|
|
||
|
通过虫体花粉识别构建植物‒传粉者网络: 人工模型与AI模型高度一致
生物多样性
2024, 32 (6):
24088-.
DOI: 10.17520/biods.2024088
传粉是生态系统中一项关键服务, 准确识别和分析传粉者携带的花粉对于理解植物‒传粉者交互作用以及传粉服务至关重要。传统的花粉识别方法依赖于显微镜下的人工直接观察, 这种方法耗时且需要专业知识, 限制了其在大规模应用中的效率, 在评估传粉效率和稀有植物‒传粉者连接方面存在局限性。针对此问题, 我们使用公共平台训练了基于河南洛阳市天池山国家森林公园14种同时开花植物的花粉识别人工智能(AI)模型, 通过比较人工显微镜观察和AI模型识别142只传粉者身体携带的花粉构成, 首次探讨了两种方法构建的植物‒传粉者互作网络的结构差异。结果表明AI模型在构建时能够达到96%的整体准确率。人工识别与AI模型在识别的连接数量、花粉数量以及图片一致率方面存在差异。AI模型在识别连接和花粉数量上略高于人工方法, 并且在第三方的一致性检验中, 超过半数的情况倾向于AI模型的结果。尽管存在一些独有连接的差异, 人工识别与AI模型构建的定量网络在结构特征上展现出高度的相似性。本研究揭示了AI图像识别技术对提高花粉分析效率和准确性的作用, 以及应用于植物‒传粉者互作研究的潜力, 这将有助于传粉网络研究的大规模开展, 为传粉生态学研究提供新的工具和视角。  View image in article
图2
AI模型与人工识别的结果差异。(a)两种方法识别的相同与不同的花粉图像数量。识别不同的再经过第三方人工进行二次识别。(b)两种方法识别结果相同与不同的虫体携带花粉数量。识别不同的花粉, 再经过第三方人工进行二次识别。
正文中引用本图/表的段落
通过人工显微镜观测和AI模型识别花粉图片,分别统计了传粉者身上携带的花粉种类和数量。人工识别发现植物与传粉者的连接139条, 而AI模型识别出了148条, 其中两种方法识别出的相同的连接有122条。人工识别的连接共包含了21,095粒花粉, AI模型则识别出21,271粒花粉。两种方法分别有8.0%和7.2%的花粉未能识别, 可能不属于群落的14种开花植物。两种方法识别相同的花粉有18,055粒。在317张花粉图片中, 人工识别与AI模型的识别一致率达88.6%; 当识别结果不一致时, 经过第三方人工鉴定, 倾向于AI模型判断的概率为47.2%, 与人工识别的准确率相近(图2a)。对于总共21,271粒识别的花粉细胞, 两种方法识别结果一致率为84.9%。在识别结果有差异的情况下, 经过第三方的人工鉴定, 倾向于AI模型的概率达到了51.3% (图2b)。
随着机器学习、深度学习和人工智能普及程度急剧提升(Pichler & Hartig, 2023), 花粉的图像识别得到了显著改进, 为常规的花粉研究提供了新的方式。比如, Olsson等(2021)基于DL的卷积神经网络的花粉分析自动化方法对83个混合物种样本的分类准确率能够达98%。我们的物体检测模型与最近发表的研究 (Sevillano et al, 2020; Dunker et al, 2021; Olsson et al, 2021)具有相似的准确率, 而且不需要编程基础。AI模型证明在样本测试集花粉细胞标准且样本数量充足时, 对14种植物花粉标注集模型训练mAP为99.25%, 精确率为97.20%。AI模型除了能够根据细胞的形态特征判别不同种类花粉细胞外, 还可结合二维和三维结构判断, 这使得细胞的轻微变形对模型识别结果影响不大, 且在长期工作环境下, 仍然能够具有较高的可靠性和适用性。我们通过AI模型的花粉识别, 每个样品的识别响应时间小于1 min, 而且识别操作简单, 仅需上传图片即可获得相关的物种名称, 适合程序性批量识别。另外, 通过AI方法, 在传粉网络的构建中观察到了更多的连接数量。这可能表明使用AI图像识别技术可以揭示更加复杂和多样的植物?传粉者互作关系。对于形态接近的多个物种花粉, 模型还能给出每个潜在匹配物种的相似度, 允许用户根据相似度阈值识别形态近似的花粉。这种方法不仅大幅提升花粉鉴定的可靠性和效率, 还降低了工作强度。除此之外, 模型在现有训练水平上更新了数据增强配置, 能够通过调整图像色彩、亮度、清晰度、对比度、灰度等提高图像识别精确度。如果使用全自动玻片扫描仪, 将样本玻片扫描图片, 再将图片批量上传进行模型识别, 则可以更高效地进行花粉识别。我们预计同时引入玻片扫描仪和AI识别模型, 可以将一人两个月的工作量(约2,000个样本)压缩到2?3周。
本文的其它图/表
|
