Verklaarbare kunstmatige intelligentie voor segmentatie van sedimentaire facies

De geschiedenis van de aarde lezen aan rotscilinders

Om te begrijpen hoe rivieren, delta’s en kusten zich ontwikkelden — en hoe stabiel de ondergrond onder onze steden werkelijk is — bestuderen geologen lange cilinders van sediment die uit de ondergrond zijn geboord. Het interpreteren van deze kernen is langzaam vakwerk. Deze studie laat zien hoe kunstmatige intelligentie (AI), gecombineerd met hulpmiddelen die het innerlijke redeneren van het systeem onthullen, kan helpen dat proces te automatiseren, terwijl wetenschappers toch kunnen zien waarom de computer tot een bepaalde conclusie kwam.

Waarom sedimentkernen ertoe doen

Sedimenten onder het oppervlak leggen vroegere overstromingen, zeespiegelveranderingen, aardbevingen en klimaatverschuivingen vast. Specialisten delen elke kern in “facies”, lagen die verschillende omgevingen weerspiegelen zoals rivierkanalen, overstromingsvlakten, kustmoerassen of offshore sliblagen. Deze indelingen sturen alles, van reconstructies van paleoklimaat tot inschattingen van aardbevingsrisico en grondstabiliteit. Maar zorgvuldige facies‑mapping vereist jaren van sedimentologische opleiding, en zelfs experts lopen tegen dubbelzinnigheden aan wanneer lagen op elkaar lijken of kernen beschadigd zijn. Dit werk toegankelijker en consistenter maken is een belangrijke motivatie om AI toe te passen.

Een neuraal netwerk leren de lagen te zien

De auteurs gebruikten een openbare dataset van hoge‑resolutie kernfoto’s van Holocene (laatste ~11.700 jaar) afzettingen in Noord‑Italië. Elke afbeelding werd nauwgezet gelabeld in zes hoofd‑facies — fluviaal zand, goed en slecht gedraineerde overstromingsvlakte‑modders, moerasafzettingen, veenlagen en offshore (prodelta) kleien — plus een achtergrondklasse. Ze trainden meerdere versies van een populaire beeldsegmentatie‑architectuur, U‑Net, elk met een andere “backbone” die visuele kenmerken leert. Door nauwkeurigheid en aanverwante metrieken te vergelijken op zowel een validatieset als een niet eerder geziene testset, vonden ze dat een model gebaseerd op de EfficientNet‑B7‑backbone de beste balans bood tussen hoge prestaties en betrouwbare generalisatie naar nieuwe kernen.

De rots bekijken met een bredere lens

Menselijke geologen beslissen zelden over een facies op basis van een klein punt; ze lezen trends omhoog en omlaag in de kern, zoals geleidelijke fijnering of ver-dikking van lagen. Om dit na te bootsen onderzocht het team hoeveel verticale context de AI tegelijk moest zien door het beste architectuur te trainen op verschillende patch‑groottes uit de afbeeldingen. Wanneer het model slechts kleine 128×128‑pixel patches bekeek, waren de voorspellingen ruisig en leken faciesstroken gebroken. Naarmate de patchgrootte toenam naar 256 en 384 pixels tot 512×512 pixels, werd de segmentatie vloeiender en dichter bij de interpretatie van experts, waarbij facieslichamen als continue eenheden behouden bleven. De prestatieverbeteringen vlakten af tussen 384 en 512 pixels, wat suggereert dat ongeveer deze schaal het merendeel van de nuttige context voor de taak vastlegt.

De zwarte doos openen met warmte‑ en onzekerheidskaarten

Hoge scores zijn niet voldoende wanneer AI beslissingen over risico’s of hulpbronnen ondersteunt; gebruikers moeten zien hoe en waar het model “kijkt”. De auteurs pasten daarom twee families van verklaarbaarheidstools toe. Ten eerste gebruikten ze Grad‑CAM om saliency‑maps te produceren — warmtekaarten die de beeldregio’s benadrukken die het meest invloedrijk zijn voor elke faciesbeslissing. Deze kaarten kwamen goed overeen met de gelabelde facies en benadrukten bijvoorbeeld organischrijke zones voor veen en moeras en scheidden duidelijk sediment van achtergrond. Belangrijk is dat enige overlap, zoals veen‑activaties binnen moerasgebieden, overeenkwam met de manier waarop sedimentologen deze omgevingen conceptueel groeperen. Ten tweede schatten ze de predictieve entropie door het model vele keren uit te voeren met willekeurige dropout en samen te vatten hoe stabiel de voorspellingen per pixel waren. Gebieden met hoge entropie verschenen vaak nabij grenzen tussen facies, in dunne afwisselende zandlagen binnen modders, of in delen van kernen die tijdens het boren verstoord waren — precies waar experts zelf zouden aarzelen. Toch werden veel hoge‑onzekerheidsgebieden nog steeds correct geclassificeerd, waarmee intervallen worden gemarkeerd die een tweede blik verdienen in plaats van dat de resultaten geheel worden verworpen.

Van casestudy naar praktisch hulpmiddel

Gezamenlijk levert dit werk meer dan een nauwkeurig model: het biedt een complete, transparante pijplijn voor sedimentkernanalyse. Door zorgvuldig de netwerkarchitectuur te kiezen, het gezichtsveld af te stemmen op menselijke redenering en elke voorspelling te koppelen aan visuele verklaringen en onzekerheidsinschattingen, tonen de auteurs hoe AI kan ondersteunen in plaats van het oordeel van experts te vervangen. Dezelfde benadering kan worden aangepast aan andere geowetenschappelijke beelden — van aardverschuivingen tot reservoirgesteenten — waar vertrouwen, interpreteerbaarheid en open data net zo cruciaal zijn als ruwe nauwkeurigheid.

Bronvermelding: 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

Trefwoorden: verklaarbare AI, sedimentaire facies, geowetenschappelijke beeldvorming, kernenanalyse, modelonzekerheid