《Applied Computing and Geosciences》:Quartz grain microtexture analysis using Artificial Intelligence: application to tsunami and storm deposits provenance studies
编辑推荐:
本研究应用深度学习(Deep Learning, DL)技术实现扫描电子显微镜(Scanning Electron Microscope, SEM)下石英颗粒显微结构的自动分类,旨在支持并标准化传统的显微结构分析。准确的显微结构分析对于沉积源区(Sedimen
本研究应用深度学习(Deep Learning, DL)技术实现扫描电子显微镜(Scanning Electron Microscope, SEM)下石英颗粒显微结构的自动分类,旨在支持并标准化传统的显微结构分析。准确的显微结构分析对于沉积源区(Sedimentary provenance)与古环境重建至关重要,然而传统方法仍易受操作者间差异的影响。为克服此问题,研究人员在包含五种沉积环境(沙丘、海滩、冲积、基底砂、近岸)及两种高能事件(风暴、海啸)的多样化石英颗粒数据集上训练了卷积神经网络(Convolutional Neural Networks, CNNs)。研究人员并行评估了模型与SandAI模型的性能,以测试其在不同沉积背景下的稳健性。CNNs在识别以机械作用为主的沉积环境颗粒时表现出较高准确率,此类环境亦代表数据集中最大的样本量。然而,在显微结构被叠加或保存较差的区域,分类性能有所下降。虽无监督方法按表面纹理对颗粒进行分组,但其与沉积背景的一致性不足。尽管如此,鉴于更平衡且稳健的数据集,CNNs为沉积源区与极端事件颗粒分析提供了一种前景广阔且客观的方法。
论文解读文章
研究背景与意义
石英颗粒表面显微结构(Microtexture)分析是自20世纪60年代发展起来的沉积源区与古环境重建经典方法,其表面纹理反映了从源区到沉积过程中的机械、化学及生物作用过程。尽管已有多种图集试图标准化分类,但传统分析依赖专家的目视解译,具有主观性且受操作者间变异性影响,限制了重现性与标准化标准的制定。近年来,人工智能(Artificial Intelligence, AI)尤其是深度学习(Deep Learning, DL)的发展为克服这些挑战提供了可能。本文发表在《Applied Computing and Geosciences》,研究人员通过开展基于卷积神经网络(Convolutional Neural Networks, CNNs)的自动化分类研究,旨在评估其在支持与标准化显微结构分类及海啸与风暴沉积物源分析中的潜力,通过整合AI与地质专业知识减少主观性并增强重现性。
主要关键技术方法
研究人员构建了涵盖18个采样区域的大型数据集,包括沙丘、海滩、冲积、基底砂、近岸等五种沉积环境及海啸、风暴两类高能事件沉积物,样本源自Storegga海啸、Tohoku-oki海啸、2005年风暴等全球多地剖面,经筛分选取125–500 μm(1–3Φ)石英颗粒并制备扫描电子显微镜(Scanning Electron Microscope, SEM)图像共3367张。图像处理采用自定义Python脚本去除背景,测试了现有SandAI模型(一种用于石英颗粒无监督分类的深度神经网络),并基于改进ResNet-50架构训练了五组新CNN模型(QzTexNet1–5),数据集按7:2:1划分为训练、验证与测试集,辅以随机旋转、翻转、对比度调整等数据增强(Data Augmentation)手段,统计评估采用准确率、精确率(Precision)、召回率(Recall)及F1分数。
研究结果
4. Results
