Bruke AI til å revurdere byplanlegging for sesongallergier

Når den kalde vinteren trekker seg tilbake, gleder våren oss med et fargespill, fuglenes sang, varmere temperaturer, flere lyse timer og en generelt livlig energi.

Men denne friskheten kommer med sine utfordringer, som pollenallergi. Den er mest utbredt om våren, men også om sommeren fordi mange planter, trær, gress og ugress pollinerer på dette tidspunktet og frigjør pollen i luften.

Selv om pollenmengdene vanligvis er høyere i varmere årstider, pollinerer noen planter gjennom hele året.

Deretter er det klimaendringene, som også kan påvirke pollenspredning. Ved å endre temperaturer, atmosfærisk karbondioksid (CO₂) og nedbør, kan klimaendringene påvirke pollenSesongens varighet, mengde, allergenitet og risikoen for å oppleve allergisymptomer.

Pollen er et luftbårent allergen som utløser ulike allergiske reaksjoner. Dette inkluderer allergisk rhinitt eller høysnue, som oppstår når pollen kommer inn i kroppen, immunsystemet ved en feil oppfatter det som en trussel, og deretter reagerer.

Pollenallergi er faktisk ganske vanlig, med anslagsvis 10 % til 30 % av verdens befolkning som er berørt. I USA opplever omtrent 7,8 % av personer over 18 år høysnue.

Eksponering for pollen kan også utløse symptomer på allergisk konjunktivitt, en betennelse i øyets slimhinne. Omtrent 30 % av den normale befolkningen opplever øyallergi, som innebærer røde, vannige eller kløende øyne, mens en mye høyere andel, 70 % av de med allergisk rhinitt, får disse symptomene.

De med luftveissykdommer som astma kan være enda mer følsomme for pollen, og eksponering kan forårsake astmaanfall, respirasjonsproblemer og redusert produktivitet på jobb og skole.

Det er også enorme medisinske kostnader knyttet til dette, med pollenrelaterte medisinske utgifter som overstiger 3 milliarder dollar årlig. Halvparten av dette er kostnader til reseptbelagte medisiner.

Å takle denne store folkehelseutfordringen betyr å identifisere pollenpartikler nøyaktig, som er små «frø» spredt fra blomstrende planter og trær. Korrekt identifikasjon er viktig for å forstå samspillet mellom mennesker og miljø samt for å rekonstruere landskap og økosystemer.

«Med mer detaljert data om hvilke treslag som er mest allergifremkallende og når de frigjør pollen, kan byplanleggere ta smartere beslutninger om hva som skal plantes og hvor.»

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

Hun påpekte også viktigheten av valg og plassering i høytrafikkerte områder som parker, skoler, sykehus og nabolag.

Imidlertid er det utfordrende å skille mellom pollenpartikler fra konifergener, spesielt de fra Abies (gran), Pinus (furu) og Picea (svor), på grunn av deres morfologiske likheter.

Store likheter gjør det vanskelig å skille pollen 

Forskere bruker pollendata for å studere historisk og samtids miljøanalyse og for å planlegge byer.

Analyse av pollenpartikler bevart i sedimenter og torvmyrer gjør paleoøkologer i stand til å identifisere hvilke vegetasjonstyper som eksisterte på et bestemt sted på ulike tidspunkter i fortiden. Dette hjelper dem med å rekonstruere tidligere vegetasjonsmønstre og historiske klimaforhold, siden plantefordeling er nært knyttet til spesifikke klimavariabler som nedbør og temperatur.

Dermed kan forskere forstå endringer i landskap og spore de økologiske virkningene av klimafluktuasjoner gjennom århundrer. Dette gir innsikt i hvordan økosystemer responderer på miljøendringer, samt hjelper med å forutsi fremtidige økologiske responser på klimaendringer.

Pollenpartikler hjelper også med å identifisere samspillet mellom menneskelige aktiviteter og miljøfaktorer som i betydelig grad former disse landskapsmønstrene.

Her er konifergener av betydning fordi de representerer spesifikke økologiske og klimatiske tilpasninger. For eksempel er furutrær kjent for sin motstandskraft mot miljøstress som brann. Svortre er tilpasset kalde miljøer, mens gran er følsom for fuktighetsendringer.

Data om disse planteartene kan gi en omfattende forståelse av brannregimer, klimavariasjoner, nedbørsmønstre og historisk luftfuktighet. Det kan også spille en nøkkelrolle i allergibehandling og folkehelseforvaltning.

Spesielt kan pollenanalyse bidra til å identifisere allergifremkallende arter og forutsi relaterte helseproblemer, noe som er gunstig for allergi‑ og helseforskning.

