Brug af AI til at gentænke byplanlægning for sæsonbestemte allergier

Når den kolde vinter trækker sig tilbage, glæder foråret os med et farvespil, fuglenes sang, varmere temperaturer, længere dagslys og en generelt levende energi.

Men denne friskhed kommer med sine udfordringer, som pollenallergi. De er mest udbredte i foråret, men også om sommeren, fordi mange planter, træer, græsser og ukrudt bestøver på dette tidspunkt og frigiver pollen i luften.

Selvom pollenmængderne typisk er højere i de varmere årstider, bestøver nogle planter året rundt.

Derudover er der klimaændringer, som også kan påvirke pollenspredning. Ved at ændre temperaturer, atmosfærisk kuldioxid (CO2) og nedbør kan klimaændringer påvirke pollen sæsonens varighed, pollenmængde, pollenallergenitet og risikoen for at opleve allergisymptomer.

Pollen er et luftbårent allergen, der udløser forskellige allergiske reaktioner. Disse inkluderer allergisk rhinitis eller høfeber, som opstår når pollen kommer ind i kroppen, immunsystemet fejlagtigt genkender det som en trussel og derefter reagerer.

Pollenallergi er faktisk ret almindelig, med anslået 10 % til 30 % af verdens befolkning, der er påvirket. I USA oplever omkring 7,8 % af personer på 18 år og ældre høfeber.

Eksponering for pollen kan også udløse symptomer på allergisk konjunktivitis, en betændelse i øjets slimhinde. Omkring 30 % af den normale befolkning oplever øjenallergi, som omfatter røde, vandige eller kløende øjne, mens et meget højere antal, 70 % af dem med allergisk rhinitis, får disse symptomer.

Personer med luftvejssygdomme som astma kan være endnu mere følsomme over for pollen, og eksponering kan forårsage astmaanfald, respiratoriske problemer og nedsat produktivitet på arbejde og i skole.

Der er også massive medicinske omkostninger involveret, hvor pollenrelaterede udgifter overstiger 3 milliarder dollars årligt. Halvdelen af disse udgifter er receptpligtige medicinomkostninger.

At tackle denne store folkesundhedsudfordring betyder at identificere pollenkorn nøjagtigt, som er små ‘frø’ spredt fra blomstrende planter og træer. Korrekt identifikation er vigtig for at forstå menneske‑miljø interaktioner og rekonstruere landskaber og miljøer.

“Med mere detaljerede data om, hvilke træarter der er mest allergifremkaldende, og hvornår de frigiver pollen, kan byplanlæggere træffe smartere beslutninger om, hvad der skal plantes, og hvor.”

– Studie medforfatter Behnaz Balmaki, assisterende professor i biologi ved UT Arlington

Hun bemærkede desuden vigtigheden af udvælgelse og placering i højtrafikerede områder som parker, skoler, hospitaler og nabolag.

Dog udgør differentiering mellem pollenkorn fra nåletræsgenrer, især dem fra Abies (gran), Pinus (fyr) og Picea (gran), en udfordring inden for palynologi, studiet af pollenkorn og sporer, på grund af deres morfologiske ligheder.

Høje ligheder gør det udfordrende at skelne pollen 

Forskere bruger pollendata til at studere historisk og nutidig miljøanalyse og til at planlægge byer.

Analyse af pollenkorn bevaret i sedimenter og tørvemosser giver paleoøkologer mulighed for at identificere de typer vegetation, der eksisterede på et bestemt sted på forskellige tidspunkter i fortiden. Dette hjælper dem med at rekonstruere tidligere vegetationsmønstre og historiske klimaforhold, da plantedistribution er tæt forbundet med specifikke klimaparamentre som nedbør og temperatur.

Som sådan kan forskere forstå ændringer i landskaber og spore de økologiske påvirkninger af klimafluktuationer gennem århundreder. Dette giver indsigt i, hvordan økosystemer reagerer på miljøændringer, samt hjælper med at forudsige fremtidige økologiske reaktioner på klimaændringer.

Pollenkorn hjælper desuden med at identificere interaktionerne mellem menneskelige aktiviteter og miljøfaktorer, som væsentligt former disse landskabsmønstre.

Her er nåletræsgenrer vigtige, da de repræsenterer specifikke økologiske og klimatiske tilpasninger. For eksempel er fyrretræer kendt for deres modstandsdygtighed over for miljømæssige stressfaktorer som brand. Imens er grantræer tilpasset kolde miljøer, og grantræer (fyr) er følsomme over for fugtighedsændringer.

Data om disse plantearter kan hjælpe os med at opnå en omfattende forståelse af brandregimer, klimafluktuationer, nedbørsmønstre og historisk fugtighed. Det kan også spille en vigtig rolle i allergibehandling og folkesundhedsstyring.

