Förklarbar artificiell intelligens för segmentering av sedimentära facies

Att läsa jordens historia från stenborrkärnor

För att förstå hur floder, deltan och kuster utvecklats — och hur stabil marken under våra städer verkligen är — studerar geologer långa cylindrar av sediment borrade från undergrunden. Att tolka dessa kärnor är långsamt och kräver expertis. Denna studie visar hur artificiell intelligens (AI), kombinerad med verktyg som belyser dess inre resonemang, kan hjälpa till att automatisera uppgiften samtidigt som forskarna kan se varför datorn kom fram till en viss slutsats.

Varför sedimentkärnor är viktiga

Undermarksedimenten bevarar spår av tidigare översvämningar, havsnivåförändringar, jordbävningar och klimatförskjutningar. Specialister delar upp varje kärna i ”facies”, skikt som speglar distinkta miljöer som flodkanaler, översvämningsslätter, kustnära våtmarker eller offshore‑leror. Dessa skillnader vägleder allt från paleoklimatologiska rekonstruktioner till bedömningar av jordbävningsrisk och markstabilitet. Men noggrann facieskartläggning kräver år av sedimentologisk träning, och även experter möter tvetydigheter när skikten liknar varandra eller kärnorna är skadade. Att göra detta arbete mer tillgängligt och konsekvent är en viktig drivkraft för att tillämpa AI.

Att lära ett neuralt nätverk att se lagren

Författarna använde en offentlig datamängd med högupplösta fotografier av kärnor från holocena (de senaste ~11 700 åren) avlagringar i norra Italien. Varje bild fick omsorgsfullt etiketteras i sex huvudfacies — fluviala sandar, väl‑ och dåligt dränerade översvämningsslättsmulor, våtmarksavlagringar, torvskikt och offshore (prodelta) leror — plus en bakgrundsklass. De tränade flera varianter av en populär bildsegmenteringsarkitektur, U‑Net, vardera med olika ”backbone” som lär sig visuella kännetecken. Genom att jämföra noggrannhet och relaterade mått på både en valideringsmängd och en osett testmängd fann de att en modell baserad på EfficientNet‑B7‑backbonen gav den bästa balansen mellan hög prestanda och tillförlitlig generalisering till nya kärnor.

Att betrakta berg med en bredare lins

Mänskliga geologer avgör sällan en facies utifrån en enskild liten fläck; de läser trender upp och ner i kärnan, såsom gradvis finare textur eller förtjockning av skikt. För att efterlikna detta testade teamet hur mycket vertikalt sammanhang AI bör se åt gången genom att träna den bästa arkitekturen på olika patch‑storlekar utskurna från bilderna. När modellen såg endast små 128×128‑pixel‑patchar var förutsägelserna brusiga och faciesband såg ut att vara brutna. När patch‑storleken ökade till 256 och 384 pixlar upp till 512×512 pixlar blev segmenteringen mjukare och närmare expertens tolkning, med facieskroppar bevarade som kontinuerliga enheter. Prestandavinsterna planarade ut mellan 384 och 512 pixlar, vilket tyder på att ungefär denna skala fångar det mesta av det användbara sammanhanget för uppgiften.

Öppna svart lådan med värme‑ och osäkerhetskartor

Höga poäng räcker inte när AI informerar beslut om risker eller resurser; användare behöver se hur och var modellen ”tittar”. Författarna tillämpade därför två familjer av förklaringsverktyg. Först använde de Grad‑CAM för att producera saliensmappar — värmekartor som markerar bildregioner som är mest inflytelserika för varje facies‑beslut. Dessa kartor stämde väl överens med de etiketterade faciesen och betonade till exempel organiskt rika zoner för torv och våtmark samt tydligt separerade sediment från bakgrund. Viktigt är att viss överlappning, såsom torvaktiveringar inom våtmarksområden, motsvarade hur sedimentologer konceptuellt grupperar dessa miljöer. För det andra uppskattade de prediktiv entropi genom att köra modellen många gånger med slumpmässig dropout och sammanfatta hur stabila dess förutsägelser var vid varje pixel. Högentropiska zoner uppträdde ofta nära gränser mellan facies, i tunna inlagrade sandiga partier inom leror eller i delar av kärnor störda under borrning — precis där experter själva skulle tveka. Ändå var många områden med hög osäkerhet fortfarande klassificerade korrekt och pekar ut intervall som förtjänar en andra granskning snarare än att resultaten ska förkastas helt.

Från fallstudie till praktiskt verktyg

Tillsammans levererar detta arbete mer än en exakt modell: det erbjuder en komplett, transparent pipeline för analys av sedimentkärnor. Genom att noggrant välja nätverksarkitektur, matcha dess synfält med mänskligt resonerande och para varje förutsägelse med visuella förklaringar och osäkerhetsuppskattningar visar författarna hur AI kan stödja snarare än ersätta expertbedömning. Samma angreppssätt kan anpassas till andra geovetenskapliga bilder — från jordskred till reservoarstenar — där förtroende, tolkningsbarhet och öppna data är lika avgörande som rå noggrannhet.

Citering: 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

Nyckelord: förklarbar AI, sedimentära facies, geovetenskaplig avbildning, probanalys, modellosäkerhet