Treffer: MiGIS: micromorphological soil and sediment thin section analysis using an open-source GIS and machine learning approach.

​​​​​​​Micromorphological analysis using a petrographic microscope is one of the conventional methods to characterise microfacies in rocks (sediments) and soils. This analysis of the composition and structure observed in thin sections (TSs) yields seminal, but primarily qualitative, insights into their formation. In this context, the following question arises: how can micromorphological features be measured, classified, and particularly quantified to enable comparisons beyond the micro scale? With the Micromorphological Geographic Information System (MiGIS), we have developed a Python-based toolbox for the open-source software QGIS 3, which offers a straightforward solution to digitally analyse micromorphological features in TSs. By using a flatbed scanner and (polarisation) film, high-resolution red–green–blue (RGB) images can be captured in transmitted light (TL), cross-polarised light (XPL), and reflected light (RL) mode. Merging these images in a multi-RGB raster, feature-specific image information (e.g. light refraction properties of minerals) can be combined in one data set. This provides the basis for image classification with MiGIS. The MiGIS classification module uses the random forest algorithm and facilitates a semi-supervised (based on training areas) classification of the feature-specific colour values (multi-RGB signatures). The resulting classification map shows the spatial distribution of thin section features and enables the quantification of groundmass, pore space, minerals, or pedofeatures, such nodules being dominated by iron oxide and clay coatings. We demonstrate the advantages and limitations of the method using TSs from a loess–palaeosol sequence in Rheindahlen (Germany), which was previously studied using conventional micromorphological techniques. Given the high colour variance within the feature classes, MiGIS appears well-suited for these samples, enabling the generation of accurate TS feature maps. Nevertheless, the classification accuracy can vary due to the TS quality and the academic training level, in micromorphology and in terms of the classification process, when creating the training data. However, MiGIS offers the advantage of quantifying micromorphological features and analysing their spatial distribution for entire TSs. This facilitates reproducibility, visualisation of spatial relationships, and statistical comparisons of composition among distinct samples (e.g. related sediment layers). Kurzfassung: Die mikromorphologische Analyse mithilfe eines petrografischen Mikroskops gehört zu den konventionellen Methoden um Mikrofazies in Gesteinen (Sedimenten) und Böden zu charakterisieren. Die Analyse des Inhalts und der Struktur anhand von Dünnschliffen (TSs) liefert wegweisende, jedoch größtenteils qualitative Daten zu deren Bildung. In diesem Zusammenhang stellt sich die Frage: Wie können mikromorphologische Merkmale gemessen, klassifiziert und vor allem quantifiziert werden, um Vergleiche über die Mikroskala hinaus zu ermöglichen? Mit dem Micromorphological Geographic Information System (MiGIS) haben wir eine auf Python basierende Toolbox für die Open-Source-Software QGIS entwickelt, die eine unkomplizierte Lösung bietet, um mikromorphologische Merkmale (Features) in TSs digital zu analysieren. Durch die Verwendung eines Flachbettscanners und (Polarisations-) Folie lassen sich hochauflösende RGB-Bilder im Durchlicht (TL), polarisierten Licht (XPL) und reflektiertem Licht (RL) Modus aufgenehmen und verarbeiten. Durch die Zusammenfassung dieser Aufnahmen in einem Multi-RGB Raster können dann Feature-spezifische Bildinformationen (z.B. Lichtbrechungseigenschaften von Mineralen) in einem Datensatz kombiniert werden. Dieser bietet die Grundlage für die Bildklassifikation mit MiGIS. Das MiGS-Klassifikationsmodul nutzt den Random Forest Algorithmus und ermöglicht eine halbüberwachte (auf Trainingsflächen basierende) Klassifizierung der Feature-spezifischen Farbwerte (Multi-RGB-Signaturen). Daraus resultiert eine Klassifikationskarte, welche die räumliche Verteilung der Features im Dünnschliff zeigt und eine Quantifizierung von Grundmasse, Porenraum, Mineralen oder pedogenen Merkmalen (Pedofeatures) wie Eisenoxidkonkretionen und Tonkutanen ermöglicht. Wir demonstrieren die Vorteile und Grenzen der Methode anhand von TSs aus einer Löss-Paläosol-Sequenz in Rheindahlen (Deutschland), die zuvor mit konventionellen mikromorphologischen Techniken untersucht wurde. Hier zeigt sich, unter Beachtung der hohen Farbvarianz innerhalb der Feature-Klassen, dass MiGIS für diese Sedimente gut geeignet ist und somit genaue TS-Feature Karten erstellt werden können. Die Klassifikationsgenauigkeit kann allerdings durch die TS-Qualität und den mikromorphologischen Kenntnisstand bei der Erstellung der Trainingsdaten variieren. Im Allgemeinen bietet MiGIS jedoch den Vorteil, dass mikromorphologische Merkmale quantifiziert und deren räumliche Verteilung für den gesamten TS analysiert werden können. Dies ermöglicht eine Reproduzierbarkeit, Visualisierung räumlicher Beziehungen und statistische Vergleiche der Zusammensetzung zwischen verschiedenen Proben (z.B. aus ähnlichen Schichten). [ABSTRACT FROM AUTHOR]

Copyright of E&G Quaternary Science Journal is the property of Copernicus Gesellschaft mbH and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)