Объяснимая искусственная интеллекта для сегментации осадочных фаций

Чтение истории Земли по цилиндрам породы

Чтобы понять, как развивались реки, дельты и побережья — и насколько устойчиво грунт под нашими городами — геологи исследуют длинные цилиндры осадка, извлечённые из недр. Интерпретация этих кернов — медленная работа специалистов. В этом исследовании показано, как искусственный интеллект (ИИ), в сочетании с инструментами, раскрывающими его внутреннее обоснование, может помочь автоматизировать задачу, при этом позволяя учёным увидеть, почему компьютер пришёл к тому или иному выводу.

Почему керны осадков важны

Осадочные отложения в недрах фиксируют прошлые наводнения, изменения уровня моря, землетрясения и сдвиги климата. Специалисты делят каждый керн на «фации» — слои, отражающие определённые среды осадконакопления, такие как речные русла, пойменные мулисты отложения с хорошим или плохим дренажем, заболоченные прибрежные участки или оффшорные му́довые отложения. Эти различия влияют на всё — от реконструкций палеоклимата до оценки сейсмической опасности и устойчивости грунта. Но тщательное картирование фаций требует многих лет подготовки в седиментологии, и даже у экспертов возникают неясности, когда слои похожи или керны повреждены. Сделать эту работу доступнее и последовательнее — ключевая мотивация для применения ИИ.

Обучение нейросети «видеть» слои

Авторы использовали публичный набор данных высокоразрешённых фотографий кернов из голоценовых (последние ~11 700 лет) отложений северной Италии. Каждое изображение было кропотливо размечено на шесть основных фаций — речной песок, пойменные му́лы с хорошим и плохим дренажем, болотные отложения, торфяные пласты и оффшорные (продельтовые) глины — плюс фон. Они обучили несколько вариантов популярной архитектуры для сегментации изображений U‑Net, каждый с разным «бэкендом», который извлекает визуальные признаки. Сравнивая точность и сопутствующие метрики на валидационном наборе и на невиданном тестовом наборе, они обнаружили, что модель на базе EfficientNet‑B7 обеспечивает наилучший баланс высокой производительности и надёжной обобщаемости на новые керны.

Смотреть на породу в более широком контексте

Человеческие геологи редко определяют фацию по крошечному пятну; они читают тренды вверх и вниз по керну — например, постепенное упрощение или утолщение слоёв. Чтобы имитировать это, команда проверила, какой вертикальный контекст ИИ должен видеть за один раз, обучая лучшую архитектуру на патчах разного размера, вырезанных из изображений. Когда модель видела только маленькие патчи 128×128 пикселей, её предсказания были шумными, и фационные полосы выглядели прерывистыми. По мере увеличения размера патчей до 256 и 384 пикселей и далее до 512×512 сегментация становилась более гладкой и ближе к интерпретации экспертов, причём тела фаций сохранялись как непрерывные единицы. Улучшение производительности выравнивалось между 384 и 512 пикселями, что указывает на то, что примерно в этом масштабе содержится большая часть полезного контекста для задачи.

Открытие «чёрного ящика» с помощью тепловых карт и карт неопределённости

Высокие показатели сами по себе недостаточны, когда ИИ информирует решения о рисках или ресурсах; пользователям нужно видеть, как и где модель «смотрит». Поэтому авторы применили два семейства инструментов объяснимости. Во‑первых, они использовали Grad‑CAM для получения карт значимости — тепловых карт, выделяющих области изображения, наиболее влиятельные для каждого фационного решения. Эти карты хорошо совпадали с размеченными фациями, подчёркивая, например, зоны, богатые органикой, для торфа и болота и чётко разделяя осадок и фон. Важно, что некоторое перекрытие, например активации торфа внутри областей болота, соответствовало тому, как седиментологи концептуально группируют эти среды. Во‑вторых, они оценивали предсказательную энтропию, многократно прогоняя модель с случайным dropout и суммируя, насколько стабильны её предсказания для каждого пикселя. Зоны с высокой энтропией часто появлялись у границ между фациями, в тонких прослойках песка внутри мулов или в участках кернов, повреждённых при бурении — именно там, где сами эксперты склонны колебаться. При этом многие зоны с высокой неопределённостью всё ещё были классифицированы правильно, что указывает на участки, требующие вторичного просмотра, а не на причину полностью отвергать результаты.

От кейс‑исследования к практическому инструменту

Вместе это исследование даёт не просто точную модель: оно предлагает полный, прозрачный конвейер для анализа осадочных кернов. Тщательно выбирая архитектуру сети, подбирая поле зрения под человеческое мышление и сопоставляя каждое предсказание с визуальными объяснениями и оценками неопределённости, авторы демонстрируют, как ИИ может поддерживать, а не заменять экспертное суждение. Та же методика может быть адаптирована к другим геонаучным изображениям — от оползней до пластов‑коллекторов — где доверие, интерпретируемость и открытые данные так же важны, как и чистая точность.

Цитирование: 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

Ключевые слова: объяснимая ИИ, осадочные фации, геонаучная визуализация, анализ керна, неопределённость модели