Nuove frontiere dell’analisi dei dati mineralogici e strutturali nell'era del machine learning: strumenti per la petrografia moderna

In the era of digitalization and big data analysis, petrography can benefit from the implementation of data science techniques on geological data (geodata), such as machine learning (ML) algorithms. The aim of this work is to provide statistical geodata-driven techniques to extract, process and quantify different kinds of statistical parameters from natural rocks and artificial materials. In this regard, two new software have been developed, namely ArcStereoNet and X-Min Learn. ArcStereoNet is a Python-toolbox for ArcGIS® that allows the projection (stereoplots and rose diagrams) and the statistical analysis of structural data at different scales, while also preserving the relative geographical coordinates of the data. Several kinds of spherical statistical analyses, such as density functions (contours), cluster and girdle analysis and mean vectors extraction, are available. A new algorithm for a more user-controlled processing of the data (i.e., Mean Extractor from Azimuthal Data) is also included in the toolbox. ArcStereoNet has proven to be useful in comparing structural data collected from the outcrop scale to the thin section scale, as demonstrated in the dedicated case study. X-Min Learn is a stand-alone software that provides customizable image analysis and machine learning tools, useful to identify and analyze multi-channel X-ray data collected from thin sections of natural rocks and artificial materials. The data is classified with ML algorithms in a pixel-oriented fashion, within an interactive graphic user interface. Probability maps can be computed as well, to monitor and evaluate the classification confidence. X-Min Learn also supports the development of custom machine learning classifiers, providing a “developer’s toolkit” to build and test new ML models without writing a single line of code. This enables to tailor the software for analyzing different kinds of natural and artificial samples, as demonstrated within the dedicated case studies.

Nell'era della digitalizzazione e dell'analisi dei big data, la petrografia può trarre vantaggio dall'implementazione di tecniche di data science su dati geologici (geodati), come gli algoritmi di machine learning (ML). Lo scopo di questo lavoro è fornire tecniche statistiche basate sui geodati per estrarre, elaborare e quantificare diversi tipi di parametri statistici da rocce naturali e materiali artificiali. A questo proposito, sono stati sviluppati due nuovi software, ovvero ArcStereoNet e X-Min Learn. ArcStereoNet è una Python-toolbox per ArcGIS® che consente la proiezione (stereoplots e rose diagrams) e l'analisi statistica di dati strutturali a diverse scale, preservando anche le loro relative coordinate geografiche. Sono disponibili diverse tipologie di analisi statistiche, come il contour, l'analisi dei cluster e dei girdle e l'estrazione dei vettori medi. Nella toolbox è incluso anche un nuovo algoritmo per un'elaborazione dei dati più controllata dall'utente (cioè il Mean Extractor from Azimuthal Data). ArcStereoNet si è dimostrato utile nel confrontare i dati strutturali raccolti dalla scala dell'affioramento quella della sezione sottile, come dimostrato nel caso studio dedicato. X-Min Learn è un software stand-alone che fornisce strumenti personalizzabili per l’analisi di immagine e per il machine learning, utili per identificare e analizzare i dati multicanale estratti da sezioni sottili di rocce naturali e materiali artificiali mediante analisi a raggi X. I dati vengono classificati pixel per pixel con algoritmi di ML, all'interno di un'interfaccia utente grafica interattiva. Possono essere calcolate anche mappe di probabilità, per monitorare e valutare la qualità della classificazione. X-Min Learn supporta inoltre lo sviluppo di classificatori di machine learning personalizzati, fornendo un "kit di strumenti per sviluppatori" per creare e testare nuovi modelli di ML senza scrivere una singola riga di codice. Ciò consente di personalizzare il software per l'analisi di diversi tipi di campioni naturali artificiali, come dimostrato nei casi studio dedicati.