Især kan pollenanalyse hjælpe med at identificere allergifremkaldende arter og forudsige relaterede sundhedsproblemer, hvilket er gavnligt i allergi‑ og sundhedsforskning.

Selvfølgelig opstår problemet her i de morfologiske ligheder mellem nåletræsgenrer. Forskere baserer sig på pollenkornenes morfologiske egenskaber, som omfatter størrelse, form, symmetri, polaritet, åbninger og ornamentering, for at studere pollenkorn.

Når det drejer sig om pollenkorn, der er tæt beslægtede, er de morfologiske forskelle meget subtile, hvilket gør det udfordrende at skelne den ene art fra den anden nøjagtigt og hurtigt.

For eksempel er brug af mikroskop til at identificere pollenkorn en ressourcekrævende proces. Det er ikke kun dyrt og tidskrævende, men også afhængigt af subjektive kriterier, hvilket kan resultere i fejlprocenter på op til 33 %.

Pollenkorn fra nåletræsarter er specifikt blevet bredt dokumenteret som ret vanskelige at identificere på grund af deres lille morfologiske forskellighed. Alle kornene i gruppen deler høje ligheder, med to luftsække og en central krop. Derfor er det selv under mikroskop udfordrende at genkende disse arter nøjagtigt.

Forskere har anvendt digitale billedteknikker og grafisk software til at forbedre analysen. Dette er dog stadig i høj grad afhængigt af menneskelig visuel inspektion, som er udsat for klassifikationsfejl, især hvis nybegyndere inden for palynologi er involveret.

Disse begrænsninger kræver mere objektive, effektive og præcise teknikker til at identificere pollenkorn. Denne vanskelige opgave kræver ekspertviden, højopløselige mikrografer og et betydeligt antal referenceglas til at foretage nøjagtige sammenligninger og derefter identifikation.

“Selv med højopløselige mikroskoper er forskellene mellem pollen meget subtile.”

– Dr. Balmaki

AI kan hjælpe med at finde den pollen, der er ansvarlig for allergier

Kunstig intelligens (AI) har hjulpet med fremskridt i næsten alle industrier. Den udnytter enorme datamængder til at lære og derefter forbedre sig, så teknologien kan identificere mønstre og relationer, som mennesker kan overse.

Som vi for nylig delte, gør AI det muligt for forskere at finde de bedste solid‑state elektrolyt (SSE) kandidater ved at trække på en massiv database af tidligere studier. Denne hurtige søgning gennem alle potentielle muligheder accelererer opdagelsen af optimerede SSE‑muligheder for at fremme højtydende solid‑state batterier (SSB) til bæredygtige energibehov.

Nu udnytter forskere fra University of Texas at Arlington (UTA) udnytte teknologien til at forbedre pollenanalyse¹ ved at identificere arter fra en dyb læringsmodel trænet på tusindvis af billeder.

Efter at have fundet dyb læring som en fremragende teknik til dette formål, bemærkede forskerne, at denne tilgang kan forbedre pollenklassificeringsnøjagtigheden betydeligt og dramatisk reducere den tid, der kræves for identifikation.

Traditionelle metoder, såsom manuelt at identificere en individuel pollenprøve, kan tage timer, afhængigt af prøvens kompleksitet og personens ekspertise.

I modsætning hertil kan maskinlæring (ML) og dyb læring (DL) modeller behandle tusindvis af billeder på sekunder, når de er trænet. Den “eksponentielle forbedring i hastighed” gør DL særligt værdifuld for store økologiske og miljømæssige studier.

På denne måde kan en trænet model potentielt forbedre artsidentifikation, samtidig med at behovet for omfattende morfologisk træning i palynologi reduceres.

“Vores undersøgelse viser, at dyb‑læringsværktøjer kan forbedre hastigheden og nøjagtigheden af pollenklassificering betydeligt. Det åbner døren til stor‑skala miljøovervågning og mere detaljerede rekonstruktioner af økologiske ændringer. Det lover også forbedring af allergen‑sporing ved præcist at identificere, hvilke arter der frigiver pollen, og hvornår.”

– Dr. Balmaki

For at dykke dybere ned i den teknologi, som forskere ved UT i samarbejde med University of Nevada og Virginia Tech har brugt, udnyttede de avancerede dyb‑læringsmetoder, specifikt transfer‑learning‑modeller.

Disse modeller indebærer genbrug af en forudtrænet model til en anden, men relateret opgave. På denne måde forhindrer transfer‑learning behovet for at starte fra bunden og hjælper med at reducere den tid og de ressourcer, der kræves for at træne nye modeller, selv med begrænsede data.

