Açıklanabilir yapay zeka ile sedimanter fasiyes segmentasyonu

Taş Silindirlerinden Dünya Tarihini Okumak

Nehirlerin, deltaların ve kıyı şeritlerinin nasıl evrildiğini — ve kentlerimizin altındaki zeminin gerçekten ne kadar stabil olduğunu — anlamak için jeologlar yeraltından delinmiş uzun sediman silindirlerini (kırıntıları) inceler. Bu çekirdeklerin yorumlanması yavaş, uzmanlık gerektiren bir iştir. Bu çalışma, iç mantığını ortaya koyan araçlarla birleştirilen yapay zekânın (YZ) bu görevi nasıl otomatikleştirmeye yardımcı olabileceğini ve aynı zamanda bilim insanlarının bilgisayarın belirli bir sonuca nasıl ulaştığını görebilmelerini sağladığını gösteriyor.

Neden Sediment Çekirdekleri Önemlidir

Yeraltı sedimanları geçmiş taşkınları, deniz seviyesi değişimlerini, depremleri ve iklimdeki kaymaları kaydeder. Uzmanlar her çekirdeği nehir kanalları, taşkın ovaları (iyi ve kötü drene olan çamurlar), bataklık birikintileri, turba katmanları ve açık deniz (prodelta) killeri gibi farklı çevresel koşulları yansıtan "fasiyes" adı verilen katmanlara ayırır. Bu ayrımlar paleoklimatolojik yeniden yapılandırmalardan deprem tehlike ve zemin stabilitesi değerlendirmelerine kadar pek çok çalışmayı yönlendirir. Ancak dikkatli fasiyes haritalaması yıllarca sedimentoloji eğitimi gerektirir ve uzmanlar bile katmanlar benzer görünürse veya çekirdekler hasar görmüşse belirsizliklerle karşılaşır. Bu işi daha erişilebilir ve tutarlı hale getirmek, YZ uygulamanın temel güdülerinden biridir.

Bir Sinir Ağını Katmanları Görmeye Eğitmek

Yazarlar Kuzey İtalya’da Holosen (yaklaşık son 11.700 yıl) birikintilerinden alınmış yüksek çözünürlüklü çekirdek fotoğraflarından oluşan halka açık bir veri seti kullandılar. Her görüntü özenle altı ana fasiyese — akarsu kumu, iyi drene ve kötü drene taşkın ovası çamurları, bataklık birikintileri, turba katmanları ve açık deniz (prodelta) killeri — artı bir arka plan sınıfı olarak etiketlendi. Görsel özellikleri öğrenen farklı "omurga" (backbone) ile birkaç versiyon popüler bir görüntü segmentasyon mimarisi U‑Net eğitildi. Doğrulama seti ve görünmemiş test seti üzerinde doğruluk ve ilgili metrikleri karşılaştırarak, EfficientNet‑B7 omurgasına dayanan bir modelin yüksek performans ile yeni çekirdeklere güvenilir genelleme arasında en iyi dengeyi sunduğunu buldular.

Kayaya Daha Geniş Bir Mercekten Bakmak

İnsan jeologlar nadiren bir fasiyesi küçük bir noktaya bakarak karar verir; çekirdekteki incelme veya kalınlaşma gibi yukarı ve aşağıya doğru eğilimleri okurlar. Bunu taklit etmek için ekip, YZ’nin aynı anda ne kadar dikey bağlam görmesi gerektiğini test etti ve en iyi mimariyi görüntülerden kesilen farklı yama boyutlarıyla eğitti. Model yalnızca küçük 128×128 piksel yamaları gördüğünde, tahminleri gürültülü oldu ve fasiyes bantları kopuk görünüyordu. Yama boyutu 256 ve 384 pikselden 512×512 piksele çıktıkça segmentasyon daha pürüzsüz ve uzman yorumuna daha yakın hale gelerek fasiyes cisimlerini sürekli birimler olarak korudu. Performanstaki kazanımlar 384 ile 512 piksel arasında düzleşti; bu da yaklaşık bu ölçeğin görev için faydalı bağlamın çoğunu yakaladığını düşündürüyor.

Isı Haritaları ve Belirsizlik Haritalarıyla Kara Kutuyu Açmak

YZ, tehlike veya kaynaklarla ilgili kararları bilgilendirirken yalnızca yüksek puanlar yeterli değildir; kullanıcıların modelin "nereye baktığını" görmeleri gerekir. Bu nedenle yazarlar iki aile açıklanabilirlik aracı uyguladılar. Önce Grad‑CAM kullanarak dikkat haritaları (saliency maps) — her fasiyes kararında en etkili görüntü bölgelerini vurgulayan ısı haritaları — ürettiler. Bu haritalar etiketli fasiyeslerle iyi örtüştü; örneğin turba ve bataklık için organikçe zengin bölgeleri vurguluyor ve sedimanı arka plandan net biçimde ayırıyordu. Önemli olarak, bataklık alanları içinde turba aktivasyonları gibi bazı örtüşmeler, sedimentologların bu ortamları kavramsal olarak gruplamasına karşılık geliyordu. İkinci olarak, modeli rastgele dropout ile birçok kez çalıştırıp her pikseldeki tahminlerinin ne kadar kararlı olduğunu özetleyerek öngörüsel entropiyi tahmin ettiler. Yüksek entropili bölgeler genellikle fasiyesler arasındaki sınır yakınlarında, çamurlar içindeki ince ara tabakalı kumlarda veya delme sırasında bozulmuş çekirdek bölümlerinde ortaya çıktı — tam da uzmanların tereddüt edeceği yerler. Yine de birçok yüksek belirsizlikli alan doğru sınıflandırılmıştı; bu, sonuçların tamamen reddedilmesi yerine ikinci bir incelemeyi hak eden aralıkları işaretliyordu.

Vaka İncelemesinden Pratik Bir Araca

Bu çalışma bir doğruluk modeli sunmaktan öte, sediman çekirdek analizi için eksiksiz ve şeffaf bir iş akışı sağlıyor. Ağ mimarisini dikkatle seçerek, insan akıl yürütmesine uygun görüş alanı eşleşmesi yaparak ve her tahmini görsel açıklamalar ile belirsizlik tahminleriyle eşleştirerek, yazarlar YZ’nin uzman yargısını yerine koymak yerine destekleyebileceğini gösteriyor. Aynı yaklaşım, güven, yorumlanabilirlik ve açık verinin ham doğruluk kadar kritik olduğu heyelanlardan rezervuar kayalarına kadar diğer jeobilim görüntülerine de uyarlanabilir.

Atıf: 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

Anahtar kelimeler: açıklanabilir yapay zeka, sedimanter fasiyesler, jeobilim görüntüleme, kırıntı (core) analizi, model belirsizliği