Аннотированный набор данных высокого разрешения микрофаций Girvanella boundstone из формации Сяньнудун, Китай

Древние рифы встречаются с современными алгоритмами

Задолго до того, как кораллы создали сегодняшние тропические рифы, крошечные микробы уже собирали сложные подводные структуры на дне моря. Эти окаменевшие «микробные рифы» фиксируют, как ранняя жизнь формировала океаны более 500 миллионов лет назад. Новое исследование, лежащее в основе этой статьи, не описывает единичную находку; вместо этого оно публикует тщательно подготовленный открытый набор данных микроскопических изображений таких древних рифов в Китае — оформленный специально так, чтобы современные системы искусственного интеллекта могли самостоятельно «читать» горную летопись.

Породы из очень древнего мелкого моря

Исследование сосредоточено на породах формации Сяньнудун в Южном Китае, отложенных в раннем кембрии — периоде, когда животная жизнь быстро диверсифицировалась и морские экосистемы становились сложнее. Эти породы сохраняют рифоподобную структуру, называемую Girvanella boundstone, сформированную в основном нитчатыми цианобактериями, оставившими окаменевшие трубки и корки. В смесь с этими микробными структурами входят зерна осадка, скелетные фрагменты и минеральный цемент, заполнивший промежутки между ними. Вместе эти ингредиенты дают подробную «снимок» древнего мелководного, волнами перемешиваемого дна, где биология и химия морской воды действовали сообща, строя твердые карбонатные платформы.

Преобразование шлифов в цифровые тайлы

Чтобы сделать эту древнюю историю пригодной для компьютеров, команда начала с тонких шлифов рифовой породы, закрепленных на стеклянных планшетках, и снимала их в высоком разрешении под поляризационным микроскопом. Из 28 исходных пластин семь были отобраны для детальной обработки. Каждое изображение целой пластины наложили на регулярную сетку и затем разрезали на множество маленьких квадратных тайлов размером 114 на 114 пикселей. Эти тайлы достаточно большие, чтобы уловить ключевые текстуры — такие как переплетенные микробные трубки, тонкий ил или грубые зерна — и в то же время достаточно маленькие, чтобы служить стандартизированными «пикселями» для машинного обучения. В результате получилось десятки тысяч фрагментов изображений, которые в совокупности покрывают все разнообразие микротекстур, встречающихся в породе.

Тщательная ручная разметка для машинного обучения

Одних цифровых изображений недостаточно; ИИ также нужны примеры того, что означает каждый узор. Поэтому исследователи вручную размечали различные компоненты, видимые в породе: корки Girvanella, разные типы зерен, ил, цемент и другие элементы. Они создали специальные «маски», в которых каждый пиксель закодирован числовым идентификатором класса в одном из цветовых каналов. Затем Python‑скрипт использовал эти маски, чтобы присвоить каждому тайлу один из десяти классов микрофаций — например, скелетный грайнстоун, ламинированный микробиолит или доломитизированная муллитовая порода — на основе правила подсчета точек, суммирующего значения пикселей. Тайлы с неясной или отсутствующей разметкой автоматически исключались. Финальный набор данных был разделен на обучающую, валидационную и тестовую выборки в сбалансированных пропорциях, и подтверждено более 95% совпадение между автоматическими и вручную проверенными метками.

Ресурс FAIR для геологии и ИИ

Готовый продукт — это хорошо структурированный публичный набор данных, размещенный на Figshare и соответствующий принципам FAIR (находимый, доступный, интероперабельный, повторно используемый). Все изображения тайлов сохранены в стандартном формате PNG, а их метки и разбиение набора задокументированы в одном CSV‑файле. Параллельно авторы публикуют открытый исходный код на Python в GitHub, который воспроизводит весь конвейер: разрезание изображений тонких сечений на тайлы, чтение скрытых меток, проверка качества и организация данных. Это позволяет другим исследователям напрямую подключать набор данных к фреймворкам глубокого обучения, сравнивать конкурирующие модели на общем бенчмарке или адаптировать рабочий процесс к своим собственным коллекциям пород.

Почему это важно не только для одного рифа

Преобразовав сложный древний риф в упорядоченную библиотеку размеченных изображений, исследование строит мост между раннеземными экосистемами и современными инструментами ИИ. Для неспециалистов ключевая мысль в том, что интерпретация текстур пород — когда‑то прерогатива опытных петрографов за микроскопами — всё больше может выполняться алгоритмами, обученными на открытых данных. Этот набор данных поможет учёным автоматизировать классификацию карбонатных пород, уточнить реконструкции давно исчезнувших морей и применить перенос обучения в другие геологические условия. Проще говоря, он превращает срез кембрийского дна в многократно используемый учебный набор для компьютеров, ускоряя нашу способность читать глубокую историю планеты, запечатлённую в камне.

Цитирование: Choi, S., Kim, D., Hong, J. et al. High-resolution Annotated Dataset of Girvanella Boundstone Microfacies from the Xiannüdong Formation, China. Sci Data 13, 611 (2026). https://doi.org/10.1038/s41597-026-06958-1

Ключевые слова: Кембрийские рифы, карбонатные микрофации, геологические наборы данных, глубокое обучение в геонауках, микробные карбонаты