Ifølge undersøgelsen er transfer‑modellerne effektive til at genkende ligheder i detaljerede træk. De kan faktisk hjælpe med at skabe modeller til identifikation af vanskelige arter, især inden for klassificering af nåletræsarter, og forbedre pollenkornanalyse.

Forskere anvendte faktisk ni transfer‑learning‑modeller — VGG16, VGG19, ResNet101, ResNet50, MobileNetV2, InceptionV3, EfficientNetV2S, DenseNet201 og Xception.

De trænede og validerede hver model på et datasæt af pollenkornsbilleder indsamlet fra prøver bevaret af University of Nevada’s Museum of Natural History.

Modellerne blev også vurderet på forskellige præstationsmålinger, herunder præcision, nøjagtighed, recall og F1‑score på tværs af trænings‑, test‑ og valideringsfaser. Baseret på resultaterne for hver af disse modeller viste ResNet101 sig at overgå alle andre. Den opnåede en testnøjagtighed på 99 % med lige så høj præcision, recall og F1‑score. Ifølge Balmaki:

“Dette viser, at dyb læring kan understøtte og endda overgå traditionelle identifikationsmetoder både i hastighed og nøjagtighed.”

Selvom AI er kraftfuld, fjerner den ikke behovet for ekspertisen fra uddannede palynologer. Faktisk “bekræfter den, hvor essentiel menneskelig ekspertise stadig er,” tilføjede hun. Når alt kommer til alt, for at skabe nødvendige datasæt, har vi brug for “velforberedte prøver og en solid forståelse af den økologiske kontekst. Det handler ikke kun om maskiner – det er et samarbejde mellem teknologi og videnskab.”

Med dette nye AI‑system har forskerne til formål at give byplanlæggere et værktøj til at træffe mere informerede beslutninger om trævalg og skabe sundhedsbevidste landskaber, hvilket ville være en stor lettelse for allergikere. Dr. Balmaki bemærkede:

“Sundhedstjenester kunne også bruge disse oplysninger til bedre at timere allergiadvarsler, offentlige sundhedsmeddelelser og behandlingsanbefalinger i perioder med høj pollenaktivitet.”

Selv landmænd kan drage stor fordel af denne undersøgelse, da “pollen er en stærk indikator for økosystemets sundhed.” Som Dr. Balmaki forklarede:

“Ændringer i pollen‑sammensætning kan signalere ændringer i vegetation, fugtighedsniveauer og endda tidligere brandaktivitet. Landmænd kan bruge disse oplysninger til at spore langsigtede miljøtrends, der påvirker afgrøde‑levetid, jordforhold eller regionale klimamønstre.”

Desuden kan undersøgelsen være nyttig for bevaring af vilde dyr og bestøvere.

Insekter som bier og sommerfugle er afhængige af specifikke planter for deres føde og levested. Ved at identificere de plantearter, der er til stede eller i tilbagegang i et område, kan vi bedre forstå, hvordan sådanne ændringer påvirker hele fødekæden og derefter træffe passende foranstaltninger for at beskytte kritiske relationer mellem planter og bestøvere.

Forskningsplanerne er at udvide til at omfatte et bredere udvalg af plantearter. Forskerne har som mål at udvikle et omfattende pollenidentifikationssystem, der kan anvendes i hele USA for bedre at forstå, hvordan planter kan skifte som reaktion på ekstreme vejrhændelser.

Klik her for at lære, om robotbestøvere spiller en vigtig rolle i vertikal landbrug.

Investering i kunstig intelligens (AI)

I AI‑verdenen er Nvidia (NVDA ) det største navn. Denne halvledergigant har drevet mange dyb‑læringsmodeller med sine GPU‑teknologier og AI‑hardware. Faktisk blev alle modeller i denne undersøgelse trænet og testet på en NVIDIA GeForce RTX 3060 med 12 GB hukommelse ved brug af Python 3.10.6 og TensorFlow. 

NVIDIA Corporation (NVDA )

Nvidia’s GeForce RTX 3060 blev introduceret af Nvidia i begyndelsen af januar 2021 som den anden generation af NVIDIA RTX™ for at levere op til 10‑gange ray‑tracing‑ydelsen i forhold til GTX 1060 med understøttelse af NVIDIA DLSS.

Den drives af NVIDIA Ampere‑arkitekturen, som er bygget med 54 milliarder transistorer og er den største 7 nm chip nogensinde. Arkitekturen indeholder banebrydende innovationer, herunder 3.‑generations Tensor‑Cores til at accelerere og forenkle AI‑adoption, multi‑instance GPU (MIG) som tillader arbejdsbelastninger at dele GPU’en, direkte GPU‑til‑GPU‑båndbredde på 600 GB/s, strukturel sparsitet for at forbedre ydeevnen ved modeltræning, 2.‑generations RT‑Cores for at fremskynde arbejdsbelastninger, og 2 TB/s hukommelsesbåndbredde.

