Çin Xiannüdong Formasyonu’ndan Girvanella Boundstone Mikrofasiyesinin Yüksek Çözünürlüklü Açıklamalı Veri Kümesi

Antik Resifler Modern Algoritmalarla Buluşuyor

Günümüz tropik resiflerini mercanlardan önce inşa eden küçük mikroplar, deniz tabanında çoktan karmaşık yapılar oluşturmaya başlamıştı. Bu fosilleşmiş “mikrobiyal resifler”, erken yaşamın 500 milyondan fazla yıl önce okyanusları nasıl şekillendirdiğini kaydeder. Bu makalenin dayandığı yeni çalışma tek bir fosili tanımlamıyor; bunun yerine Çin’deki bu antik resiflerden elde edilen mikroskop görüntülerinin dikkatle oluşturulmuş, açık bir veri kümesini yayımlıyor—modern yapay zeka (YZ) sistemlerinin kaya kaydını kendi başlarına okumayı öğrenebilmeleri için özel olarak biçimlendirilmiş şekilde.

Çok Eski Sığ Bir Denizden Gelen Kayalar

Araştırma, hayvan yaşamının hızla çeşitlendiği ve deniz ekosistemlerinin daha karmaşık hale geldiği erken Kambriyen’de Güney Çin’de biriken Xiannüdong Formasyonu’ndan gelen kayalara odaklanıyor. Bu kayalar, ağırlıklı olarak filamentöz siyanobakteriler tarafından inşa edilmiş ve kalsifiye tüpler ile kabuklar bırakan Girvanella boundstone adı verilen resif benzeri bir yapıyı koruyor. Bu mikrobiyal yapılara karışık olarak, aradaki boşlukları dolduran tortu taneleri, iskelet parçacıkları ve mineral çimentosu bulunuyor. Birlikte, biyoloji ile deniz suyu kimyasının el ele verip katı karbonat platformları inşa ettiği, dalga etkili sığ bir deniz tabanının ayrıntılı bir anlık görüntüsünü oluşturuyorlar.

Kaya Dilimlerini Dijital Karolara Dönüştürmek

Bu antik öyküyü bilgisayarlar için kullanılabilir kılmak üzere ekip, mikroskop altında yüksek çözünürlükle görüntülenen cam lamlara monte edilmiş ince kesit kayalarla işe başladı. 28 orijinal bloktan yedi tanesi ayrıntılı işleme için seçildi. Her tüm‑blok görüntüsünün üzerine düzenli bir ızgara yerleştirildi ve ardından 114 x 114 piksel boyutunda çok sayıda küçük kare karolara bölündü. Bu karolar, düğümlenmiş mikrobiyal tüpler, ince çamur veya iri taneler gibi ana dokuları yakalayacak kadar büyük, ancak makine öğrenimi için standartlaştırılmış “piksel” işlevi görecek kadar küçük. Bu süreç, kayada bulunan mikro‑dokuların tüm çeşitliliğini kapsayan on binlerce görüntü kesiti üretti.

Makine Öğrenimi İçin Titiz İnsan Etiketleri

Dijital görüntüler tek başına yeterli değil; YZ ayrıca her desenin ne anlama geldiğine dair örneklere ihtiyaç duyuyor. Bu nedenle araştırmacılar, kayada görülen farklı bileşenleri elle etiketlediler: Girvanella kabukları, çeşitli taneler, çamur, çimento ve diğer özellikler. Her pikselin tek renk kanalında sayısal bir sınıf tanımlayıcısı taşıdığı özel “maske” görüntüleri oluşturdular. Bir Python betiği ardından bu maskeleri kullanarak her karoyu, piksel değerlerini toplayan bir nokta sayma kuralına dayanarak iskeletli grainstone, lamineli mikrobiyalit veya dolomitik mudstone gibi on mikrofasiyes sınıfından birine atadı. Belirsiz veya eksik etiketli karolar otomatik olarak dışlandı. Nihai veri kümesi, dengeli oranlarda eğitim, doğrulama ve test setlerine bölündü ve otomatik etiketleme ile elle kontrol edilen etiketler arasında %95’ten fazla uyum doğrulandı.

Jeoloji ve YZ İçin FAIR Bir Kaynak

Ortaya çıkan ürün, FAIR (Bulunabilir, Erişilebilir, Birbirine Uyumlu, Yeniden Kullanılabilir) ilkelerine uyan, Figshare üzerinde barındırılan iyi yapılandırılmış, açık bir veri kümesi. Tüm karo görüntüleri standart PNG dosyaları olarak saklanıyor ve etiketleri ile veri kümesi bölünmesi tek bir CSV dosyasında belgeleniyor. Eş zamanlı olarak yazarlar, ince kesit görüntülerini karolara bölme, gizli etiketleri okuma, kalite kontrolü ve verileri düzenleme işlemlerini yeniden üreten açık kaynaklı Python kodunu GitHub’da sağlıyor. Bu, diğer araştırmacıların veri kümesini doğrudan derin öğrenme çerçevelerine sokabilmesi, ortak bir kıyaslamada modelleri karşılaştırabilmesi veya iş akışını kendi kaya koleksiyonlarına uyarlayabilmesi anlamına geliyor.

Tek Bir Resifin Ötesinde Neden Önemli?

Karmaşık bir antik resifi etiketlenmiş görüntü karolarından oluşan düzenli bir kütüphaneye dönüştürerek çalışma, erken Dünya ekosistemleri ile modern YZ araçları arasında bir köprü kuruyor. Uzman olmayanlar için çıkarım şu: bir zamanlar mikroskop başında uzman petroğrafçilerin işiyken kayac dokularının yorumlanması, giderek açıkça erişilebilir verilerle eğitilmiş algoritmalarla paylaşılabilir hale geliyor. Bu veri kümesi, bilim insanlarının karbonat kaya sınıflandırmasını otomatikleştirmesine, uzun zaman önce kaybolmuş denizlerin yeniden yapılandırılmasını iyileştirmesine ve transfer öğrenmeyi diğer jeolojik ortamlara uygulamasına yardımcı olacak. Basitçe söylemek gerekirse, bir Kambriyen deniz tabanı dilimini bilgisayarlar için yeniden kullanılabilir bir eğitim setine çeviriyor ve taşın içine kilitlenmiş gezegenimizin derin tarihini okuma yeteneğimizi hızlandırıyor.

Atıf: 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

Anahtar kelimeler: Kambriyen resifleri, karbonat mikrofasiyeleri, jeoloji veri kümeleri, yerbilimlerinde derin öğrenme, mikrobiyal karbonatlar