded cutaway 3D infographic of a volcano mid-eruption, twin volcanic cones violently shattered with magma fragments and ash rocks flying outward, thick eruption column spiraling upward with multiple lightning bolts, concentric shockwave rings radiating from the eruption center, lava glowing along branching dikes and fissures, translucent gas reservoirs embedded underground, fully exposed crust-lithosphere-subducting plate layers in a convergent plate boundary setting, plume-like heat flow rising from the magma chamber, photorealistic scientific diagram with labeled elements in English --v 6 --ar 16:9 --style raw”
图4为本次实验的关键转折，首次达成动态层次的整合表现。喷发柱如龙卷般螺旋上升，雷电贯穿其间，震波环清晰向外扩张。此外，图4展现出岩浆来源，表达专业。但气体储存弱化，形状一般不为圆形，一般是顺着岩体微裂隙储存。上方红色网络删除。此图像基本重建出与热羽流理论相符的结构形态[7] [8]，亦直观展现震波传播(shockwave propagation)的视觉路径。
Figure 4. Volcanic eruption image optimized by GPT-4o: Integrating thermal plumes and shockwave energy release
图4. 由GPT-4o优化的火山喷发图像——整合热羽流与震波能量释放
2.5. 最终整合：实现可用于教学的科学剖面图
在多轮迭代的基础上，最终版本(图5)融合前述所有科学元素，提示词Prompt-5综合且精准：
“exploded cutaway 3D infographic of a volcano mid-eruption, twin volcanic cones violently shattered with cracks, missing segments, and magma rock fragments bursting outward, thick ash and fire eruption column spiraling upward like a tornado, embedded with lightning bolts, concentric glowing shockwave rings expanding from the eruption center, lava channels flowing along branching fissures and dike networks, underground translucent gas reservoirs clearly marked, full exposure of crust, lithosphere, and subducting plate in a convergent tectonic zone, rising heat plume with intense bottom lighting, photorealistic scientific infographic labeled in clean English --v 6 --ar 16:9 --style raw”
该图标注明确，构造逻辑清晰，火山锥缺角、飞岩、熔岩分支流动与气柱螺旋上升具备一致的动力逻辑，图像质量已可支持作为中学地科教材或博物馆展示。图中所展现的剖面结构与地质构造，亦符合近年来有关火山喷发动力学与岩浆迁移模型之研究成果[13] [14]。
本研究邀请一位地质科学家针对图5进行盲评，专家反馈图5十分形象及美观，且图中的地质元素呈现专业。专家也建议1) 若能把喷发物距离火山口邻近的改为火山弹，而随着远离火山口其直径逐渐变小，及至最远的成为火山灰等，2) 山体表面可否增加熔岩？这些建议将纳入下一轮的实验中改善。
Figure 5. Volcanic eruption image optimized by GPT-4o: Final integrated version
图5. GPT-4o优化的火山喷发图像——最终整合版本
3. 多轮语意驱动的视觉生成与物理结构重构
火山喷发图像的生成优化，不仅是图像构成要素的逐步补全，更是一场语言与物理概念之间的编码与解码过程。在本节中，我们结合GPT-4o的语意理解与Midjourney的图像生成能力，透过多轮提示词(prompt)设计与实验，逐步建立一套「语意链驱动的视觉耦合逻辑模型」(semantic-driven visual coupling model)，使火山喷发的复杂结构得以科学且美学兼备地呈现。
3.1. 提示词演化与图像变异的耦合观察
本研究从初始的图像生成(图1)开始，逐轮调整提示词语意结构与密度，并透过GPT-4o进行图像语意检核与结构建议。为系统化观察语意变化与图像生成之间的关联，我们汇整并分析图1~5之提示词与关键变异特征(表1)。
