Przejdź do zawartości

2023-09-12: Stworzono system wykorzystujący AI, który pozwala kilkukrotnie szybciej identyfikować i kategoryzować pyłki roślinne w badaniach zmian środowiskowych

Z Wikinews, wolnego źródła informacji.
wtorek, 12 września 2023

Badanie pyłków roślinnych w starych osadach geologicznych pozwala na określanie zmian zachodzących w środowisku w kolejnych epokach. Proces ten jest żmudny, jednak wykorzystanie sztucznej inteligencji i cytometrii przepływowej do identyfikacji i kategoryzacji pyłków znacznie go przyspiesza, a nawet umożliwia dokładniejszą analizę badanego materiału.

Określenie, z którego okresu w historii Ziemi pochodzą osady geologiczne jest możliwe m.in. dzięki identyfikacji gatunków roślin, których pyłki znajduje się w tych osadach. Badania te pozwalają również na określenie wielu zmiennych środowiskowych, np. panującego klimatu. Badacze z University of Exeter oraz z Uniwersytetu w Swansea opracowali technikę, dzięki któremu ta identyfikacja zachodzi znacznie sprawniej.

Recognising what plant species pollen belongs to under a microscope is incredibly labour-intensive and cannot always be done. The system we’re developing will cut the time this takes dramatically and improve classifications. This means we can build a richer picture of pollen in the environment far more swiftly, revealing how the climate, human activity and biodiversity has changed over time, or better understand what allergens are in the air we breathe

— Ann Power, współautorka badań z University of Exeter

W przeprowadzonych badaniach eksperymentalnych analizowano pyłki z 53 gatunków roślin, zarówno okrytozalążkowych, jak i nagozalążkowych. Zbiór danych opracowano na podstawie analizy 198 549 ziaren pyłków. Materiałem geologicznym była część rdzenia osadu z jeziora Mere Tarn w Kumbrii. Stworzony przez autorów system był połączeniem cytometrii przepływowej z Guided Deep Learning. Pozwalało to na dokładniejsze kategoryzowanie pyłków. Sieć neuronowa potrafiła zarówno klasyfikować pyłki do gatunków na bazie bibliotek szkoleniowych, jak i klasyfikować nieznany wcześniej pyłek do odpowiednich taksonów, przyporządkowując go nawet do określonego rodzaju.

Okazało się, że sztuczna inteligencja kilkukrotnie szybciej zliczała i klasyfikowała do odpowiednich taksonów pyłki oraz lepiej radziła sobie z niewyraźnymi obrazami pyłków. Gdy ekspert w tej dziedzinie potrzebował dwóch godzin na policzenie 1043 ziaren pyłku z próbki paleoekologicznej, to system generował 5415 obrazów pyłków w ciągu pół godziny.

Up to now, the AI systems in development to categorise pollen learn from and test on the same pollen libraries – which means each sample is perfect and belongs to species previously seen by the network. These systems are not able to recognise pollen from the environment that’s taken some knocks along the way, nor to categorise pollen not included in training libraries. Incorporating a unique version of deep learning into our system means the artificial intelligence is smarter and applies a more flexible approach to learning. It can deal with poor quality images and can use shared species characteristics to predict what family of plant the pollen belongs to even if the system hasn’t seen it before during training

— Claire Barnes, współautorka badań z Swansea University

Autorzy badania zakładają, że poza analizami dawnych gatunków roślin i ich środowiska, system będzie można wykorzystać do badania współczesnych problemów, np. wskazując które wywołujące alergię pyłki są dominujące w określonych porach, co pozwalałoby ograniczać narażanie się na ekspozycję przez alergików.