SandAI模型在全数据集测试下总体准确率为24.6%至26.65%,若限制在其原始训练的沉积环境内则升至40.1%至47.0%。在各SandAI测试中,沙丘(Dune)类准确率最高(约20%至51.82%),海滩(Beach)次之,基底砂(Basal Sands)约17%至28.29%,而风暴(Storm)、近岸(Nearshore)与海啸(Tsunami)均低于8%。混淆矩阵显示SandAI常将冲积(Alluvial/Fluvial)误分为沙丘与海滩,海啸常被分为冲积、海滩或沙丘,表明其对微纹理重叠环境辨识有限。
QzTexNet1–3模型涵盖七类环境,总体准确率分别为42.33%、40.00%与44.00%。其中海啸类识别率最高(约59%至70%),近岸次之(48%至55%),海滩与沙丘居中(29%至36%与10%至32%),基底砂24%至40%,风暴低于30%,冲积最低常低于20%甚至为0%。QzTexNet4–5缩减为四类(冲积、海滩、沙丘、近岸),总体准确率提升至52.78%与54.86%,沙丘达63.16%与52.63%,海滩57.73%与60.00%,近岸55.56%与63.89%,冲积仍为20%。混淆趋势显示海滩与沙丘互混较多,冲积常被误分为海滩或海啸,反映化学溶蚀叠加搬运纹理导致界限模糊。
讨论与结论翻译
5. Discussion
SandAI与QzTexNet结果表明将深度学习应用于石英颗粒显微结构分析既有机遇也有持续挑战。SandAI在去除了置信阈值后分类率提升,其在原始训练环境(尤其沙丘)表现佳,因沙丘具长期风成搬运的清晰微纹理(如边缘浑圆);冲积表现差因其来自冲积平原具溶蚀与化学沉淀叠加,与原训练的高能河流新鲜表面不同。QzTexNet在七类训练中海啸因样本量大表现好,冲积因样本少且纹理重叠表现差,数据增强未能完全补偿不平衡。四类训练因类别分布均匀提升稳定性,沙丘与近岸因形态独特(沙丘浑圆、近岸棱角伴轻微溶蚀)识别稳,海滩因与沙丘连续过渡而互混。误分类趋势符合沉积学重叠而非随机错误:海滩与沙丘因环境邻近互变,海啸与风暴因同具高能撞击痕常与海滩/沙丘混淆。SandAI侧重形状描述符(圆度、棱角、边缘形态及贝壳状断口、沉淀特征),QzTexNet兼顾形态与微纹理(冲积/基底砂半浑圆伴溶蚀、海滩棱角新鲜面、沙丘浑圆膨缘、近岸棱角微溶、极端事件近期高能面)。表7总结各环境最优模型:沙丘—QzTexNet4(约63%)、基底砂—QzTexNet1/2(约40%)、海滩—QzTexNet5(约60%)、冲积—SandAI(约35%)、近岸—QzTexNet5(约64%)、风暴—QzTexNet3(约30%)、海啸—QzTexNet3(约70%)。局限包括类别数增多准确率降、数据集规模小且不平衡(如冲积少)、图像质量差异及自然微纹理叠加。未来需扩大平衡数据集、针对极端事件建专用模型、仅当具备最小组合特征时分类以减少误判。
6. Conclusion
本研究探索了自动化方法分类石英颗粒显微结构用于沉积源区分析的潜力,解决传统专家解译的主观性。常规显微结构分析易受观察者偏差限制重现性,尤其在大数据集或细微纹理变异时。通过应用机器学习(Machine Learning, ML)技术,研究人员得以系统化识别关键显微结构模式并评估其与不同沉积环境的关联。SandAI模型在其训练范围内表现一致,全数据集准确率24.6–26.6%,限定环境40.1–47.0%,在微纹理清晰均匀的沙丘沉积表现尤佳,但在复杂或重叠背景下效力下降。新开发的基于CNN的QzTexNet模型显示适度但令人鼓舞的提升,总体准确率40.0至54.9%,更适于处理复杂微纹理包括极端波浪事件相关者,体现数据增强与多样训练的益处;但高性能常伴随大样本量环境,表明分类成功受纹理清晰度与数据集分布共同影响。无监督分类尝试提供了底层沉积模式见解,能快速识别大量颗粒相似性,但在高能沉积环境其分类可解释性与地质一致性多变。研究局限包括数据集规模、类别不平衡、图像质量变异及微纹理重叠。尽管如此,本研究为未来工作奠定坚实基础,扩大数据集、解决不平衡、整合更广微纹理类别及采用更结构化训练策略有望提升性能,开发极端事件沉积专用模型可通过聚焦叠加微纹理提高可靠性。总之,结果证明了自动化方法在减少沉积学研究显微结构分析主观性与提升重现性方面的前景。