堆積相のセグメンテーションのための説明可能な人工知能

岩石コアから読み取る地球の歴史

河川、デルタ、海岸線がどのように変遷したか、そして都市の下の地盤がどれほど安定しているかを理解するために、地質学者は地下から掘削した長い堆積シリンダー（コア）を調べます。これらのコアの解釈は遅く、専門家による作業を要します。本研究は、人工知能（AI）とその内部推論を明らかにするツールを組み合わせることで、その作業を自動化する手助けができ、同時にコンピュータがなぜある結論に至ったのかを科学者が確認できることを示しています。

なぜ堆積コアが重要か

地下の堆積物は過去の洪水、海面変動、地震、気候の変化を記録します。専門家は各コアを「相（facies）」に分けます。相は河道、氾濫原、沿岸の沼沢域、沖合の泥など、異なる堆積環境を反映する層です。これらの区分は古気候の再構築から地震ハザードや地盤の安定性評価に至るまで幅広く利用されます。しかし正確な相のマッピングには堆積学の長年の訓練が必要であり、層が似ている場合やコアが損傷している場合には専門家でもあいまいさに直面します。この作業をよりアクセスしやすく、一貫性のあるものにすることがAI適用の重要な動機です。

層を認識するニューラルネットの教育

著者らは北イタリアの完新世（およそ過去11,700年）堆積物から得られた高解像度コア写真の公開データセットを使用しました。各画像は手作業で6つの主要相—河川砂、排水の良し悪しを含む氾濫原泥、沼沢堆積物、泥炭層、および沖合（プロデルタ）粘土—と背景クラスにラベリングされました。彼らは、視覚的特徴を学習する異なる“バックボーン”を持つ人気の画像セグメンテーションアーキテクチャU‑Netの複数バージョンを訓練しました。検証セットと未知のテストセットの両方で精度と関連指標を比較した結果、EfficientNet‑B7バックボーンに基づくモデルが高い性能と新しいコアへの信頼できる一般化のバランスで最良であることが示されました。

より広い視野で岩石を見る

人間の地質学者はめったに極小の一点だけで相を判断しません。コアの上下にわたる細かい変化、例えば徐々に細粒化したり厚みが変わる傾向を読み取ります。これを模倣するために、研究チームはAIが一度にどれだけの垂直文脈を見ればよいかを試すため、最良のアーキテクチャを用いて画像から切り出した異なるパッチサイズで訓練を行いました。モデルが小さい128×128ピクセルのパッチのみを見た場合、予測はノイズが多く相の帯が途切れて見えました。パッチサイズを256、384、512×512ピクセルへと大きくするにつれてセグメンテーションは滑らかになり、相の塊が連続した単位として保持され、専門家の解釈に近づきました。性能の向上は384〜512ピクセルの間で頭打ちになり、このスケールがおおむねこの課題に必要な文脈の大部分を捉えていることが示唆されます。

ヒートマップと不確実性マップでブラックボックスを開く

ハザードや資源に関わる意思決定にAIを用いる場合、高いスコアだけでは不十分で、ユーザーはモデルがどのように、どこを「見ている」のかを確認する必要があります。そこで著者らは二つの種類の説明可能性ツールを適用しました。まず、Grad‑CAMを使用してサリエンシーマップ（ヒートマップ）を生成し、各相の判断に最も影響を与えた画像領域を強調しました。これらのマップはラベリングされた相とよく一致し、例えば泥炭や沼沢の有機成分に富む領域を強調し、堆積物と背景を明瞭に分離しました。重要なのは、沼沢領域内での泥炭の活性化のような一部の重なりが、堆積学者がこれらの環境を概念的にグループ化する方法と合致している点です。次に、ランダムドロップアウトでモデルを何度も実行して予測の安定性を各ピクセルで要約することで予測エントロピー（不確実性）を推定しました。高エントロピー領域はしばしば相の境界付近、泥中に挟まれた薄い砂層、あるいは掘削で乱れたコアの部分に現れ—まさに専門家が躊躇する場所でした。しかし多くの高不確実性領域はそれでも正しく分類されており、結果を全面的に否定するのではなく、再検討に値する間隙を示すフラグとなりました。

事例研究から実用ツールへ

本研究は単なる高精度モデル以上のものを提供します。堆積コア解析のための完全で透明なパイプラインを提示しています。ネットワークアーキテクチャを慎重に選び、人間の推論に合う視野を合わせ、すべての予測に視覚的説明と不確実性推定を付随させることで、著者らはAIが専門家の判断を置き換えるのではなく支援できることを示しました。同じアプローチは、地すべりから貯留岩まで、信頼性・解釈可能性・公開データが生の精度と同じくらい重要な他の地球科学画像にも適用可能です。

引用: 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

キーワード: 説明可能なAI, 堆積相, 地球科学イメージング, コア解析, モデルの不確実性