בינה מלאכותית מפרשת לשם סגמנטציה של פאציות משקעיות

לקרוא את היסטוריית כדור הארץ מצילינדרי סלע

כדי להבין כיצד נהרות, דיונות חוף וחופי הים התפתחו — וכמה יציב הקרקע שמתחת לערים שלנו באמת הוא — גאולוגים חוקרים צילינדרים ארוכים של משקע שנקצרו מהתת־משטח. פרשנות ליבות אלו היא עבודה איטית ובלתי־שגרתית הדורשת מומחיות. מחקר זה מראה כיצד בינה מלאכותית (AI), בשילוב עם כלים שמגלים את ההיגיון הפנימי שלה, יכולה לעזור לאוטומט את המשימה הזו בעוד המדענים עדיין יכולים לראות מדוע המחשב הגיע למסקנה מסוימת.

מדוע ליבות משקע חשובות

המשקעים שמתחת לפני הקרקע מתעדים שיטפונות בעבר, שינויים במפלס הים, רעידות אדמה ושינויים באקלים. מומחים מחלקים כל ליבה ל"פאציות" — שכבות המשקפות סביבות מובחנות כגון תעלות נהר, אדמות מוצפות בעלות ניקוז טוב או רע, ביצות חופיות או חולות ותילי חוץ־חופיים. ההבחנות הללו מנחות הכל, משיחזורי אקלים קדומים ועד הערכות סיכון רעידות אדמה ויציבות קרקע. עם זאת, מיפוי פאציות בקפדנות דורש שנות הכשרה בסדימנטולוגיה, ואף מומחים נתקלים בספק כששכבות נראות דומות או שהליבות נפגעו. נגישות ועקביות בעבודה זו הן מניע מרכזי ליישום AI.

להדריך רשת נוירונים לראות את השכבות

המחברים השתמשו במערך נתונים ציבורי של צילומי ליבות ברזולוציה גבוהה מהמאובנים ההולוקניים (כ־11,700 השנים האחרונות) בצפון איטליה. כל תמונה סומנה בקפידה לשש פאציות עיקריות — חול פלוביאלי, בוץ שטח מוצף בעל ניקוז טוב וניקוז רע, משקעים ביצתיים, שכבות פיטן, וחמרים חוץ־חופיים (פרודלטה) — בתוספת מחלקת רקע. הם אימנו מספר גרסאות של ארכיטקטורת סגמנטציה פופולרית לתמונות, U‑Net, כל אחת עם "גב" (backbone) שונה שלומד תכונות חזותיות. בהשוואה של דיוק ומדדים קשורים על סט אימות ועל סט מבחן שלא נראה קודם, הם מצאו שמודל מבוסס על ה‑EfficientNet‑B7 סיפק את האיזון הטוב ביותר בין ביצועים גבוהים והתכללות מהימנה לליבות חדשות.

להסתכל על הסלע בעדשה רחבה יותר

גאולוגים בני־אדם כמעט ולא מחליטים פאציה על סמך נקודה זעירה בלבד; הם קוראים טרנדים למעלה ולמטה בליבה, כגון הלכת דקויות או עיבוי הדרגתי של שכבות. כדי לחקות זאת, הצוות בדק כמה הקשר אנכי ה‑AI צריך לראות בבת אחת על‑ידי אימון הארכיטקטורה הטובה ביותר על גדלים שונים של טלאים שנחתכו מהתמונות. כשמודל צפה רק בטלאים קטנים בגודל 128×128 פיקסלים, התחזיות היו רעשניות ופסים של פאציות נראו שבורים. ככל שגדל גודל הטלאים דרך 256 ו‑384 פיקסלים ועד 512×512 פיקסלים, הסגמנטציה הפכה לחלקה יותר וקרובה יותר לפרשנות המומחים, כשהגופים של הפאציות נשמרים כיחידות רצופות. השיפורים בביצועים התייצבו בין 384 ל‑512 פיקסלים, מה שמרמז שהסקל הזה תופס את רוב ההקשר השימושי למשימה.

לפתוח את הקופסה השחורה עם מפות חום ומפות אי־וודאות

ציונים גבוהים בפני עצמם אינם מספיקים כאשר AI משפיע על החלטות בנושאי סיכונים או משאבים; משתמשים זקוקים לראות כיצד והיכן המודל "מביט". לכן המחברים יישמו שתי משפחות של כלי הסברה. ראשית, הם השתמשו ב‑Grad‑CAM כדי לייצר מפות סאליינסי — מפות חום שמדגישות אזורים בתמונה המשפיעים ביותר על כל החלטת פאציה. מפות אלו התאימו היטב לפאציות המסומנות, והבליטו, לדוגמה, אזורים עשירים בחומר אורגני עבור פיטן וביצות והבחינו באופן ברור בין משקעים לרקע. חשוב לציין שחלק מהחתכים החופפים, כמו הפעלות של פיטן בתוך אזורי ביצה, תאמו את הדרך שבה סדימנטולוגים מקבצים קונספטואלית סביבות אלה. שנית, הם העריכו את האנטרופיה החזויה על‑ידי הרצת המודל פעמים רבות עם דרופאאוט אקראי וסיכום יציבות התחזיות בכל פיקסל. אזורי אנטרופיה גבוהה הופיעו לעתים קרובות ליד גבולות בין פאציות, בחולות דקים משובצים בתוך בוצים, או בקטעים של ליבות שהופרעו במהלך הקידוח — בדיוק המקומות שבהם המומחים עצמם יגמגמו. יחד עם זאת, אזורי אי־וודאות גבוהים רבים עדיין סווגו נכון, מה שמסמן מרווחים שיש לחזור ולבדוק במקום לדחות את התוצאות ככולן.

ממחקר מקרה לכלי מעשי

ביחד, עבודה זו מספקת יותר ממודל מדויק: היא מציעה צינור שקוף שלם לניתוח ליבות משקע. באמצעות בחירה קפדנית של ארכיטקטורת הרשת, התאמת שדה הראייה שלה להיגיון האנושי, וזיווג כל תחזית עם הסברים חזותיים והערכות אי־וודאות, המחברים מראים כיצד AI יכול לתמוך בהכרעת מומחים במקום להחליפם. אותה גישה ניתנת להתאמה לתמונות גיאו־מדעיות אחרות — מפגעי קרקע ועד סלעי מאגר — שבהן אמון, אפשרות לפרשנות ונתונים פתוחים חשובים לא פחות מרמת הדיוק הגולמית.

ציטוט: 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

מילות מפתח: בינה להסברה (explainable AI), פאציות משקעיות, הדמיית מדעי הארץ, ניתוח ליבות, אי־וודאות של מודלים