Problemet oppstår naturligvis i de morfologiske likhetene mellom konifergener. Forskere baserer seg på pollenpartiklenes morfologiske trekk – størrelse, form, symmetri, polaritet, åpninger og ornamentering – for å studere dem.

Når pollenpartikler er nært beslektet, er de morfologiske forskjellene svært subtile, noe som gjør det utfordrende å skille en art fra en annen nøyaktig og raskt.

For eksempel er bruk av mikroskop for å identifisere pollenpartikler en ressurskrevende prosess. Den er ikke bare kostbar og tidkrevende, men også avhengig av subjektive kriterier, noe som kan føre til feilrater på opptil 33 %.

Pollenpartikler fra koniferarter er spesielt vanskelig å identifisere på grunn av deres lille morfologiske distinkthet. Alle partikler i gruppen deler høye likheter, med to luftsekker og en sentral kropp. Dermed er selv nøyaktig gjenkjenning under mikroskop utfordrende.

Forskere har benyttet digitale bildeteknikker og grafisk programvare for å forbedre analysen. Dette er imidlertid fortsatt i stor grad avhengig av menneskelig visuell inspeksjon, som er utsatt for klassifiseringsfeil, spesielt dersom nybegynnere innen palynologi er involvert.

Disse begrensningene krever mer objektive, effektive og presise teknikker for å identifisere pollenpartikler. Denne vanskelige oppgaven krever ekspertkunnskap, høyoppløselige mikrographier og et betydelig antall referanseslides for å kunne gjøre nøyaktige sammenligninger og deretter identifisere.

«Selv med høyoppløselige mikroskoper er forskjellene mellom pollen svært subtile.»

– Dr. Balmaki

AI kan hjelpe med å finne pollen som forårsaker allergier

Kunstig intelligens (AI) har bidratt til fremskritt i nesten alle industrier. Den bruker enorme mengder data for å lære og deretter forbedre seg, slik at teknologien kan identifisere mønstre og sammenhenger som mennesker kan overse.

Som vi nylig delte, gjør AI det mulig for forskere å finne de beste solid‑state‑elektrolytt‑kandidatene (SSE) ved å trekke fra en massiv database med tidligere studier. Dette raske søket gjennom alle potensielle alternativer akselererer oppdagelsen av optimaliserte SSE‑alternativer for å fremme høy‑ytelses solid‑state‑batterier (SSB) for bærekraftige energibehov.

Nå utnytter forskere fra University of Texas at Arlington (UTA) teknologien for å forbedre pollenanalyse¹ ved å identifisere arter fra en dyp‑læringsmodell trent på tusenvis av bilder.

Etter å ha funnet dyp‑læring som en utmerket teknikk for dette formålet, bemerket forskerne at tilnærmingen kan forbedre nøyaktigheten i pollenklassifisering betydelig og dramatisk redusere tiden som kreves for identifikasjon.

Tradisjonelle metoder, som manuell identifisering av et enkelt pollenprøve, kan ta timer, avhengig av prøvens kompleksitet og personens ekspertise.

I kontrast kan maskinlæring (ML) og dyp‑læring (DL) behandle tusenvis av bilder på sekunder når de er trent. Den «eksponentielle forbedringen i hastighet» gjør DL spesielt verdifullt for store økologiske og miljømessige studier.

På denne måten kan en trent modell potensielt forbedre artsidentifikasjon samtidig som behovet for omfattende morfologisk opplæring i palynologi reduseres.

«Vår studie viser at dyp‑læringsverktøy kan betydelig øke hastigheten og nøyaktigheten i pollenklassifisering. Det åpner døren for storskala miljøovervåking og mer detaljerte rekonstruksjoner av økologisk endring. Det gir også løfter om bedre sporing av allergener ved å identifisere nøyaktig hvilke arter som frigjør pollen og når.»

– Dr. Balmaki

For å gå dypere inn i teknologien som forskere ved UT i samarbeid med University of Nevada og Virginia Tech har brukt, utnyttet de avanserte dyp‑læringsmetoder, spesielt overførings‑læringsmodeller.

Disse modellene innebærer gjenbruk av en forhåndstrent modell for en annen, men beslektet oppgave. På denne måten hindrer overførings‑læring behovet for å starte fra bunnen av og bidrar til å redusere tid og ressurser som kreves for å trene nye modeller, selv med begrenset data.

Ifølge studien er overføringsmodellene effektive i å gjenkjenne likheter i detaljerte trekk. De kan faktisk hjelpe med å lage modeller for identifikasjon av vanskelige arter, spesielt innen klassifisering av koniferarter, og forbedre pollenpartikkel‑analyse.

