在环境样本中通过探索性深度学习和成像流细胞计进行演式自动化花粉分类.
Claire M Barnes1, Ann L Power2, Daniel G Barber3
1College of Engineering, Swansea University, Bay Campus, Swansea, SA1 8EN, UK.
The New phytologist
|September 7, 2023
概括
我们开发了一个结合成像流细胞计和指导深度学习的AI工具,用于快速,准确的花粉分类. 这促进了古生物学的发展,改善了气候模型和环境分析,并提高了分类学分辨率.
科学领域:
- 环境科学 环境科学
- 计算生物学 计算生物学
- 古生物学的古生物学
背景情况:
- 传统上,关于花粉和子的研究,传统上依赖于手工显微镜分析.
- 手动方法耗时,限制了分类学精度和采样频率.
- 这限制了气候变化和花粉预测模型中使用的数据质量.
研究的目的:
- 开发一个灵活的人工智能 (AI) 网络,用于对环境样本的花粉进行自动分类.
- 为了提高花粉识别的准确性和效率,超越传统方法.
- 创建一个可转移的工具来分析"现实世界"的环境样本.
主要方法:
- 结合成像流细胞计与指导深度学习 (GDL).
- 应用网络来识别和分类来自5500卡路里年前旧湖泊沉积物的花粉粒.
- 训练网络以分辨花粉到物种水平,并将看不见的花粉分类到更高的遗传学等级.
主要成果:
- 人工智能网络准确地将已知的花粉分类到物种级别.
- 未见的花粉样本被归类为可能的遗传学顺序,家族和属.
- 与纯粹的深度学习技术相比,实现了更高的准确性.
结论:
- 开发的方法为探索性花粉分类提供了一个快速,准确和可转移的工具.
- 这种方法增强了分类学分辨率,并提供了更详细的空间和时间理解环境花粉.
- 这种由人工智能驱动的工具有可能显著推进古生物学研究和应用的各个方面.
