Intelligence artificielle explicable pour la segmentation des faciès sédimentaires

Lire l’histoire de la Terre à partir de cylindres de roche

Pour comprendre comment les rivières, les deltas et les littoraux ont évolué — et à quel point le sol sous nos villes est réellement stable — les géologues étudient de longs cylindres de sédiments prélevés en subsurface. L’interprétation de ces carottes est un travail lent et spécialisé. Cette étude montre comment l’intelligence artificielle (IA), associée à des outils qui révèlent son raisonnement interne, peut aider à automatiser cette tâche tout en permettant aux scientifiques de comprendre pourquoi l’ordinateur a abouti à une conclusion donnée.

Pourquoi les carottes sédimentaires sont importantes

Les sédiments en subsurface enregistrent les crues passées, les variations du niveau marin, les séismes et les changements climatiques. Les spécialistes découpent chaque carotte en « faciès », des couches reflétant des environnements distincts tels que les chenaux fluviaux, les plaines d’inondation bien ou mal drainées, les marais côtiers ou les boues offshore. Ces distinctions guident tout, des reconstitutions paléoclimatiques aux évaluations du risque sismique et de la stabilité du sol. Mais une cartographie précise des faciès exige des années de formation en sédimentologie, et même les experts rencontrent des ambiguïtés lorsque des couches se ressemblent ou que les carottes sont endommagées. Rendre ce travail plus accessible et cohérent motive l’application de l’IA.

Apprendre à un réseau neuronal à repérer les couches

Les auteurs ont utilisé un jeu de données public de photographies de carottes à haute résolution provenant de dépôts holocènes (≈11 700 dernières années) du nord de l’Italie. Chaque image a été minutieusement annotée en six faciès principaux — sable fluviatile, boues de plaine d’inondation bien et mal drainées, dépôts de marais, couches de tourbe et argiles offshore (prodelta) — plus une classe d’arrière‑plan. Ils ont entraîné plusieurs variantes d’une architecture populaire de segmentation d’images, U‑Net, chacune avec un « backbone » différent qui apprend des caractéristiques visuelles. En comparant la précision et des métriques associées sur un ensemble de validation et un ensemble de test inédit, ils ont constaté qu’un modèle basé sur le backbone EfficientNet‑B7 offrait le meilleur compromis entre performance élevée et capacité de généralisation fiable vers de nouvelles carottes.

Regarder la roche avec un champ de vue plus large

Les géologues humains prennent rarement une décision de faciès sur la base d’un tout petit point ; ils lisent les tendances le long de la carotte, comme un amincissement progressif ou un épaississement des couches. Pour imiter cela, l’équipe a testé la quantité de contexte vertical que l’IA devrait voir en une fois en entraînant la meilleure architecture sur différentes tailles de patchs extraits des images. Lorsque le modèle ne voyait que de petits patchs de 128×128 pixels, ses prédictions étaient bruitées et les bandes de faciès semblaient fragmentées. À mesure que la taille des patchs augmentait à 256 et 384 pixels puis jusqu’à 512×512 pixels, la segmentation devenait plus lisse et plus proche de l’interprétation experte, les volumes de faciès étant préservés comme des unités continues. Les gains de performance se stabilisaient entre 384 et 512 pixels, suggérant qu’à peu près cette échelle se suffit pour capturer l’essentiel du contexte utile à la tâche.

Ouvrir la boîte noire avec des cartes de chaleur et d’incertitude

De bons scores ne suffisent pas lorsque l’IA informe des décisions sur des risques ou des ressources ; les utilisateurs doivent voir comment et où le modèle « regarde ». Les auteurs ont donc appliqué deux familles d’outils d’explicabilité. D’abord, ils ont utilisé Grad‑CAM pour produire des cartes de saillance — des heatmaps qui mettent en évidence les zones de l’image les plus influentes pour chaque décision de faciès. Ces cartes concordaient bien avec les faciès annotés, mettant en avant, par exemple, les zones riches en matière organique pour la tourbe et les marais, et séparant clairement le sédiment de l’arrière‑plan. De manière importante, certains recouvrements, comme des activations de tourbe à l’intérieur de zones de marais, correspondaient à la façon dont les sédimentologues regroupent conceptuellement ces environnements. Ensuite, ils ont estimé l’entropie prédictive en exécutant le modèle plusieurs fois avec un dropout aléatoire et en résumant la stabilité de ses prédictions pour chaque pixel. Les zones à forte entropie apparaissaient souvent près des limites entre faciès, dans des sables intercalés fins au sein de boues, ou dans des portions de carottes perturbées lors du forage — précisément là où les experts hésiteraient. Pourtant, de nombreuses zones à forte incertitude étaient tout de même correctement classées, signalant des intervalles qui méritent un second examen plutôt qu’un rejet pur et simple des résultats.

Du cas d’étude à l’outil pratique

Dans l’ensemble, ce travail offre plus qu’un modèle précis : il propose une chaîne complète et transparente pour l’analyse de carottes sédimentaires. En choisissant soigneusement l’architecture du réseau, en adaptant son champ de vision au raisonnement humain et en associant chaque prédiction à des explications visuelles et des estimations d’incertitude, les auteurs montrent comment l’IA peut soutenir plutôt que remplacer le jugement expert. La même approche peut être adaptée à d’autres images en géosciences — des glissements de terrain aux roches de réservoir — où la confiance, l’interprétabilité et les données ouvertes sont aussi cruciales que la simple précision brute.

Citation: Di Martino, A., Carlini, G. & Amorosi, A. Explainable artificial intelligence for sedimentary facies segmentation. Sci Rep 16, 5984 (2026). https://doi.org/10.1038/s41598-026-36765-y

Mots-clés: IA explicable, faciès sédimentaires, imagerie en géosciences, analyse de carottes, incertitude du modèle