Die Black Box öffnen: erklärbare KI zur automatisierten Analyse von Bioturbation in Bohrkernen und Aufschlüssen

Verborgene Hinweise im uralten Schlamm erkennen

Wenn Tiere durch weichen Meeresboden graben, hinterlassen sie ein Labyrinth von Gängen, das über Millionen von Jahren erhalten bleiben kann. Diese feinen Muster, als Bioturbation bezeichnet, helfen Geologen, vergangene Umweltbedingungen zu lesen und sogar Öl- und Gaslagerstätten zu finden. Das Erkennen und Einstufen dieser Spuren von Hand ist jedoch langsam und subjektiv. Diese Studie zeigt, wie eine neue Generation „erklärbarer“ künstlicher Intelligenz diese Aufgabe nicht nur automatisieren kann, sondern auch genau offenlegt, worauf der Computer seine Aufmerksamkeit richtet und damit die Black Box in eine gläserne Box verwandelt.

Warum Gänge im Gestein wichtig sind

Viele geologische Entscheidungen beginnen immer noch mit einfachem Hinschauen: an Klippen, Bohrkernen und Dünnschliffen. Die Anordnung der Schichten, wie sauber oder gestört sie erscheinen und wo Gänge sie durchschneiden, geben Hinweise auf Wassertiefe, Energieverhältnisse, Sauerstoffgehalt und die Organismen, die dort einst lebten. Geologen fassen diese Störung häufig als Bioturbationsintensität zusammen, die von ungestörten Lagen bis zu vollständig durchmischtem Sediment reicht. Diese Einstufungen sind entscheidend, um uralte Küstenlinien zu rekonstruieren und zu beurteilen, wie leicht Fluide durch vergrabene Sandsteine fließen können, die als Lagerstätten dienen. Selbst Experten können jedoch uneinig sein, insbesondere in Grenzfällen, in denen die Bioturbation moderat und nicht klar schwach oder stark ist.

Dem Computer beibringen, Gesteinsfotos zu lesen

Die Autoren bauen auf einem früheren Deep-Learning-Modell auf, das darauf trainiert wurde, Fotos von Sandsteinkernen und Aufschlüssen in drei grobe Bioturbationsgrade zu sortieren: ungestört, mäßig gestört und stark gestört. Das Modell hatte bereits hohe Genauigkeit gezeigt und die meisten der 262 Testbilder korrekt klassifiziert. In dieser Studie verlagert sich der Fokus von „Wie gut ist es?“ zu „Was sieht es tatsächlich?“. Um das zu beantworten, verwendet das Team erklärbare KI-Werkzeuge, die über jedes Bild Heatmaps erzeugen und die Bereiche hervorheben, die die Entscheidung des Modells am stärksten beeinflusst haben. Rötlichere Bereiche sind für die Entscheidung wichtiger; kühlere Töne weniger. Dieser Ansatz erlaubt es Geologen, die visuelle Aufmerksamkeit der Maschine mit der eines erfahrenen Ichnologen — eines Experten für Spurenfossilien — zu vergleichen.

Wie die Black Box aufleuchtet

Das Verfahren, bekannt als Grad-CAM, greift in die letzten Schichten des neuronalen Netzes ein, wo das Bild in grobe Merkmalsfelder destilliert wurde. Wenn das Modell eine Klasse wählt, misst Grad-CAM, wie empfindlich diese Entscheidung gegenüber jedem Feld ist, und projiziert das Ergebnis dann als farbige Überlagerung zurück auf das Originalfoto. Bei unbioturbierten Gesteinen leuchten die Heatmaps häufig Felder mit gut erhaltenen Schichtungen oder massigen, ungestörten Einheiten auf und heben manchmal auch natürliche Brüche oder verstreute Kiesel hervor, die sich vor einheitlichem Hintergrund abheben. In mäßig bioturbierten Bildern zielen die Karten meist auf einzelne Gänge oder Zonen ab, in denen die Schichtung teilweise gestört ist, und stimmen damit eng mit dem überein, was menschliche Experten markieren würden. In stark durchmischten Proben, wo nahezu alle ursprünglichen Strukturen ausgelöscht sind, zeigen die Karten ein gesprenkeltes Muster, das die allgegenwärtige Durchmischung des alten Meeresbodens widerspiegelt.

Was das Modell falsch macht — und warum

Weil die Erklärungen visuell sind, können die Forschenden die Fehler des Modells untersuchen, statt sie nur als Fehler zu protokollieren. Manche ungestörten Bilder wurden als bioturbiert fehlinterpretiert, wenn bestimmte Gerölle oder Texturen zufällig Gängen ähnelten. In anderen Fällen wurden winzige oder sehr schwache Spurenfossilien übersehen, besonders wenn sie nur eine kleine Bild Ecke belegten. Sehr große Strukturen bereiteten ebenfalls Probleme: Wenn ein einzelner breiter Gang den größten Teil des Bildes einnahm und seine inneren Details gedämpft waren, behandelte das Modell ihn als formlose Masse statt als Spur. Wichtig ist, dass die Heatmaps zeigen, dass das System im Allgemeinen nicht-geologische Störelemente wie Stiftmarken, Schnittspuren oder Schatten ignoriert, was demonstriert, dass es gelernt hat, sich auf Gesteinsgefüge statt auf fotografisches Rauschen zu konzentrieren. Die Autoren schlagen vor, dass vielfältigere, qualitativ hochwertigere Trainingsbilder und eine bessere Abdeckung von Grenzstufen der Intensität die Leistung weiter verbessern würden.

Vom Expertentool zur Lehrhilfe

Indem die inneren Abläufe des Modells offen gelegt werden, hilft erklärbare KI, die Vertrauenslücke zwischen Geowissenschaftlern und Algorithmen zu schließen. Die Studie zeigt, dass die Aufmerksamkeit des Netzwerks meist mit dem Expertenurteil übereinstimmt und sich auf dieselben Gänge und gestörten Zonen konzentriert, die ein ausgebildeter Ichnologe betonen würde. Diese Transparenz erleichtert die Einführung automatisierter Bioturbationsanalysen in Forschung und Industrie, wo konsistente, schnelle Durchsicht großer Bildbestände Zeit sparen und menschliche Verzerrungen reduzieren kann. Gleichzeitig dienen die farbigen Heatmaps als Lehrmittel, die die Aufmerksamkeit von Studierenden auf die feinen texturalen Hinweise lenken, die ungestörte, mäßig gestörte und stark durchmischte Gesteine unterscheiden. Indem unsichtbare Modellentscheidungen in sichtbare Muster verwandelt werden, weist die Arbeit in eine Zukunft, in der KI die geologische Intuition nicht ersetzt, sondern schärft und skaliert.

Zitation: Ayranci, K., Yildirim, I.E., Yildirim, E.U. et al. Opening the black box: explainable AI for automated bioturbation analysis in cores and outcrops. Sci Rep 16, 9725 (2026). https://doi.org/10.1038/s41598-026-40747-5

Schlüsselwörter: erklärbare KI, Bioturbation, geologische Bildanalyse, Deep Learning, sedimentäre Kerne