Reconhecimento automatizado de padrões tafonômicos em microtomografias de coquinas geradas por modelagem física

Abstract

O presente trabalho apresenta o desenvolvimento e a aplicação de uma abordagem integrada para a análise quantitativa de padrões tafonômicos em depósitos de coquinas, combinando modelagem física experimental e processamento automatizado de imagens de microtomografia. Coquinas constituem depósitos bioclásticos altamente heterogêneos, cuja organização reflete processos de transporte e empacotamento hidrodinâmico, sendo sua quantificação dificultada pela complexidade estrutural, subjetividade e elevado tempo requerido em análises manuais. Nesse contexto, foi desenvolvido um fluxo de trabalho em Python para o reconhecimento automatizado de padrões tafonômicos em imagens μCT, integrando etapas de pré-processamento, separação de objetos, extração de descritores morfométricos e classificação heurística, incluindo discriminação composicional e caracterização de descritores direcionais, como orientação angular (concordante, oblíqua e vertical) e polaridade de concavidade (UP/DOWN). O algoritmo demonstrou capacidade consistente de discriminar conchas e fragmentos, extrair descritores estruturais e quantificar, de forma objetiva e reprodutível, a organização interna de depósitos bioclásticos sintéticos. A calibração foi realizada com três plugs experimentais (100/0%, 75/25% e 50/50%), subdivididos em quatro fatias axiais (12 imagens), resultando em RMSE global de aproximadamente 8,3% e R² de 0,97, com erros variando entre −13% e +10,5%. O melhor desempenho foi observado em condições intermediárias (RMSE = 4,18%), enquanto maiores desvios ocorreram nos extremos (RMSE = 10,86%), associados à subestimação de conchas por oclusão e leve superestimação em composições mistas. A aplicação do método a 10 plugs gerados por modelagem física indicou predominância de conchas (61,2%–71,2%), exceto em uma amostra caracterizada por maior fragmentação (52,8%). As orientações concordantes predominam (56,2%–91,3%), enquanto as classes oblíqua (4,3%–31,2%) e vertical (<20%) permanecem subordinadas. A concavidade apresentou predominância de padrões côncavos para baixo (54%–68%), com variações próximas a distribuições equilibradas. A validação frente a análises manuais evidenciou bom desempenho geral, com RMSE da ordem de 7,0% para orientação concordante, melhor desempenho para a classe vertical (RMSE ≈ 4,9%; R² ≈ 0,51) e maior dispersão para a classe oblíqua (RMSE ≈ 7,8%; R² ≈ 0,03). Para concavidade, os erros variaram entre −24,7% e 25,8% (RMSE ≈ 17,3%; R² ≈ 0,31), indicando maior sensibilidade desse descritor, embora as tendências dominantes tenham sido preservadas. Os resultados evidenciam que a biofábrica dos depósitos está diretamente condicionada aos processos hidrodinâmicos atuantes durante a deposição, sendo possível reconhecer assinaturas estruturais associadas ao grau de reorganização sedimentar, como variações na fragmentação, orientação preferencial e posicionamento das valvas. De forma geral, a metodologia demonstra que a análise automatizada baseada em descritores morfométricos e direcionais constitui uma ferramenta robusta para caracterização tafonômica quantitativa, permitindo a extração sistemática de informações estruturais a partir de grandes conjuntos de dados tomográficos e estabelecendo uma ligação direta entre a organização interna dos depósitos e os processos deposicionais responsáveis por sua formação. Além disso, o método reduz o tempo de análise de aproximadamente 22–44 horas para cerca de 5 minutos, ampliando significativamente a viabilidade de aplicações em larga escala. A abordagem proposta estabelece uma base para avanços futuros, incluindo o refinamento do algoritmo, aplicação a depósitos naturais e incorporação de abordagens baseadas em aprendizado de máquina, visando aumentar sua robustez, generalização e aplicabilidade em diferentes contextos geológicos.

This study presents the development and application of an integrated approach for the quantitative analysis of taphonomic patterns in coquina deposits, combining experimental physical modeling and automated processing of microtomography images. Coquinas are highly heterogeneous bioclastic deposits whose internal organization reflects hydrodynamic transport and packing processes; however, their quantification is hindered by structural complexity, subjectivity, and the time-intensive nature of manual analyses. In this context, a Python-based workflow was developed for the automated recognition of taphonomic patterns in μCT images, integrating preprocessing, object separation, extraction of morphometric descriptors, and heuristic classification, including compositional discrimination and the characterization of directional descriptors such as angular orientation (concordant, oblique, and vertical) and concavity polarity (UP/DOWN).The algorithm demonstrated consistent capability to discriminate shells and fragments, extract structural descriptors, and quantitatively characterize, in an objective and reproducible manner, the internal organization of synthetic bioclastic deposits. Calibration was performed using three experimental plugs (100/0%, 75/25%, and 50/50%), subdivided into four axial slices (12 images), yielding a global RMSE of approximately 8.3% and R² of 0.97, with errors ranging from −13% to +10.5%. The best performance was observed under intermediate conditions (RMSE = 4.18%), whereas larger deviationsoccurred at the extremes (RMSE = 10.86%), associated with shell underestimation due to occlusion and slight overestimation in mixed compositions.Application of the method to 10 plugs generated through physical modeling indicated shell dominance (61.2%–71.2%), except for one sample characterized by higher fragmentation (52.8%). Concordant orientations predominate (56.2%–91.3%), while oblique (4.3%–31.2%) and vertical (<20%) classes remain subordinate. Concavity is predominantly concave-down (54%–68%), withvariations approaching balanced distributions. Validation against manual analyses demonstrated overall good performance, with RMSE on the order of 7.0% for concordant orientation, improved performance for the vertical class (RMSE ≈ 4.9%; R² ≈ 0.51), and greater dispersion for the oblique class (RMSE ≈ 7.8%; R² ≈ 0.03). For concavity, errors ranged from −24.7% to 25.8% (RMSE ≈ 17.3%; R² ≈ 0.31), indicating higher sensitivity of this descriptor, although dominant trends were preserved.The results demonstrate that the biofabric of the deposits is directly controlled by hydrodynamic processes acting during deposition, allowing the recognition of structural signatures associated with the degree of sedimentary reorganization, such as variations in fragmentation,preferential orientation, and valve positioning. Overall, the methodology demonstrates that automated analysis based on morphometric and directional descriptors constitutes a robust tool for quantitative taphonomic characterization, enabling systematic extraction of structural information from large tomographic datasets and establishing a direct link between internal deposit organization and the depositional processes responsible for their formation.Additionally, the method reduces analysis time from approximately 22–44 hours to about 5 minutes, significantly enhancing the feasibility of large-scale applications. The proposed approach establishes a foundation for future developments, including algorithm refinement, application to natural deposits, and the incorporation of machine learning approaches, aiming to improve robustness, generalization, and applicability across different geological contexts.