打开黑箱：用于岩心与露头的可解释人工智能以实现自动化生物扰动分析

在古老淤泥中看见隐秘线索

当动物在柔软的海底淤泥中挖掘时，会留下一个可以保存数百万年的隧道迷宫。这些细微的图案称为生物扰动，帮助地质学家解读过去的环境，甚至寻找油气储层。但用肉眼识别并分级这些痕迹既缓慢又带有主观性。本研究展示了新一代“可解释”人工智能如何不仅能自动化这一任务，还能明确指出计算机在看什么，把一个黑箱变成一个透明的装置。

岩石中穴道为何重要

许多地质判断仍从简单的观察开始：在悬崖、钻芯和岩石薄片上。层理的排列方式、层面是否完好或受扰以及穴道穿切的位置，都提示着水深、动力能量、氧气含量以及曾经生活在那里生物的类型。地质学家通常将这种扰动概括为生物扰动强度，从未受扰的层理到完全搅动的沉积物不等。这些等级对于重建古海岸线以及评估埋藏砂岩作为储层时流体易通性至关重要。然而即便是专家也可能存在分歧，尤其是在生物扰动为中等而非明显弱或强的边缘情况。

教计算机读取岩石照片

作者在早期的深度学习模型基础上进行了扩展，该模型被训练用于将砂岩岩心与露头照片分为三种生物扰动的粗略等级：未扰动、适度扰动和强烈扰动。该模型在先前已经表现出高准确率，在262张测试图像中大多被正确分类。在本研究中，关注点从“它做得有多好？”转向“它到底在看什么？”。为回答这一问题，团队使用可解释人工智能工具为每张图像生成热图，突出那些对模型决策影响最大的区域。颜色越偏红表示对决策越重要；冷色调表示影响较小。这种方法让地质学家能够将机器的视觉注意力与有经验的痕迹化石学家——即痕迹化石专家——的关注点进行比较。

黑箱如何发光

该方法称为Grad-CAM，它利用神经网络的最后几层，在那里图像被提炼为粗糙的特征块。当模型决定类别时，Grad-CAM衡量该决策对每个特征块的敏感度，然后将结果投射回原始照片作为彩色叠加。对于未受扰的岩石，热图往往在保存良好的层理或整体未经扰动的单元上亮起，有时也会突出天然断裂或在均匀背景上显眼的散落砾石。在中度生物扰动的图像中，热图通常聚焦于单个穴道或层理部分被破坏的区域，与人类专家在纸上圈出的地方高度一致。在强烈扰动的样本中，几乎所有原始结构都被抹去，热图则呈现遍布图像的斑点模式，反映出古海底普遍的搅动。

模型的错误及其原因

由于解释是可视化的，研究人员可以探查模型的错误，而不仅仅把它们记录为误差。一些未扰动的图像在某些砾石或纹理恰好类似穴道时被误判为生物扰动。在其他情况下，微小或非常模糊的痕迹化石被忽视，尤其当它们只占图像的一小角时。非常大的结构也会带来问题：如果一个宽大的单一穴道占据了大部分画面且内部细节不明显，模型会把它视为无特征的块体而非痕迹。重要的是，热图显示系统通常会忽略非地质杂物，例如笔迹、锯痕和阴影，这表明它已学会关注岩石组织而非摄影噪声。作者建议，更加多样化、更高质量的训练图像以及更好覆盖边缘强度等级将进一步提升性能。

从专家工具到教学辅助

通过将模型内部工作公开检视，可解释人工智能有助于缩小地球科学家与算法之间的信任鸿沟。研究显示，网络的注意力通常与专家判断一致，聚焦于受训练的痕迹化石学家会强调的相同穴道和扰动区。这种透明性使在研究和工业中采用自动化生物扰动分析更为容易，在需要对大型图像库进行一致且快速筛查的场景下可以节省时间并减少人为偏见。与此同时，多彩的热图也可作为教学工具，引导学生关注将未扰动、适度扰动与彻底搅动岩石区分开的微妙纹理线索。通过将不可见的模型决策转化为可见的模式，这项工作指向了这样一个未来：人工智能并非取代地质直觉，而是使其更敏锐并能规模化应用。

引用: 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

关键词: 可解释人工智能, 生物扰动, 地质图像分析, 深度学习, 沉积岩心