Роль искусственного интеллекта в развитии палинологических исследований

УДК 574.5+004.9

Палинология — дисциплина, посвященная изучению пыльцы, спор и других микроскопических частей растений, — играет важную роль в различных областях, включая экологию, геологию и археологию, предоставляя информацию о климате прошлого, эволюции растений и изменениях окружающей среды.

Как научная дисциплина палинология возникла в начале XX в., когда Леннарт фон Пост разработал методологии для анализа ископаемой пыльцы. Традиционная палинология опирается на такие методы, как световая микроскопия и сканирующая электронная микроскопия для идентификации и классификации зерен пыльцы на основе морфологических характеристик. Эти методы, хотя и эффективные, но трудоемкие и часто субъективные, что приводит к изменчивости результатов...

В статье рассмотрены проблемы интеграции искусственного интеллекта (ИИ) в палинологию — дисциплину, посвященную изучению пыльцы и спор растений. С появлением ИИ произошла революция в подходах к анализу палинологических данных, что позволило значительно оптимизировать и ускорить идентификацию и классификацию пыльцы. С помощью таких современных методов, как сверточные нейронные сети, достигнута высокая точность в классификации пыльцевых зерен по изображениям.

Несмотря на преимущества, включая снижение человеческой ошибки и анализ больших массивов данных, существуют и вызовы, связанные с качеством обучающих наборов данных и этическими вопросами. Автор подчеркивает значимость использования ИИ в палинологии для дальнейшего развития исследований в области окружающей среды, а также необходимость внимания к проблемам, возникающим при этом процессе.

Ключевые слова: искусственный интеллект, палинология, пыльца, машинное обучение, сверточные нейронные сети, анализ данных, экология.

Ю.Б. КАМАЛОВА

ФГОБУ ВО «Финансовый университет
при Правительстве Российской Федерации»
(Финансовый университет), г. Москва

ЛИТЕРАТУРА
1. Василевская Н.В., Осечинская П.В. Палиноиндикация окружающей среды промышленного города // Матер. 10 Междунар. науч.-практ. конф. «Экологические проблемы промышленных городов. — Саратов, 2023.
2. Еловичева Я.К. Палинологический мониторинг в целях оценки характера растительности геологического прошлого в сравнении с современным ее состоянием (на примере территории национального парка «Припятский») // Матер. VI Междунар. науч. конф. «Мониторинг и оценка состояния растительного мира». — Минск, 2023.
3. Еловичева Я.К., Писарчук Н.М., Дрозд Е.Н. Вклад палинологов БГУ и Белгосгеоцентра в развитие фундаментальных научно-исследовательских и геолого-съемочных работ и образовательного процесса // Матер. I Белорусского географического конгресса. — Минск, 2024.
4. Фесенко О.О. Палинологическая информация при проведении экологического мониторинга // Вестник студенческого научного общества ГОУ ВПО «Донецкий национальный университет». — 2022. — Т. 1. — №14.
5. Barnes C.M. et al. Deductive automated pollen classification in environmental samples via exploratory deep learning and imaging flow cytometry // New Phytologist. — 2023. — Т. 240 (3). DOI: https://doi.org/10.1111/nph.19186.
6. Chen L. et al. Machine learning methods in weather and climate applications: A survey // Applied Sciences. — 2023. — Т. 13 (21). DOI: https://doi.org/10.3390/app132112019.
7. D’Orazio M. et al. Electro-optical classification of pollen grains via microfluidics and machine learning // IEEE Transactions on Biomedical Engineering. — 2021. — Т. 69 (2). DOI: https://doi.org/10.1109/TBME.2021.3109384.
8. Flantua S. et al. A guide to the processing and standardization of global palaeoecological data for large-scale syntheses using fossil pollen // Global Ecology and Biogeography. — 2023. — Т. 32 (3). DOI: https://doi.org/10.1111/geb.13693.
9. Karamperidou C. Extracting paleoweather from paleoclimate through a deep learning reconstruction of Last Millennium atmospheric blocking // Communications Earth & Environment. — 2024. — Т. 5 (1). DOI: https://doi.org/10.1038/s43247-024-01687-y.
10. Li C. et al. Analysis of automatic image classification methods for Urticaceae pollen classification // Neurocomputing. — 2022. — Т. 522 (9). DOI: https://doi.org/10.1016/j.neucom.2022.11.042.
11. Olsson O. et al. Efficient, automated and robust pollen analysis using deep learning // Methods in Ecology and Evolution. — 2021. — Т. 12 (5). DOI: https://doi.org/10.1111/2041-210x.13575.
12. Punyasena S.W. et al. Automated identification of diverse Neotropical pollen samples using convolutional neural networks // Methods in Ecology and Evolution. — 2022. — Т. 13 (9). DOI: https://doi.org/10.1111/2041-210X.13917.
13. Raihan A. Artificial intelligence and machine learning applications in forest management and biodiversity conservation // Natural Resources Conservation and Research. — 2023. — Т. 6 (2). DOI: https://doi.org/10.24294/nrcr.v6i2.3825.
14. Stahl B.C. Embedding responsibility in intelligent systems: from AI ethics to responsible AI ecosystems // Scientific Reports. — 2023. — Т. 13 (1). DOI: https://doi.org/10.1038/s41598-023-34622-w
15. Venigandla K. et al. Leveraging AI-Enhanced Robotic Process Automation for Retail Pricing Optimization: A Comprehensive Analysis // Journal of Knowledge Learning and Science Technology. — 2023. — Т. 2 (2). DOI: https://doi.org/10.60087/jklst.vol2.n2.p370.

СВЕДЕНИЯ ОБ АВТОРЕ:
Камалова Юлия Борисовна, ст. преподаватель кафедры информационных технологий факультета информационных технологий и анализа больших данных.

THE ROLE OF ARTIFICIAL INTELLIGENCE IN THE DEVELOPMENT OF PALYNOLOGICAL RESEARCH

Yu.B. Kamalova

This article discusses the problems of integration of artificial intelligence (AI) into palynology — the discipline dedicated to the study of pollen and spores of plants. With the advent of AI, there has been a revolution in approaches to analyzing palynological data, significantly optimizing and accelerating the processes of pollen identification and classification. With the help of such modern methods as convolutional neural networks, high accuracy in classifying pollen grains based on images has been reached. Despite the advantages, including the reduction of human error and the analysis of large datasets, there are challenges related to the quality of training datasets and ethical considerations. The author emphasizes the significance of using AI in palynology for advancing environmental research, as well as the need to address the issues arising from this process.

Keywords: аrtificial intelligence, palynology, pollen, machine learning, convolutional neural networks, data analysis, ecology.

«

• 1
• 2
• 3
• 4
• 5

»