ИИ раскрывает скрытые особенности мировой флоры для спасения видов

Ученые из UNSW и Королевского ботанического сада Сиднея обучили ИИ извлекать данные из миллионов образцов растений, хранящихся в гербариях по всему миру, для изучения и борьбы с последствиями изменения климата для флоры.

"Коллекции гербариев — это удивительные капсулы времени с образцами растений", — говорит ведущий автор исследования, доцент Уилл Корнуэлл. "Только в Национальный гербарий Нового Южного Уэльса каждый год добавляется более 8000 образцов, поэтому вручную обработать всё уже невозможно".

Используя новый алгоритм машинного обучения для обработки более 3000 образцов листьев, команда обнаружила, что вопреки часто наблюдаемым межвидовым закономерностям, размер листьев внутри одного вида не увеличивается в более теплом климате.

Опубликованное в American Journal of Botany, это исследование не только показывает, что на размер листьев внутри вида растений сильно влияют факторы, отличные от климата, но и демонстрирует, как ИИ можно использовать для преобразования статичных коллекций образцов и быстрой, эффективной документации эффектов изменения климата.

Цифровизация коллекций гербариев

Гербарии — это научные библиотеки образцов растений, существующие как минимум с XVI века. "Исторически ценным научным трудом было выйти, собрать растения и затем хранить их в гербарии. Каждая запись имеет время, место, коллектора и предполагаемый идентификатор вида", — говорит доцент Корнуэлл.

Пару лет назад, чтобы способствовать научному сотрудничеству, началось движение по переводу этих коллекций в онлайн. "Чтобы донести информацию об этих невероятных образцах до ученых по всему миру, было предпринято усилие по сканированию образцов для создания их высококачественных цифровых копий".

Крупнейший проект по оцифровке гербария был выполнен в Королевском ботаническом саду Сиднея, где более 1 миллиона образцов растений Национального гербария Нового Южного Уэльса были преобразованы в изображения высокого разрешения.

«Компьютерное зрение» измеряет размер листьев

Совместно с доктором Джейсоном Брэггом из Ботанического сада и студентом UNSW Бренданом Уайлдом, доцент Корнуэлл создал алгоритм, автоматически определяющий и измеряющий размер листьев на отсканированных образцах гербария для двух родов растений — Syzygium (лиллипилли, вишни-щеточки) и Ficus (род из около 850 видов древесных деревьев, кустарников и лиан).

"Этот тип ИИ называется сверточной нейронной сетью, также известной как компьютерное зрение", — говорит Корнуэлл. Процесс по сути учит ИИ видеть и идентифицировать компоненты растения так же, как это сделал бы человек.

"Мы построили набор обучающих данных, чтобы научить компьютер: это лист, это стебель, это цветок. Мы научили компьютер находить листья, а затем измерять их размер", — объясняет Корнуэлл. Измерение размера листьев само по себе не ново, но скорость обработки образцов и регистрации их характеристик — это новое достижение.

Нарушение часто наблюдаемых закономерностей

Общее правило в ботаническом мире гласит, что во влажном климате, например, в тропических лесах, листья растений больше по сравнению с засушливым климатом, таким как пустыни. "И это очень последовательная закономерность, которую мы наблюдаем у листьев между видами по всему земному шару", — говорит Корнуэлл.

Первый тест подтвердил, что эту взаимосвязь можно восстановить по данным, полученным с помощью машинного обучения. Однако второй вопрос — наблюдается ли то же самое внутри видов — дал неожиданный результат.

Алгоритм машинного обучения был разработан, проверен и применен для анализа взаимосвязи между размером листьев и климатом внутри видов и между видами для растений Syzygium и Ficus.

Команда обнаружила, что хотя эту закономерность можно наблюдать между разными видами растений, та же корреляция не наблюдается внутри одного вида по всему миру. Вероятно, это связано с тем, что внутри видов действует другой процесс, известный как поток генов. Этот процесс ослабляет локальную адаптацию растений и может препятствовать развитию взаимосвязи "размер листа — климат" внутри вида.

Использование ИИ для прогнозирования реакции на изменение климата

Хотя подход машинного обучения, использованный для обнаружения и измерения листьев, не идеален, он обеспечил точность, достаточную для изучения связей между признаками листьев и климатом.

"Но поскольку мир меняется довольно быстро, а данных очень много, такие методы машинного обучения можно эффективно использовать для документирования эффектов изменения климата", — говорит Корнуэлл.

Более того, алгоритмы машинного обучения можно обучить выявлять тенденции, которые могут быть не сразу очевидны исследователям-людям. Это может привести к новым открытиям в области эволюции и адаптации растений, а также к прогнозам о том, как растения могут отреагировать на будущие последствия изменения климата.