机器学习增强生物地球科学中的图像分析 - Eos

2024-11-06 14:00:00 英文原文

作者:Dork Sahagian

Microphotograph of diatoms of various shapes and sizes.
硅藻的显微照片。目前尚不清楚有多少物种生活在淡水和海洋中,但已经识别出数以万计的物种,并且每年都会有更多的物种被识别。实际上可能有数百万个物种,可以通过这些单细胞生物的硅藻壳、硬壳或外壳的形态来识别它们。图片来源:Natureeye91,Adobe Stock
编辑亮点是 AGU 期刊编辑最近发表的论文的摘要。
来源:地球物理研究杂志:生物地球科学

对现代沉积物(和化石记录)中发现的无数微生物物种(例如浮游植物硅藻)进行识别和编目可能是一项艰巨而费力的任务,在手动尝试时充满不确定性和错误。因此,很难记录这些社区在应对与气候变化相关的环境变化时发生的变化。

硅藻是精致而美丽的光合海洋微生物(如上图所示),它们共同占据了全球净初级生产力的很大一部分,这些生产力可以固碳并为大气提供氧气。然而,当它们死亡时,它们精致的玻璃壳(字面意思是二氧化硅玻璃)往往会碎成碎片。它们属于数万到数百万个物种中的哪一个,通常只能通过称为硅藻壳的某些部分来识别。

通过显微镜观察沉积物时(见下图),很难将这些硅藻壳与周围的沉积物区分开来,而这正是机器学习可以提供帮助的地方。以卷积形式出现的人工智能 (AI) 新兴工具神经网络 (CNN) 以及我们表征此类微观群落的能力大大增强。CNN 涉及深度学习,使经典神经网络能够通过大大减少相互连接所需的节点数量来优化学习。这些节点按层组织,将信息从一个节点传递到另一个节点以进行分析,这样就可以识别通过简单观察很难观察到的模式。传统的前馈网络只能学习与特定位置相关的图像模式,而 CNN 可以将图像一个区域中学到的知识转移到其他区域,从而大大增强识别模式的能力,在这种情况下、硅藻。

经过“训练”,包括“教导”计算机识别微图像中的特定形式并将其分配给各个微生物物种(蓝色框),它可以继续为计算机上的这些物种分配类似的形式。自己的(绿色框)具有一定的可靠性,但有一些错误(橙色框)。这两个样本是地中海沉积物的显微照片。信用:戈德比洛特等人。【2024】,图2

戈德比洛特等人。【2024】开发了一种方法,利用这种深度学习来更可靠地识别硅藻的群落构成,从而解释物种丰度和分布因气候变化而发生的变化。因此,它们有助于引入新一代生物地球科学工具,这些工具可以扩展到可能难以手动观察和编目的其他大型数据集。我们预计未来几年卷积神经网络的使用将会越来越多。

引用:Godbillot, C.、Marchant, R.、Beaufort, L.、Leblanc, K.、Gally, Y.、Le, T. D. Q. 等。(2024)。使用卷积神经网络检测沉积物显微镜载玻片上硅质微化石的新方法。地球物理研究杂志:生物地球科学,129,e2024JG008047。https://doi.org/10.1029/2024JG008047

–Dork Sahagian,副主编,JGR:生物地球科学

文本© 2024。作者。 CC BY-NC-ND 3.0
除非另有说明,图像受版权保护。未经版权所有者明确许可,禁止任何再利用。

关于《机器学习增强生物地球科学中的图像分析 - Eos》的评论


暂无评论

发表评论