Öppna den svarta lådan: förklarbar AI för automatiserad analys av bioturbation i borrkärnor och utskjut

Se dolda ledtrådar i uråldrig lera

När djur gräver gångar genom mjuk bottenlera lämnar de efter sig en labyrint av tunnlar som kan bevaras i miljontals år. Dessa subtila mönster, kallade bioturbation, hjälper geologer att läsa av forna miljöer och kan även peka mot olja- och gasfyndigheter. Men att upptäcka och graderade dessa spår med blotta ögat är långsamt och subjektivt. Denna studie visar hur en ny generation av ”förklarbar” artificiell intelligens inte bara kan automatisera uppgiften, utan också avslöja exakt vad datorn tittar på — och därigenom omvandla en svart låda till en glasruta.

Varför gångar i berg spelar roll

Många geologiska bedömningar börjar fortfarande med enkel observation: av klippor, borrkärnor och tunna skivor av berg. Hur lager ligger, hur välbevarade eller störda de är, och var gångar skär igenom dem ger alla ledtrådar om vattendjup, energinivå, syreförhållanden och de organismer som en gång levde där. Geologer sammanfattar ofta denna störning som bioturbationsintensitet, från orörd till helt omrörd sediment. Dessa graderingar är viktiga för att återskapa forna kustlinjer och för att bedöma hur lätt vätskor kan röra sig genom begravda sandstenar som kan fungera som reservoarer. Ändå kan även experter vara oense, särskilt i gränsfall där bioturbationen är måttlig snarare än tydligt svag eller stark.

Lära en dator att läsa bergfotografier

Författarna bygger vidare på en tidigare djuplärande modell tränad för att sortera fotografier av sandstenkärnor och utskjut i tre breda nivåer av bioturbation: orörd, måttligt omrörd och intensivt omrörd. Modellen visade redan hög noggrannhet och klassificerade korrekt de flesta av 262 testbilder. I denna studie skiftar fokus från ”Hur bra är den?” till ”Vad ser den egentligen?”. För att svara på det använder teamet förklarbara AI-verktyg som skapar värmekartor över varje bild och framhäver de områden som mest påverkade modellens val. Rödare områden väger tyngre i beslutet; svalare toner spelar mindre roll. Detta tillvägagångssätt låter geologer jämföra maskinens visuella uppmärksamhet med den hos en erfaren iknolog — en expert på spårfossiler.

Hur den svarta lådan lyser upp

Metoden, känd som Grad-CAM, utnyttjar nätverkets sista lager där bilden destillerats till grova fält av egenskaper. När modellen bestämmer en klass mäter Grad-CAM hur känsligt det beslutet är för varje fält och projicerar sedan resultatet tillbaka på originalfotot som en färgad överlagring. För icke-bioturbaterade berg tenderar värmekartorna att lysa upp fält med välbevarade lager eller massiva, ostörda enheter, ibland även framhäva naturliga sprickor eller utspridda grusstycken som sticker ut mot en enhetlig bakgrund. I måttligt bioturbaterade bilder brukar kartorna fokusera på enskilda gångar eller zoner där lagren delvis störts, vilket nära motsvarar vad mänskliga experter skulle ringa in på en sida. I intensivt omrörda prov där nästan all ursprunglig struktur suddats ut visar kartorna ett fläckigt mönster spritt över bilden, vilket speglar den genomgripande omrörningen av forna bottenytan.

Vad modellen missar — och varför

Eftersom förklaringarna är visuella kan forskarna undersöka modellens misstag istället för att bara registrera dem som fel. Vissa orörda bilder felaktigt tolkades som bioturbaterade när vissa klaster eller texturer råkade likna gångar. I andra fall förbises mycket små eller mycket svaga spårfossiler, särskilt när de upptar endast ett litet hörn av bilden. Mycket stora strukturer orsakade också problem: om en enda bred gång fyllde större delen av bildrutan och dess interna detaljer var dämpade, behandlade modellen den som en fältlös massa snarare än ett spår. Viktigt är att värmekartorna visar att systemet i allmänhet ignorerar icke-geologiskt skräp som pennmarkeringar, sågspår och skuggor, vilket visar att det lärt sig att fokusera på bergstrukturer snarare än fotografiskt brus. Författarna föreslår att mer varierade, högkvalitativa träningsbilder och bättre täckning av gränsfall vad gäller intensitetsnivåer skulle förbättra prestandan ytterligare.

Från expertverktyg till undervisningshjälpmedel

Genom att öppna modellens inre processer för inspektion hjälper förklarbar AI till att minska förtroendegapet mellan geovetenskapsfolk och algoritmer. Studien visar att nätverkets uppmärksamhet oftast stämmer överens med expertbedömningar och fokuserar på samma gångar och störda zoner som en tränad iknolog skulle lyfta fram. Denna transparens gör det lättare att ta i bruk automatiserad bioturbationsanalys i både forskning och industri, där konsekvent och snabb screening av stora bildbibliotek kan spara tid och minska mänsklig bias. Samtidigt fungerar de färgrika värmekartorna som ett undervisningsverktyg genom att styra studenters blick mot de subtila texturledtrådar som skiljer orörd, måttligt omrörd och genomomrörd bergart. Genom att förvandla osynliga modellbeslut till synliga mönster pekar arbetet mot en framtid där AI inte ersätter geologisk intuition utan skärper och skalar upp den.

Citering: 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

Nyckelord: förklarbar AI, bioturbation, geologisk bildanalys, djuplärande, sedimentära kärnor