Integrierte pixelgenaue Fernerkundung und erklärbares Machine Learning zur Erforschung von natürlichem Wasserstoff im südöstlichen Teil des Prikaspiatischen Beckens, Westkasachstan

Warum versteckter Wasserstoff wichtig ist

Wasserstoff wird oft als sauberer Treibstoff der Zukunft gepriesen, doch der Großteil davon wird heute mit erheblichem Energie- und Kostenaufwand erzeugt. Eine leisere Geschichte entfaltet sich jedoch unter unseren Füßen: Die Erde selbst könnte natürlich große Mengen an Wasserstoffgas produzieren. Diese Arbeit untersucht, wie Wissenschaftler subtile Oberflächenhinweise aus dem All erkennen und transparente, erklärbare künstliche Intelligenz einsetzen können, um einzugrenzen, wo natürlicher Wasserstoff in den Gesteinen Westkasachstans verborgen sein könnte.

Eine neue Art von Energieschatzsuche

Im Gegensatz zu Öl und Gas ist natürlicher Wasserstoff leicht, tritt leicht aus und hinterlässt an der Oberfläche nur schwache Fingerabdrücke. Klassische Werkzeuge wie seismische Untersuchungen oder Gravimetrie haben Schwierigkeiten, ihn direkt zu detektieren. Dennoch wurde in mehreren Regionen der Welt Wasserstoff mit bestimmten Gesteinstypen, tiefen Verwerfungen und ungewöhnlichen runden Oberflächendepressionen, den sogenannten „Feenringen“, in Verbindung gebracht. Das Prikaspiatische Becken in Westkasachstan beherbergt bereits riesige Ölfelder, dicke Salzschichten, die gute Dichtungsschichten bilden, und Gesteine, von denen bekannt ist, dass sie Wasserstoff erzeugen können. Dieses geologische Rezept legt nahe, dass das Gebiet auch Taschen natürlich erzeugten Wasserstoffs speichern könnte, wenn wir lernen, sie effizient und kostengünstig zu finden.

Unsichtbares Gas aus dem All sehen

Die Forschenden nutzten die europäischen Sentinel-2-Satelliten, die von der Erde reflektiertes Sonnenlicht in mehreren Farben aufzeichnen, darunter Wellenlängen, die auf Vegetation, Bodennässe und Oberflächenminerale reagieren. Jedes Satellitenbild besteht aus winzigen Quadraten, sogenannten Pixeln, mit einer Kantenlänge von 10 Metern — etwa der Größe eines kleinen Grundstücks. Für jedes Pixel in der Region Atyrau in Westkasachstan berechnete das Team eine Reihe numerischer Merkmale: Rohspektralbänder, einfache Indizes zur Überwachung der Pflanzen­gesundheit und der Oberflächenfeuchte sowie Texturmaße, die erfassen, wie rau oder einheitlich der Boden erscheint. Diese Zutaten bildeten eine 22-Variable-Beschreibung der Oberflächenbedingungen jedes Pixels, ganz ohne Bohrungen oder lokale Probenahmen.

Maschinen beibringen, subtile Muster zu erkennen

Um diese Oberflächensignaturen mit möglicher Wasserstoffmigration zu verknüpfen, verwendete das Team vier bewährte Machine-Learning-Methoden, die sich bei Klassifizierungsaufgaben bewährt haben. Sie trainierten diese Modelle an Millionen von Pixeln, die von Experten anhand früherer Felduntersuchungen und geologischer Erkenntnisse als wahrscheinlich wasserstoffbezogen oder nicht gekennzeichnet worden waren. Anstatt für jedes Pixel nur eine Ja‑/Nein‑Antwort zu liefern, erzeugten die Modelle eine Wahrscheinlichkeit dafür, dass Wasserstoff vorhanden ist. Es wurde ein strenger Schwellenwert angewendet, sodass nur sehr sichere Pixel markiert wurden. Zur Erhöhung der Zuverlässigkeit behielten die Forschenden nur Standorte, an denen mindestens drei der vier Modelle übereinstimmten, und gruppierten anschliessend benachbarte Pixel zu Clustern, die reale, wasserstoff‑anfällige Zonen darstellen könnten, statt isolierter Rauschpunkte.

Die „Black Box“ der künstlichen Intelligenz öffnen

Eines der Hauptanliegen beim Einsatz von Machine Learning in den Geowissenschaften ist Vertrauen: Wenn ein Modell sagt „dieser Ort sieht vielversprechend aus“, wollen Experten wissen, warum. Die Studie integrierte deshalb Erklärbarkeit direkt in den Arbeitsablauf. Mit einer Technik namens SHAP maßen die Autorinnen und Autoren, wie stark jedes spektrale Merkmal ein Pixel in Richtung oder weg von einer Wasserstoff‑Vorhersage beeinflusste. Über die verschiedenen Modelle hinweg traten ähnliche Muster zutage. Bänder im nahen Infrarot und im kurzwelligen Infrarot — sensitiv gegenüber Vegetationsstress, trockenen Mineralschichten und salzreichen Oberflächen — erwiesen sich durchgängig als am einflussreichsten. Als diese Karten zur Merkmalsrelevanz über geologische Schnittstellen und bekannte Verwerfungen gelegt wurden, fielen viele hoch bewertete Regionen mit plausiblen Migrationspfaden und Oberflächenanomalien zusammen, was den physikalischen Plausibilitätsbeitrag der Modellentscheidungen stärkte.

Vom großflächigen Screening zu Felduntersuchungen

Die resultierenden Karten sind kein direkter Beweis für verborgene Wasserstofflagerstätten, bieten aber ein leistungsfähiges Screening‑Werkzeug. Die Modelle neigen dazu, potenzielle Standorte großzügig zu markieren — sie erfassen die meisten pixel, die wasserstoffähnlich erscheinen, erzeugen dabei jedoch auch viele Fehlalarme. Für die Frühphase der Exploration ist dieses Verhältnis akzeptabel: Ziel ist es, eine riesige Grenzregion auf eine handhabbare Menge Ziele für Feldkampagnen zu reduzieren. In Atyrau hebt der Ansatz eine Handvoll kohärenter Cluster hervor, einige davon entlang tiefer Verwerfungen und Salz‑„Fenstern“, durch die Gas plausibel aus dem Untergrund aufsteigen könnte. Durch die Kombination von Satellitendaten, pixelgenauem Machine Learning und klaren Erklärungen dafür, was jede Vorhersage antreibt, bietet die Studie eine interpretierbare und kostengünstige Roadmap zur Suche nach natürlichem Wasserstoff in Kasachstan und anderen wenig erforschten Becken weltweit.

Zitation: Wayo, D.D.K., Goliatt, L., Hazlett, R. et al. Integrated pixel-wise remote sensing and explainable machine learning for natural hydrogen exploration in southeastern part of Pricaspian Basin, Western Kazakhstan. Sci Rep 16, 11085 (2026). https://doi.org/10.1038/s41598-026-41845-0

Schlüsselwörter: natürlicher Wasserstoff, Fernerkundung, Machine Learning, Kasachstan, Energieexploration