ИИ поможет идентифицировать пыльцу растений

Исследователи Техасского университета в Арлингтоне разработали систему искусственного интеллекта, способную различать мельчайшие пыльцевые зерна пихты, ели и сосны. Результаты исследования имеют большое значение для экологии и медицины.

Получая точные данные о том, какие виды деревьев и в какое время выделяют пыльцу, можно более грамотно подходить к озеленению территорий, сокращая риски для аллергиков.

Значение пыльцевого анализа

Пыльцевой анализ — основной метод реконструкции исторических экосистем. Пыльца, сохранившаяся в донных отложениях озер и торфяниках, позволяет проследить, как растительность реагировала на климатические изменения в прошлом. Эти данные помогают прогнозировать реакцию экосистем на глобальное потепление в будущем.

Сотрудничество между технологией и наукой

Несмотря на использование микроскопов высокого разрешения, визуальное различие между видами пыльцы минимально. Исследование показало, что алгоритмы глубокого обучения справляются с этой задачей значительно быстрее и точнее человека. Это открывает путь к масштабному экологическому мониторингу и более эффективному отслеживанию аллергенов.

В ходе эксперимента команда протестировала девять моделей ИИ на исторических образцах пыльцы. Результаты подтвердили, что нейросети способны превзойти традиционные методы анализа. Однако авторы подчеркивают, что технология не заменяет ученых, а дополняет их, так как для обучения моделей по-прежнему необходимы качественные образцы и глубокая экспертиза.

Исследователи планируют расширить базу данных, включив в нее больше видов растений. Цель проекта — создать универсальную систему идентификации пыльцы, которая поможет отслеживать изменения в растительных сообществах в условиях экстремальных погодных явлений.

Применение нестандартных подходов и технологий для научных разработок позволяет решить многие вопросы, а также оптимизировать процессы. Во Всероссийском центре карантина растений (ФГБУ «ВНИИКР» Россельхознадзора) при разработке методов диагностики вредных организмов используются как традиционные, так и новейшие прорывные технологии.

Источник: Masoud A. Rostami et al, Deep learning for accurate classification of conifer pollen grains: enhancing species identification in palynology, Frontiers in Big Data (2025). DOI: 10.3389/fdata.2025.1507036