Table 1. Comparison of semantic evolution in visual prompts for volcanic eruptions
表1. 火山喷发视觉提示词语意演化对照表
图像 |
关键提示词语句(英文) |
显著视觉变化 |
图1 |
“exploded cutaway infographic of a volcano mid-eruption, photorealistic” |
仅有装饰性火山形象与粗略剖面，缺乏分层与物理一致性 |
图2 |
“subsurface layers revealed with magma chamber, dike networks, and gas reservoirs highlighted” |
出现地下结构与气体储层，部分地层边界可见 |
图3 |
“twin volcanic cones violently shattered with magma
fragments and ash rocks flying outward” |
火山破裂、飞岩动势出现，动能释放概念初步成形 |
图4 |
“spiraling upward fire column, explosive concentric shockwave rings” |
热羽柱与震波环完整形成，开始体现羽流动力与压力释放模型 |
图5 |
“tornado-like fire column, translucent gas reservoirs,
labeled English diagram, 3:2 aspect ratio” |
各构造整合呈现，图像达到物理一致性与教学展示的完整性 |
提示词的语意设计，呈现出一种由抽象形容(如“photorealistic”)迈向具体物理概念(如“shockwave rings”“gas reservoirs”)的语义进化轨迹。从单点式名词(如lava、eruption)进展至多层结构与动态相互关联的描述，逐步建立视觉与地球科学知识的耦合机制。
这类语意设计实际上建立了从地球科学理论→自然语言→图像生成的语意链结(semantic chaining)。当语句越具物理意义与空间逻辑，其对应图像的结构一致性与物理解释潜力亦随之提升。
3.2. 语意结构与物理原理的映射实践
在每轮图像生成中，语意词组的设计皆对应特定物理过程。例如图2中的“subsurface layers revealed”对应地球物理的岩浆房压力累积与气体扩散理论[15]；图4提示词中的“spiraling upward”及“shockwave rings”直观对应火山热羽流[7]与爆炸震波[16]的动态模型。
以下为本研究中所使用的提示词(Prompt-1至Prompt-5)之摘要整理：
Prompt-1：装饰性剖面结构photorealistic
Prompt-2：地下结构层析强化magma chamber + gas reservoirs
Prompt-3：破裂动能表現shattered cones + rock fragments
Prompt-4：羽流与震波场景建构spiraling column + shockwave rings
Prompt-5：全结构整合与教学图定位translucent reservoirs + labeled components
每一轮提示词皆逐步导入新的物理词汇与视觉元素，形成「语意叠加–视觉聚合」的耦合过程。这种过程既可回溯(由图像追踪语意)也可前导(由语意推进视觉)，具备双向知识建构潜力。
4. 结语
本研究以火山喷发三维演化模型图为例，提出一套语意引导的生成式AI科学图像优化流程，结合GPT-4o的提示词构建、ChatGPT-4o多模态图像解析，及Midjourney的图像生成能力，探索“语言–图像–物理结构”之间的转换逻辑。在对比初始生成与多轮优化结果的过程中，我们揭示了提示词细化如何逐步增强图像的科学性、可解释性与教学价值，进而构建出具备物理一致性与视觉清晰度的科学图像。
GPT-4o在多轮提示词对话中展现出对火山动力结构、地层层次、热羽与震波等复杂语义的高度适应能力。通过链式提示词引导(prompt chaining)与语义层次重构，我们能够将地质学知识系统性地转化为具体可视化要素，提升图像的学术参考价值与传播效果。最终版本不仅呈现岩浆库、火山口、裂隙、热柱与气体层等关键结构，也具备用于科普展览与数字教材的潜力。
此外，我们提出提示词演化分析表(表1)，追踪语句变化如何影响图像生成表现。结果表明，从抽象描述如“photorealistic”转向具体术语如“concentric shockwave rings”能显著提升图像的物理逻辑与教学适用度。这说明语义精度与图像结构质量之间存在可调控的映射关系。
面向未来，AI辅助科学图像生成有望在数字科普、在线教育、沉浸式展示等领域发挥重要作用[17]。但当前模型仍存在物理机制认知不足、生成不确定性高等问题。因此，构建跨模态语料、开发物理嵌入式生成框架、增强人机协同机制，将是推动此技术走向成熟的重要方向。本研究不仅提供一套可操作的优化流程，更揭示了AI语言模型如何介入科学图像构建过程，形成从语言推理到空间建模的认知桥梁。这对于促进AI在地球科学教育与公众传播中的实践应用，具有积极的启示价值。
基金项目
本论文接受黄冈师范学院博士基金项目“似台风涡漩通过地形模拟与扩增实境科普应用”(项目编号：2042022027)、黄冈师范学院教学研究项目“教育大语言模型于现代教育技术的应用研究”(项目编号：0601202435)及黄冈师范学院博士基金项目“似台风涡漩通过地形模拟与大语言模型融合应用”(项目编号：204202535904)的资助，特此致谢。
NOTES
*通讯作者。