De zwarte doos openen: verklaarbare AI voor geautomatiseerde analyse van bioturbatie in boorkernen en dakpannen

Verborgen aanwijzingen in oud slib zien

Wanneer dieren zich een weg graven door zacht zeebodemslib, laten ze een doolhof van gangen achter dat miljoenen jaren bewaard kan blijven. Deze subtiele patronen, bioturbatie genoemd, helpen geologen om vroegere omgevingen te reconstrueren en zelfs olie- en gasreservoirs op te sporen. Maar het met het blote oog opsporen en beoordelen van deze sporen is traag en subjectief. Deze studie laat zien hoe een nieuwe generatie "verklaarbare" kunstmatige intelligentie die taak niet alleen kan automatiseren, maar ook precies kan onthullen waar de computer naar kijkt, en zo een zwarte doos verandert in een glazen één.

Waarom gangen in gesteente ertoe doen

Veel geologische beslissingen beginnen nog steeds met eenvoudig kijken: naar kliffen, boorkernen en dunne plakjes gesteente. De manier waarop lagen zijn gerangschikt, hoe schoon of verstoord ze lijken, en waar gangen erdoorheen snijden wijzen allemaal op waterdiepte, energie, zuurstofniveaus en de organismen die er ooit leefden. Geologen vatten deze verstoring vaak samen als bioturbatie-intensiteit, variërend van onaangetaste lagen tot volledig omgewoelde sedimenten. Die gradaties zijn essentieel voor het reconstrueren van oude kusten en voor het beoordelen hoe gemakkelijk vloeistoffen zich door begraven zandstenen kunnen verplaatsen die als reservoirs dienen. Toch kunnen zelfs experts van mening verschillen, vooral bij grensgevallen waar bioturbatie matig is in plaats van duidelijk zwak of sterk.

Een computer leren gesteentefoto's te lezen

De auteurs bouwen voort op een eerder deep-learningmodel dat was getraind om foto’s van zandsteenkernen en -uitzichten in drie brede niveaus van bioturbatie te classificeren: onaangeroerd, matig bewerkt en intens bewerkt. Het model had al een hoge nauwkeurigheid aangetoond en classificeerde de meeste van 262 testafbeeldingen correct. In deze studie verschuift de focus van "Hoe goed werkt het?" naar "Wat ziet het eigenlijk?" Om dat te beantwoorden, gebruikt het team verklaarbare AI-tools die warmtekarten over elke afbeelding produceren en de regio’s markeren die de grootste invloed hadden op de keuze van het model. Roodkleurige gebieden wegen zwaarder voor de beslissing; koelere tinten minder. Deze aanpak stelt geologen in staat de visuele aandacht van de machine te vergelijken met die van een ervaren ichnoloog — een expert in spoorfossielen.

Hoe de zwarte doos oplicht

De methode, bekend als Grad-CAM, benut de laatste lagen van het neurale netwerk, waar de afbeelding is gedistilleerd tot grove vlakjes met kenmerken. Wanneer het model tot een klasse besluit, meet Grad-CAM hoe gevoelig die beslissing is voor elk vlakje en projecteert het resultaat terug op de originele foto als een gekleurde overlay. Bij niet-bioturbateerde gesteenten lichten de warmtekarten doorgaans vlakjes met goed bewaarde lagen of massieve, ongestoorde eenheden op, soms ook natuurlijke breuken of verspreide kiezelstenen die afsteken tegen een uniforme achtergrond. Bij matig bioturbateerde afbeeldingen richten de kaarten zich meestal op individuele gangen of zones waar de gelaagdheid gedeeltelijk verstoord is, en komen zo goed overeen met wat menselijke experts zouden aanduiden. In sterk bewerkte monsters, waar bijna alle oorspronkelijke structuur is uitgewist, tonen de kaarten een gevlekt patroon dat over de afbeelding is verspreid en de alomtegenwoordige omwoeling van de oude zeebodem weerspiegelt.

Wat het model fout doet — en waarom

Aangezien de verklaringen visueel zijn, kunnen de onderzoekers de fouten van het model onderzoeken in plaats van ze alleen als fouten te loggen. Sommige onaangetaste afbeeldingen werden verkeerdelijk als bioturbatie geklasseerd wanneer bepaalde clasten of texturen toevallig op gangen leken. In andere gevallen werden kleine of zeer vage spoorfossielen over het hoofd gezien, vooral wanneer ze zich slechts in een klein hoekje van de foto bevonden. Zeer grote structuren gaven ook problemen: als één brede gang het grootste deel van het beeld vulde en de interne details gedempt waren, behandelde het model het als een vormeloze massa in plaats van als een spoor. Belangrijk is dat de warmtekarten laten zien dat het systeem over het algemeen niet-geologische rommel zoals pennenstrepen, zaagsneden en schaduwen negeert, wat aantoont dat het geleerd heeft zich te concentreren op rotstexturen in plaats van fotografische ruis. De auteurs suggereren dat meer gevarieerde, hoogwaardige trainingsbeelden en een betere dekking van grensgevallen de prestaties verder zouden verbeteren.

Van hulpmiddel voor experts tot leermiddel

Door de innerlijke werking van het model inspecteerbaar te maken, helpt verklaarbare AI de vertrouwenskloof tussen geowetenschappers en algoritmen te dichten. De studie toont aan dat de aandacht van het netwerk meestal overeenkomt met het oordeel van experts en zich richt op dezelfde gangen en verstoorde zones die een getrainde ichnoloog zou benadrukken. Deze transparantie vergemakkelijkt de adoptie van geautomatiseerde bioturbatieanalyse in zowel onderzoek als industrie, waar consistente, snelle screening van grote afbeeldingsbibliotheken tijd kan besparen en menselijke vooroordelen kan verminderen. Tegelijkertijd dienen de kleurrijke warmtekarten ook als leermiddel en leiden ze studenten naar de subtiele textuurkenmerken die onaangetast, matig bewerkt en grondig omgewoeld gesteente van elkaar onderscheiden. Door onzichtbare modelbeslissingen zichtbaar te maken, wijst het werk op een toekomst waarin AI de geologische intuïtie niet vervangt, maar scherpt en opschaalt.

Bronvermelding: Ayranci, K., Yildirim, I.E., Yildirim, E.U. et al. Opening the black box: explainable AI for automated bioturbation analysis in cores and outcrops. Sci Rep 16, 9725 (2026). https://doi.org/10.1038/s41598-026-40747-5

Trefwoorden: verklaarbare AI, bioturbatie, geologische beeldanalyse, deep learning, sedimentaire kernen