Intelligenza artificiale spiegabile per la segmentazione delle facies sedimentarie

Leggere la storia della Terra da cilindri di roccia

Per capire come si sono evoluti fiumi, delta e coste — e quanto sia stabile il terreno sotto le nostre città — i geologi studiano lunghi cilindri di sedimento perforati nel sottosuolo. L’interpretazione di queste carote è un lavoro lento e che richiede competenze specialistiche. Questo studio mostra come l’intelligenza artificiale (IA), combinata con strumenti che ne rendono trasparente il processo decisionale, possa contribuire ad automatizzare il compito lasciando però agli scienziati la possibilità di capire perché il computer ha raggiunto una determinata conclusione.

Perché le carote sedimentarie sono importanti

I sedimenti del sottosuolo registrano piene passate, variazioni del livello del mare, terremoti e cambiamenti climatici. Gli specialisti suddividono ogni carota in “facies”, strati che riflettono ambienti distinti come canali fluviali, pianure alluvionali ben o male drenate, paludi costiere o fanghi offshore. Queste distinzioni guidano tutto, dalle ricostruzioni paleoclimatiche alle valutazioni del rischio sismico e della stabilità del terreno. Ma una mappatura accurata delle facies richiede anni di formazione in sedimentologia e persino gli esperti incontrano ambiguità quando gli strati sono simili o le carote sono danneggiate. Rendere questo lavoro più accessibile e coerente è una motivazione chiave per applicare l’IA.

Insegnare a una rete neurale a vedere gli strati

Gli autori hanno utilizzato un dataset pubblico di fotografie ad alta risoluzione di carote provenienti da depositi olocenici (ultimi ~11.700 anni) dell’Italia settentrionale. Ogni immagine è stata meticolosamente etichettata in sei facies principali — sabbia fluviale, fanghi di pianura alluvionale ben e male drenati, depositi palustri, strati di torba e argille offshore (prodelta) — oltre a una classe di sfondo. Hanno addestrato diverse versioni di una popolare architettura di segmentazione d’immagine, U‑Net, ognuna con un diverso “backbone” che apprende caratteristiche visive. Confrontando accuratezza e metriche correlate su un set di validazione e su un set di test non visto, hanno rilevato che un modello basato sul backbone EfficientNet‑B7 offriva il miglior equilibrio tra alte prestazioni e affidabile generalizzazione a nuove carote.

Osservare la roccia con un’ottica più ampia

I geologi umani raramente decidono una facies basandosi su un punto minuscolo; leggono tendenze lungo la carota, come il progressivo affinamento o l’aumento di spessore degli strati. Per imitare questo comportamento, il team ha testato quanta contesto verticale l’IA dovesse vedere contemporaneamente addestrando l’architettura migliore su diverse dimensioni di patch ritagliate dalle immagini. Quando il modello vedeva solo piccoli patch da 128×128 pixel, le sue previsioni risultavano rumorose e le bande di facies apparivano fratturate. Con l’aumento della dimensione dei patch a 256 e 384 pixel fino a 512×512 pixel, la segmentazione diventava più omogenea e più vicina all’interpretazione degli esperti, con corpi di facies conservati come unità continue. I miglioramenti di prestazione si assestavano tra 384 e 512 pixel, suggerendo che questa scala cattura la maggior parte del contesto utile per il compito.

Aprire la scatola nera con mappe di calore e di incertezza

Punteggi elevati da soli non bastano quando l’IA informa decisioni su rischi o risorse; gli utenti devono vedere come e dove il modello sta «guardando». Gli autori hanno quindi applicato due famiglie di strumenti di spiegabilità. Primo, hanno usato Grad‑CAM per produrre mappe di salienza — mappe di calore che evidenziano le regioni dell’immagine più influenti per ogni decisione di facies. Queste mappe si allineavano bene con le facies etichettate, enfatizzando, per esempio, le zone ricche di materiale organico per torba e palude e separando chiaramente il sedimento dallo sfondo. È importante notare che alcune sovrapposizioni, come le attivazioni di torba all’interno delle aree palustri, corrispondevano al modo in cui i sedimentologi raggruppano concettualmente questi ambienti. Secondo, hanno stimato l’entropia predittiva eseguendo il modello molte volte con dropout casuale e riassumendo quanto fossero stabili le sue previsioni a ogni pixel. Le zone ad alta entropia apparivano spesso vicino ai confini tra facies, in sabbie intercalate sottili all’interno di fanghi o in porzioni di carote disturbate durante la perforazione — esattamente dove anche gli esperti esitano. Tuttavia molte aree ad alta incertezza erano comunque classificate correttamente, segnalando intervalli che meritano una seconda occhiata piuttosto che un rigetto totale dei risultati.

Dal caso di studio allo strumento pratico

Nel complesso, questo lavoro offre più di un modello accurato: propone una pipeline completa e trasparente per l’analisi delle carote sedimentarie. Scegliendo con cura l’architettura di rete, adattando il campo visivo al ragionamento umano e abbinando ogni previsione a spiegazioni visive e stime di incertezza, gli autori mostrano come l’IA possa supportare piuttosto che sostituire il giudizio esperto. Lo stesso approccio può essere adattato ad altre immagini geoscientifiche — da frane a rocce serbatoio — dove fiducia, interpretabilità e dati aperti sono importanti quanto la sola accuratezza grezza.

Citazione: 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

Parole chiave: IA spiegabile, facies sedimentarie, imaging geoscientifico, analisi di carote, incertezza del modello