Forskerne benyttet faktisk ni overførings‑læringsmodeller — VGG16, VGG19, ResNet101, ResNet50, MobileNetV2, InceptionV3, EfficientNetV2S, DenseNet201 og Xception.

De trente og validerte hver modell på et datasett med pollenpartikkelbilder samlet fra prøver bevart av University of Nevada’s Museum of Natural History.

Modellene ble også vurdert på ulike ytelses‑metrikker, inkludert presisjon, nøyaktighet, tilbakekalling og F1‑score gjennom trenings‑, test‑ og validerings‑faser. Basert på resultatene for hver av disse modellene, ble ResNet101 funnet å overgå alle andre. Den oppnådde en test‑nøyaktighet på 99 % med like høy presisjon, tilbakekalling og F1‑score. Ifølge Balmaki:

«Dette viser at dyp‑læring kan støtte og til og med overgå tradisjonelle identifikasjonsmetoder både i hastighet og nøyaktighet.» 

Selv om AI er kraftig, fjerner den ikke behovet for ekspertisen til trente palynologer. Faktisk «bekrefter den hvor essensiell menneskelig ekspertise fortsatt er», la hun til. For å lage nødvendige datasett trenger vi «veldig forberedte prøver og en solid forståelse av den økologiske konteksten. Dette handler ikke bare om maskiner – det er et samarbeid mellom teknologi og vitenskap.»

Med dette nye AI‑systemet ønsker forskerne å gi byplanleggere et verktøy som gjør trevalg mer informert og bygger mer helserettede landskap, noe som vil være en stor lettelse for allergi‑rammede. Dr. Balmaki bemerket:

«Helsesystemer kan også bruke denne informasjonen til å tidsbestemme allergialarmer, offentlige helsemeldinger og behandlingsanbefalinger bedre i perioder med høy pollenaktivitet.» 

Selv bønder kan ha stor nytte av denne studien, ettersom «pollen er en sterk indikator på økosystemets helse». Som Dr. Balmaki forklarte:

«Endringer i pollen‑sammensetning kan signalisere endringer i vegetasjon, fuktighetsnivåer og til og med tidligere brannaktivitet. Bønder kan bruke denne informasjonen til å spore langsiktige miljøtrender som påvirker avlingspotensial, jordforhold eller regionale klimamønstre.»

Videre kan studien være nyttig for bevaring av dyreliv og pollinatorer.

Insekter som bier og sommerfugler er avhengige av spesifikke planter for mat og habitat. Ved å identifisere hvilke planteslag som er tilstede eller i tilbakegang i et område, kan vi bedre forstå hvordan slike endringer påvirker hele næringskjeden og deretter iverksette tiltak for å beskytte kritiske relasjoner mellom planter og pollinatorer.

Forskningsgruppen planlegger å utvide studien til å omfatte et bredere spekter av plantearter. Målet er å utvikle et omfattende pollenidentifikasjonssystem som kan brukes i hele USA for bedre å forstå hvordan planter kan endre seg som respons på ekstreme værhendelser.

Klikk her for å lære om robot‑pollinatorer spiller en nøkkelrolle i vertikalt jordbruk.

Investere i kunstig intelligens (AI)

I AI‑verdenen er Nvidia (NVDA ) det største navnet. Dette halvleder‑kraftsenteret har drevet mange dyp‑læringsmodeller med sine GPU‑teknologier og AI‑maskinvare. Faktisk ble alle modellene i denne studien trent og testet på en NVIDIA GeForce RTX 3060 med 12 GB minne ved bruk av Python 3.10.6 og TensorFlow.

NVIDIA Corporation (NVDA )

Nvidias GeForce RTX 3060 ble introdusert av Nvidia tidlig i januar 2021 som den andre generasjonen av NVIDIA RTX™ og leverer opptil 10‑fold ray‑tracing‑ytelse sammenlignet med GTX 1060, med støtte for NVIDIA DLSS.

Den drives av NVIDIA Ampere‑arkitekturen, som er bygget med 54 milliarder transistorer og er den største 7 nm‑brikken som noen gang er laget. Arkitekturen inneholder banebrytende innovasjoner, inkludert 3. generasjons Tensor‑kjerner for å akselerere og forenkle AI‑adopsjon, multi‑instance GPU (MIG) som lar arbeidsbelastninger dele GPU‑en, GPU‑til‑GPU‑direkte båndbredde på 600 GB/s, strukturell sparsitet for å forbedre modell‑treningsytelse, 2. generasjons RT‑kjerner for å øke hastigheten på arbeidsbelastninger, og 2 TB/s minnebåndbredde.

