این سیستم که توسط محققان دانشگاه تگزاس در آرلینگتون ، دانشگاه نوادا و ویرجینیا ساخته شده است ، این سیستم حتی با میکروسکوپ های با تکامل بالا ، تشخیص گرده های کاج و صنوبر را بسیار ساده تر می کند.
دوریک سیستم هوش مصنوعی جدید برای هدف قرار دادن گرده برای آلرژی ایجاد شده است. این برنامه هوش مصنوعی پتانسیل بهبود کیفیت زندگی روزمره را نشان می دهد و سلامت عمومی مدیریت دقیق و پیش بینی عوامل محیطی. آلرژی های فصلی میلیون ها نفر را تحت تأثیر قرار می دهد. استفاده کردن هوش مصنوعی برای شناسایی و هدف قرار دادن منابع گرده ، برآوردهای دقیق تر و حتی استراتژی های مداخله ای بهینه شده (مانند مدیریت فضای سبز شهری) حاصل می شود. این یک مثال عالی است هوش مصنوعی به عنوان ابزاری “دارو پیشگیری “در مقیاس بزرگ.
نقل قول از Scienched Daily به Ferraroاین سیستم هوش مصنوعی دانشگاه تگزاس در آرلینگتون حتی با میکروسکوپ های با ارتعاش بالا که توسط محققان در دانشگاه نوادا و ویرجینیا ساخته شده است ، تشخیص گرده کاج و صنوبر را بسیار ساده تر می کند. این مشکل ناشی از شباهت های مورفولوژیکی بسیار حساس بین این گونه ها است. هنگامی که گونه های درخت بیشتر حساسیت دارند و گرده را آزاد می کنند ، برنامه ریزان شهری می توانند در مورد محل کاشت تصمیمات دقیق تری بگیرند. این امر به ویژه در مناطق عالی مانند مدارس ، بیمارستان ها ، پارک ها و محله ها از اهمیت ویژه ای برخوردار است. خدمت سلامت آلرژی بهتر ، آنها می توانند از این اطلاعات برای خبرنگاران استفاده کنند سلامت عمومی و از پیشنهادات درمانی در فصول شدید استفاده کنید.
تجزیه و تحلیل گرده این یک روش قدرتمند برای بازسازی اکوسیستم های تاریخی است. دانه های گرده محافظت شده در بستر دریاچه ها و مردان توربین سوابق مناسب جوامع گیاهی گذشته را ارائه می دهند. از آنجا که توزیع گیاه به شدت با عوامل محیطی مانند دما ، بارندگی و رطوبت مرتبط است ، تعریف انواع گرده در لایه های مختلف رسوب می تواند نشان دهد که چگونه اکوسیستم ها می توانند با گذشت زمان نسبت به نوسانات آب و هوایی طبیعی واکنش نشان دهند و چگونه می توانند در آینده واکنش نشان دهند. در UT آرلینگتون ، استادیار تحقیقات زیست شناسی استادیار و نویسنده در این مطالعه. Behnaz Balmaki ، “میکروسکوپ های حل و فصل بالا حتی تفاوت بین گرده بسیار حساس است.” “مطالعه ما ، ابزارها یادگیری عمیق آنها می توانند سرعت و دقت طبقه بندی گرده را به میزان قابل توجهی افزایش دهند. این راه را برای بازسازی دقیق تر کنترل گسترده محیط زیست و تغییرات زیست محیطی هموار می کند. همچنین قول می دهد هنگام تعریف صحیح و آزاد کردن گونه ها ، نظارت بر آلرژن ها را بهبود بخشد. ”
این تیم نمونه های تاریخی درختان کاج و صنوبر را که توسط موزه تاریخ طبیعی دانشگاه نوادا محافظت می شود ، بررسی کردند. آنها این مثالها را با استفاده از نه مدل مختلف می سازند هوش مصنوعی پتانسیل آزمایش شده و قوی فناوری این نمایشگاه برای تعریف گرده با سرعت و دقت قابل توجهی به نمایش گذاشته شد. دکتر بالماکی تأکید کرد: “این ، یادگیری عمیق این می تواند با موفقیت از روشهای هویت سنتی در سرعت و دقت پشتیبانی کند. “” اما در عین حال تأیید می کند که هنوز تخصص انسانی هنوز لازم است. شما به مثالهای خوبی احتیاج دارید و به درک جدی از حوزه زیست محیطی نیاز دارید. این فقط مربوط به اتومبیل نیست ؛ همکاری بین این فناوری وت علم “.”
هدف از این مطالعه توسعه یک سیستم جامع شناسایی گرده است که می تواند در مناطق مختلف ایالات متحده برای درک بهتر نحوه تغییر جوامع گیاهی در پاسخ به حوادث جدی آب و هوایی مورد استفاده قرار گیرد.