I øjeblikket er Nvidias Hopper (H100) GPU og den næste generation Blackwell GPU‑arkitektur i rampelyset og er de foretrukne chips for virksomheder, der ønsker at lede AI‑innovation.

Gennem sine avancerede løsninger og flere top‑kunder er Nvidia blevet en AI‑favoritaktie, der har løftet prisen fra under $30 for præcis to år siden til det nuværende niveau på $119. Denne stigning på 296 % er primært drevet af AI‑mani, hvilket resulterede i, at NVDA‑aktier nåede et topniveau på næsten $150 i november 2024, lige efter den amerikanske præsidentvalg.

Siden da har NVDA‑aktier mistet 20,66 % af deres værdi, mens de i år har registreret et fald på 12,83 % på grund af told og en handelskrig, der forstyrrer aktiemarkedet. I sidste måned rapporterede de, at de forventede $5,5 mia i omkostninger relateret til eksport af H20 til Kina. 

Midt i dette annoncerede den førende AI‑chipproducent sin plan om at investere hundredvis af milliarder dollars i den amerikanske forsyningskæde over de næste fire år. “At have støtte fra en administration, der bekymrer sig om succesen for denne industri og ikke lader energi være en hindring, er et fantastisk resultat for AI i USA,” sagde CEO Jensen Huan til FT for et par måneder siden.

Trump‑administrationen er også forberedt på at ophæve “AI‑diffusionsreglen”, som effektivt vil forhindre, at et sæt AI‑chip‑kontroller træder i kraft senere denne måned. Reglen organiserede lande i tre niveauer, hvor hver har forskellige restriktioner på chips fremstillet af Nvidia og andre, som kan sendes dertil uden licens.

Nvidia har været imod reglen, hvor Huang tidligere på ugen sagde, at at blive udelukket fra det kinesiske AI‑marked, som kan være værd $50 mia, ville være et “enormt tab.”

Når det gælder rentabilitet, har Nvidia en EPS (TTM) på 2,94, en P/E (TTM) på 39,82 og en ROE (TTM) på 119,18 %. Nvidia betaler også et udbytte, men det er kun 0,03 %. Dens markedsværdi er derimod enorme $2,85 billioner, hvilket gør den til verdens tredjestørste virksomhed.

Nu, for Q4, som sluttede den 26. januar 2025, rapporterede Nvidia en rekordkvartalsomsætning på $39,3 mia, en stigning på 12 % og 78 % i forhold til forrige kvartal og året før, henholdsvis.

For det fulde regnskabsår 2025 var omsætningen $130,5 mia, en massiv stigning på 114 % fra året før. GAAP‑indtjening pr. udvandet aktie steg også med 147 % til $2,94, mens non‑GAAP‑indtjening pr. udvandet aktie steg med 130 % til $2,99.

Disse stærke finanser var resultatet af Nvidias nye GPU‑mikroarkitektur, Blackwell, som er designet til Gen AI og accelereret computing og oplever “fantastisk” efterspørgsel. Da resultaterne blev delt i februar, sagde Huang, at de har øget den omfattende produktion af Blackwell AI‑supercomputere, og allerede i første kvartal har de genereret milliarder af dollars i salg.

Seneste om NVIDIA Corporation

Konklusioner

Dyb‑læringsmetoder er kendt for at øge effektivitet og nøjagtighed samt reducere fejl og manuelt arbejde inden for objektdetektion, billedklassificering og opgavegenkendelse. De har også vist sig ekstremt effektive i klassificering af pollen. Undersøgelsen brugte transfer‑learning, specifikt, og fandt det omkostningseffektivt og mindre tidskrævende, samtidig med at den adresserede udfordringerne med datamangel i hjælpen til nåletræsarter.

Ved at udnytte AI har forskerne leveret et værktøj, der kan lette allergikere og hjælpe landmænd og byplanlæggere. Med skalerbar, hurtig og præcis pollenidentifikation kan bymiljøer tilpasses for at reducere allergen‑eksponering og forbedre folkesundhedsresponsen.

Desuden vil kombinationen af økologisk videnskab med AI, i lyset af klimaændringernes påvirkning på miljøet, ikke kun fremme mere sundhedsbevidst planlægning af vores byer og landskaber, men også bevare dyreliv og bestøvere samt producere højere afgrødeudbytter.

Klik her for at lære alt om investering i kunstig intelligens.

Studier refereret:

1. Rostami, M. A., Kydd, L., Balmaki, B., Dyer, L. A., & Allen, J. M. (2025). Deep learning for accurate classification of conifer pollen grains: enhancing species identification in palynology. Frontiers in Big Data, 8, 1507036. https://doi.org/10.3389/fdata.2025.1507036