For tiden får Nvidias Hopper (H100) GPU og neste‑generasjons Blackwell‑GPU‑arkitektur all oppmerksomhet, og er de foretrukne brikkene for bedrifter som vil lede AI‑innovasjon.

Gjennom sine avanserte løsninger og flere toppkunder har Nvidia blitt en AI‑favorittaksje som har løftet prisen fra under 30 dollar for to år siden til dagens nivå på 119 dollar. Denne 296 % oppgangen har i hovedsak blitt drevet av AI‑mani, som førte til at NVDA‑aksjen nådde et toppnivå på nesten 150 dollar i november 2024, rett etter den amerikanske presidentvalget.

Siden da har NVDA‑aksjene mistet 20,66 % av verdien og registrert et fall på 12,83 % i år etter at toll og handelskrig har forstyrret aksjemarkedet. I forrige måned rapporterte at de forventer 5,5 milliarder dollar i kostnader knyttet til eksport av H20 til Kina.

Midt i dette kunngjorde den ledende AI‑brikkeleverandøren sin plan om å investere hundrevis av milliarder dollar i USAs forsyningskjede de neste fire årene. «Å ha støtte fra en administrasjon som bryr seg om suksessen til denne industrien og ikke lar energi bli et hinder, er et fenomenalt resultat for AI i USA,» sa administrerende direktør Jensen Huan til FT for noen måneder siden.

Trump‑administrasjonen er også forberedt på å oppheve «AI‑diffusjonsregelen», som effektivt vil hindre et sett med AI‑brikkekontroller fra å tre i kraft senere denne måneden. Regelen organiserte land i tre nivåer, med hver av dem med ulike restriksjoner på brikker laget av Nvidia og andre som kan sendes dit uten lisens.

Nvidia har vært imot regelen, og Huang sa tidligere denne uken at å bli låst ute fra det kinesiske AI‑markedet, som kan være verdt 50 milliarder dollar, ville være et «enormt tap».

Når det gjelder lønnsomhet, 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 utbytte, men kun 0,03 %. Markedsverdien er derimot enorme 2,85 billioner dollar, noe som gjør selskapet til verdens tredje største selskap.

Nå, for Q4 som avsluttet 26. januar 2025, rapporterte Nvidia en rekordkvartalsinntekt på 39,3 milliarder dollar, en økning på 12 % og 78 % fra forrige kvartal og fra året før.

For hele regnskapsåret 2025 var inntektene 130,5 milliarder dollar, en massiv 114 % økning fra året før. GAAP‑resultat per fortynnet aksje steg også med 147 % til 2,94 $, mens non‑GAAP‑resultat per fortynnet aksje økte med 130 % til 2,99 $.

Disse sterke tallene skyldes Nvidias nye GPU‑mikroarkitektur, Blackwell, som er designet for generativ AI og akselerert databehandling og opplever «fantastisk» etterspørsel. Da resultatene ble delt i februar, sa Huang at de har økt produksjonen av Blackwell AI‑superdatamaskiner, og allerede i første kvartal har de generert milliarder av dollar i salg.

Siste om NVIDIA Corporation

Konklusjoner

Dype‑læringsteknikker er kjent for å øke effektivitet og nøyaktighet, samt redusere feil og manuelt arbeid innen objektgjenkjenning, bildklassifisering og oppgavegjenkjenning. De har også vist seg ekstremt effektive i klassifisering av pollen. Studien benyttet overførings‑læring, spesielt, og fant at den er kostnadseffektiv og mindre tidkrevende, samtidig som den adresserer utfordringer med datamangel i arbeidet med koniferarter.

Ved å utnytte AI har forskerne levert et verktøy som kan avlaste allergi‑rammede og hjelpe bønder og byplanleggere. Med skalerbar, rask og nøyaktig pollenidentifikasjon kan urbane miljøer tilpasses for å redusere eksponering for allergener og forbedre offentlige helsetiltak.

Videre, gitt klimaendringenes påvirkning på miljøet, vil kombinasjonen av økologisk vitenskap og AI ikke bare drive mer helserettet planlegging av våre byer og landskap, men også bevare dyreliv og pollinatorer samt gi høyere avlingstall.

Klikk her for å lære alt om investering i kunstig intelligens.

Studier referert:

1. Rostami, M. A., Kydd, L., Balmaki, B., Dyer, L. A., & Allen, J. M. (2025). Dyp‑læring for nøyaktig klassifisering av konifer‑pollenpartikler: forbedring av artsidentifikasjon i palynologi. Frontiers in Big Data, 8, 1507036. https://doi.org/10.3389/fdata.2025.1507036 in Norwegian.