Explainable artificial intelligence using convolutional neural networks for sedimentary structure classification

doi:10.1016/j.acags.2026.100397

Explainable artificial intelligence using convolutional neural networks for sedimentary structure classification

2026-08-01

0

PRE

AI

DOI：10.1016/j.acags.2026.100397

原文链接

原文求助

摘要

En 中文

卷积神经网络（CNNs）在地质学中提供强大的图像分类能力，其中对沉积结构的视觉解释对于重建沉积环境至关重要。然而，其黑箱特性可能限制信任并延缓在地球科学工作流程中的应用。本研究提出了一种基于CNN的框架，用于对岩心图像中的11种物理和生物成因沉积结构进行分类，并将可解释性作为核心目标。在地质多样性注释数据集上训练和评估了三种架构（EfficientNet-B2、MobileNet-V3和ResNet-50）。EfficientNet-B2达到了最高的总体准确率（97.7%），其次是MobileNet-V3（96.8%）和ResNet-50（95.8%）。对401张未见图像的盲测评估显示，CNN模型在领域漂移条件下仍保持显著的预测能力，EfficientNet-B2的准确率为79.05%，MobileNet-V3为78.8%，ResNet-50为78.3%。这些结果表明整体泛化能力良好，而剩余错误主要与地质上相似的沉积结构相关。可解释性通过Grad-CAM++进行评估，并关键性地通过（i）基于删除的保真度（通过屏蔽最显著区域后目标类别概率的下降进行测量）和（ii）受控扰动下的稳定性（亮度变化、噪声、模糊和微小空间偏移，通过解释图之间的相似性进行测量）进行定量评估。在所有模型中，Grad-CAM++始终强调地质上有意义的特征（如卵石边界、倾斜纹层和生物成因纹理），而弱化非诊断性伪影。ResNet-50产生了最忠实和稳定的解释，在删除下显示出最陡的概率衰减，在扰动下显著性模式的鲁棒性最高，尽管分类准确率略低。总体而言，这些结果表明高分类准确率并不一定意味着高质量的可解释性，而解释可靠性指标为更透明和可信赖的沉积结构分类提供了实际途径，适用于真实世界的岩心分析。

Keyword:

Sedimentary structures

Convolutional neural networks

Explainable artificial intelligence

Grad-CAM ++

Core imagery

Explainable artificial intelligence using convolutional neural networks for sedimentary structure classification

摘要

期刊

机构

引用论文