Derin öğrenme için karbonat ince kesit görüntülerinden oluşan bir veri seti ve kıyaslama

Neden Minik Kayalara Bakmak Önemli

Petrol ve gaz şirketleri, iklim bilimciler ve jeologlar, kayaların içinde saklı hikâyelerle yakından ilgilenir. Kayaları kağıt inceliğinde dilimleyip mikroskop altında inceleyerek uzmanlar eski denizler, gömülü resifler ve petrol, gaz ile suyun yeraltında nasıl hareket ettiğine dair ipuçlarını okuyabilir. Bu makale, böyle kaya dilimlerinin büyük ve titizlikle denetlenmiş bir görüntü koleksiyonu olan DeepCarbonate’i tanıtıyor. Koleksiyon, modern yapay zekâ sistemlerinin kaya türlerini otomatik olarak tanımayı öğrenebilmesi için tasarlandı; bu da geleneksel zanaati daha hızlı, daha tutarlı ve paylaşılması daha kolay hale getiriyor.

El Örneğinden Dijital Kaya Galerisine

Proje, Çin’in Sichuan Havzası ve Birleşik Arap Emirlikleri’ndeki başlıca petrol içeren oluşumlarda sondajla alınmış gerçek kayalardan başlıyor. Jeologlar önce çalıştıkları kaya diliminin bütünü temsil ettiğinden emin olmak için çıplak göz ölçeğinde inceler. Yerel tuhaflıklardan yanıltılmamak için en az iki büyütmede sekiz farklı görünümü kontrol eder, dokuları ve taneleri inceleyerek genel kaya türünü güvenle adlandırana kadar süreci sürdürürler. Ancak o zaman mikroskop ayarları sabitlenir ve bu kayaların nasıl oluştuğunu ve sıvıların içinden nasıl geçtiğini anlamada önemli olan ince ayrıntılara odaklanarak yüksek çözünürlüklü görüntüler yakalanır.

Kayıtları Farklı Işıklar Altında Yakalamak

DeepCarbonate her noktanın tek bir fotoğrafını çekmekle kalmaz. Aynı ince kesit birden fazla şekilde görüntülenir: normal transmit edilen ışık altında, çapraz polarize filtreler altında, yansıyan ışıkta ve bazen bazı minerallerin parlak renkle görünmesini sağlayan boyama sonrası çekimler de yapılır. Her aydınlatma modu farklı özellikleri—kristal şekillerini, gözenek boşluklarını veya hidrokarbon ipuçları verebilecek organik artıklarını—vurgular. Birlikte bunlar tek bir görüntünün sağlayacağından daha zengin bir bakış sunar. Tüm görüntüler, ayrıntı ile görüş alanı arasındaki dengeyi sağlamak için sabit bir büyütmede çekilir ve bulanık, çok karanlık veya hasarlı fotoğraflar çıkarılacak şekilde sıkı bir kalite kontrolünden geçirilir.

Bir Uzman Paneline Danışmak

İnce kaya özellikleri yorumu zor olabildiğinden ekip tek bir görüşe dayanmaz. On karbonat kaya uzmanı görüntüleri ve önerilen etiketleri bağımsız olarak inceler. Başlangıçtaki yargıya çok sayıda kişi katılmazsa, bu görüntüler kuşkulu örneklerden bilgisayarları öğretme riskine girmemek için elenir. Kalan görseller 22 ayrı kaya kategorisine ayrılır; ince çamurtaşlarından fosilce zengin kireçtaşlarına, kırık dolu kayaçlara, köpüksü gözenek ağlarına ve stromatolitler ile trombolitler gibi mikrobiyal yapılara kadar uzanır. Bu geniş kapsama, klasik kaya sınıflandırma sistemlerinin onlarca yıllık mirasını yansıtır, ancak veri odaklı jeoloji çağında kullanılmak üzere paketlenmiştir.

Yapay Zekâ için Adil Bir Test Ortamı Oluşturmak

Etiketlendikten sonra görüntüler, makine öğrenimi araştırmacılarının landmark görüntü veri setlerinden zaten bildiği bir yapıya yeniden düzenlenir. Toplamda 55.000’den fazla görüntü içeren koleksiyon, her aydınlatma modu altında eğitim, doğrulama ve test alt kümelerine ayrılır. Yazarlar ardından ResNet ve VGG’den MobileNet ve EfficientNet’e kadar popüler görüntü tanıma ağlarını bu yeni sahada test eder. Sadece her modelin kaya türünü ne sıklıkla tam doğrulukla tahmin ettiğini değil, aynı zamanda doğru cevabı en iyi tahminleri arasında ne kadar iyi sıraladığını ve hem yaygın hem de nadir kaya sınıflarıyla ne kadar adil davrandığını ölçerler.

Makinelerin Kayalar Hakkında Ne Öğrendiği

Sonuçlar, DeepCarbonate’in zorlu ama öğrenilebilir olduğunu gösteriyor: modern ağlar çoğu görüntüyü doğru sınıflandırabiliyor ve daha hafif, daha verimli modeller sıklıkla özellikle iyi performans gösteriyor. Çalışma ayrıca sınıf boyutlarındaki dengesizliğin—bazı kaya türlerinin veri setinde diğerlerinden çok daha yaygın olmasının—algoritmaları “sık görülen” kayalara eğilimlendirebileceğini ortaya koyuyor. En iyi temsil edilen dokuz sınıfı kullanarak daha dengeli bir alt küme oluşturarak yazarlar performansın iyileştiğini ve modellerin görüntülerdeki gerçekten ayırt edici özelliklere daha net odaklandığını gösteriyor. Tüm farklı aydınlatma modlarını birlikte dahil etmek de performansı artırıyor; bu, ekstra görsel ipuçlarının insan petrograflarda olduğu gibi makineler için de gerçek bir değer taşıdığını doğruluyor.

Enerji ve Yer Bilimleri İçin Anlamı

Uzman olmayan biri için DeepCarbonate temelde mikroskobik kayaların paylaşılan, yüksek kaliteli bir resim kitabı ve bilgisayarların bunu ne kadar iyi “okuyabildiğini” test etmek için net bir kural setidir. Görüntülerin ve kodun her ikisini de açıkça erişilebilir kılarak yazarlar, gelecekte kaya analizi için geliştirilecek yapay zekâ araçlarının adil bir şekilde karşılaştırılabilmesi için ortak bir ölçüt sağlar. Uzun vadede, bu tür standartlaştırılmış, uzman onaylı veri setleri, yavaş ve elle yapılan bir zanaati daha hızlı, daha nesnel bir dijital bilime dönüştürmeye yardımcı olabilir—enerji keşfi, karbon depolama ve Dünya’nın kaya arşivlerinin gezegenin tarihini nasıl kaydettiğine dair daha geniş anlayışı destekleyerek.

Atıf: Li, K., Song, J., Zhang, Z. et al. A dataset and benchmark of carbonate thin-section images for deep learning. Sci Data 13, 340 (2026). https://doi.org/10.1038/s41597-026-06633-5

Anahtar kelimeler: karbonat kayaçlar, ince kesit görüntüleri, derin öğrenme, petrografi, jeolojik veri setleri