Högupplöst annoterat dataset av Girvanella boundstone-mikrofacies från Xiannüdong-formationen, Kina

Forntida rev möter moderna algoritmer

Långt innan koraller byggde dagens tropiska rev, byggde små mikrober redan komplexa undervattensstrukturer på havsbottnen. Dessa förstenade ”mikrobiella rev” dokumenterar hur tidigt liv formade oceanerna för mer än 500 miljoner år sedan. Den nya studien bakom denna artikel beskriver inte ett enda fossilfynd, utan publicerar i stället ett omsorgsfullt uppbyggt, öppet dataset av mikroskopbilder från sådana forntida rev i Kina—formaterat specifikt så att moderna artificiella intelligens (AI)-system kan lära sig att läsa bergartspostens tecken på egen hand.

Bergarter från ett mycket gammalt grunt hav

Forskningen fokuserar på bergarter från Xiannüdong-formationen i södra Kina, avsatta under tidigt kambrium, en tid då djurlivet snabbt diversifierades och marina ekosystem blev mer komplexa. Dessa berg bevarar en revliknande struktur kallad Girvanella boundstone, huvudsakligen byggd av filamentösa cyanobakterier som lämnade kalkifierade rör och skorpor. Bland dessa mikrobiella strukturer finns också sedimentkorn, skelettfragment och mineralcement som fyllde utrymmena mellan dem. Tillsammans bildar dessa ingredienser en detaljerad ögonblicksbild av en forntida grund, vågupprörd havsbotten där biologin och havsvattnets kemi samarbetade för att bygga solida karbonatplattformar.

Att förvandla bergsnitt till digitala kakel

För att göra denna forntida berättelse användbar för datorer började teamet med tunna snitt av revberg monterade på glasplattor och fotograferade dem i hög upplösning med polariserande mikroskop. Av 28 ursprungliga skivor valdes sju för detaljerad bearbetning. Varje helskivbild överlagrades med ett regelbundet rutnät och delades sedan upp i många små kvadratiska kakel, vardera 114 gånger 114 pixlar. Dessa kakel är precis tillräckligt stora för att fånga nyckelstrukturer—som trassliga mikrobiella rör, fin silt eller grova korn—men små nog att fungera som standardiserade ”pixlar” för maskininlärning. Denna process producerade tiotusentals bildsnuttar som tillsammans täcker hela variationen av mikrotexturer som finns i bergarten.

Noga mänskliga etiketter för maskininlärning

Digitala bilder räcker inte; AI behöver också exempel på vad varje mönster betyder. Forskarna märkte därför manuellt de olika komponenterna som syns i bergarten: Girvanella-skorpor, olika typer av korn, lera, cement och andra element. De skapade särskilda ”mask”-bilder där varje pixel i hemlighet bär en numerisk klassidentifierare i en färgkanal. Ett Python-skript använde sedan dessa masker för att tilldela varje kakel till en av tio mikrofacies-klasser—såsom skelettkornig grainstone, laminerad microbialit eller dolomitisk mudstone—baserat på en punkt-räkningsregel som summerar pixelvärden. Kakel med oklara eller saknade etiketter uteslöts automatiskt. Slutdatasetet delades i balanserade proportioner i tränings-, validerings- och testuppsättningar, och mer än 95 % överensstämmelse bekräftades mellan automatiskt och manuellt kontrollerade etiketter.

En FAIR-resurs för geologi och AI

Slutprodukten är ett välstrukturerat, offentligt dataset värd på Figshare, som följer FAIR-principerna (Findable, Accessible, Interoperable, Reusable). Alla kakelbilder lagras som standardiserade PNG-filer, och deras etiketter samt datasetuppdelning dokumenteras i en enda CSV-fil. Parallellt tillhandahåller författarna öppen källkod i Python på GitHub som reproducerar hela processen: att skiva tunna snitt till kakel, läsa de dolda etiketterna, kontrollera kvalitet och organisera datan. Det innebär att andra forskare kan koppla in datasetet direkt i djupinlärningsramverk, jämföra konkurrerande modeller mot en gemensam referens eller anpassa arbetsflödet till sina egna bergsamlingar.

Varför detta spelar roll bortom ett rev

Genom att förvandla ett komplext forntida rev till ett organiserat bibliotek av etiketterade bildkakel bygger studien en bro mellan jordens tidiga ekosystem och moderna AI-verktyg. För icke-specialister är slutsatsen att tolkningen av bergtexturer—en gång petrographernas domän vid mikroskopet—i allt högre grad kan delas med algoritmer tränade på öppet tillgängliga data. Detta dataset hjälper forskare att automatisera klassificeringen av karbonatbergarter, förfina rekonstruktioner av länge försvunna hav och tillämpa transferinlärning på andra geologiska miljöer. I enkla ord vänder det ett snitt av kambriumhavets botten till en återanvändbar undervisningssamling för datorer, vilket påskyndar vår förmåga att läsa planetens djupa historia inlåst i stenen.

Citering: 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

Nyckelord: Kambriumrev, karbonatmikrofacies, geologiska dataset, djupinlärning inom geovetenskap, mikrobiella karbonater