Användning av AI för att ompröva stadsplanering för säsongsbundna allergier

När den kalla vintern avtar, förnöjer vårtid oss med en skymning av färger, ljudet av fåglar, varmare temperaturer, ökade dagsljus och en övergripande vibrerande energi. 

Men denna fräschhet kommer med sina utmaningar, som pollenallergier. De är vanligast under vår men också under sommar eftersom många växter, träd, gräs och ogräs pollinerar under denna tid och släpper ut pollen i luften. 

Medan pollenhalter tenderar att vara högre under varma säsonger, pollinerar vissa växter under hela året.

Sedan finns det klimatförändringar, som också kan påverka pollen spridning. Genom att förändra temperaturer, atmosfärisk koldioxid (CO2) och nederbörd, kan klimatförändringar påverka pollen säsongens varaktighet, pollen mängd, pollen allergenicitet och risken för att uppleva allergisymtom.

Pollen är ett luftburet allergen som utlöser olika allergiska reaktioner. Dessa inkluderar allergisk rinit eller hösnuva, som inträffar när pollen kommer in i kroppen, immunsystemet misstolkar det som ett hot och sedan reagerar.

Pollenallergi är faktiskt ganska vanligt, med 10% till 30% av den globala befolkningen beräknad att påverkas av det. I USA upplever cirka 7,8% av personer i åldern 18 och över hösnuva.

Exponering för pollen kan också utlösa symtom på allergisk konjunktivit, en inflammation i ögonlinningen. Cirka 30% av den normala befolkningen upplever ögonallergi, som innefattar röda, vattniga eller kliande ögon, medan en mycket större andel, 70% av de med allergisk rinit, får dessa symtom.

De som har andningsbesvär som astma kan också vara mer känsliga för pollen, och exponering för det kan orsaka astmaanfall, andningsbesvär och minskad produktivitet på jobbet och i skolan.

Det finns också stora medicinska kostnader inblandade, med pollenrelaterade medicinska utgifter som överstiger 3 miljarder dollar per år. Hälften av dessa är receptbelagda läkemedelskostnader.

Att hantera denna stora folkhälsoproblem innebär att korrekt identifiera pollen korn, som är små “frön” som sprids från blommande växter och träd. Deras korrekta identifiering är viktig för att förstå mänsklig-miljöinteraktioner och rekonstruera landskap och miljöer.

“Med mer detaljerad data om vilka trädarter som är mest allergiframkallande och när de släpper ut pollen, kan stadsplanerare fatta smartare beslut om vad som ska planteras och var.”

– Studiens medförfattare Behnaz Balmaki, biträdande professor i biologisk forskning vid UT Arlington

Hon noterade också vikten av urval och placering i högtrafikerade områden som parker, skolor, sjukhus och bostadsområden. 

Men att skilja på pollen korn av barrträd, särskilt de från Abies (gran), Pinus (tall) och Picea (gran), utgör utmaningar med palynologi, studiet av pollen korn och sporer, på grund av deras morfologiska likheter.

Stora likheter gör det svårt att skilja på pollen 

Forskare använder pollen data för att studera historiska och samtida miljöanalys och för att planera städer.

Att analysera pollen korn som bevarats i sediment och torvmosar tillåter paleoekologer att identifiera typer av vegetation som fanns i en viss plats vid olika tidpunkter i det förflutna. Detta hjälper dem att rekonstruera tidigare vegetation mönster och historiska klimatförhållanden, eftersom växtfördelning är nära kopplad till specifika klimatparametrar som nederbörd och temperatur.

Pollen korn hjälper oss dessutom att identifiera interaktionerna mellan mänsklig verksamhet och miljöfaktorer som betydligt formar dessa landskapsmönster.

Här är barrträd viktiga eftersom de representerar specifika ekologiska och klimatiska anpassningar. Till exempel är tallträd kända för sin motståndskraft mot miljöpåverkan som brand. Samtidigt är granträd anpassade till kalla miljöer, och granträd är känsliga för fuktighetsförändringar.

Data om denna växtart kan hjälpa oss att få en omfattande förståelse av brandregimer, klimatfluktuationer, nederbörds mönster och historisk fuktighet. Det kan också spela en nyckelroll i allergenbehandling och folkhälsohantering.

I synnerhet kan pollenanalys hjälpa till att identifiera allergiframkallande arter och förutsäga relaterade hälsoproblem, vilket är värdefullt i allergi- och hälsoforskning. 

Forskare har använt digitala avbildningstekniker och grafisk programvara för att förbättra analysen. Men detta är fortfarande i stor utsträckning beroende av mänsklig visuell inspektion, som är föremål för klassificeringsfel, särskilt om oerfarna palynologer är inblandade. 

Dessa begränsningar kräver mer objektiva, effektiva och precisa tekniker för att identifiera pollen korn. Detta svåra uppdrag kräver expertkunskap, högupplösta mikrografer och ett betydande antal referensbilder för att göra precisa jämförelser och identifiering. 

“Även med högupplösta mikroskop är skillnaderna mellan pollen mycket subtila.”

– Dr. Balmaki

AI kan hjälpa till att hitta pollen som orsakar allergier

Artificiell intelligens (AI) har hjälpt till att göra framsteg i nästan alla branscher. Den använder stora mängder data för att lära sig av och sedan förbättra, vilket gör det möjligt för tekniken att identifiera mönster och relationer som människor kan missa. 

Forskare från University of Texas at Arlington (UTA) använder AI-teknik för att förbättra pollenanalys genom att identifiera arter från en djupinlärningsmodell som tränats på tusentals bilder.

Traditionella metoder, som att manuellt identifiera ett enskilt pollenprov, kan ta flera timmar, beroende på provets komplexitet och en persons expertis. 

I motsats till detta kan maskinlärnings- (ML) och djupinlärningsmodeller (DL) bearbeta tusentals bilder på några sekunder, när de väl är tränade. Den “exponentiella förbättringen av hastighet” gör DL särskilt värdefull för storskaliga ekologiska och miljöstudier.

På detta sätt kan en tränad modell potentiellt förbättra artidentifiering medan den minskar behovet av betydande morfologisk utbildning i palynologi.

“Vår studie visar att djupinlärningsverktyg kan avsevärt förbättra hastigheten och precisionen i pollenklassificering. Detta öppnar dörren för storskalig miljöövervakning och mer detaljerad rekonstruktion av ekologiska förändringar. Det har också potential för att förbättra spårning av allergener genom att identifiera exakt vilka arter som släpper ut pollen och när.”

– Dr. Balmaki

För att ta en djupare titt på tekniken som används av forskare vid UT i samarbete med University of Nevada och Virginia Tech, använde de avancerad djupinlärningsteknik, särskilt överföringslärande modeller.

Dessa modeller innebär att man återanvänder en förtränad modell för ett annat men relaterat uppdrag. Detta sätt undviker behovet av att börja från scratch och hjälper till att minska den tid och resurser som behövs för att träna nya modeller, även med begränsad data.

Enligt studien är överföringsmodellerna effektiva för att känna igen likheter i detaljerade funktioner. De kan faktiskt hjälpa till att skapa modeller för identifiering av svåra arter, särskilt i barrträdsartsklassificering, och förbättra pollenanalys.

Forskarna använde faktiskt nio överföringslärande modeller — VGG16, VGG19, ResNet101, ResNet50, MobileNetV2, InceptionV3, EfficientNetV2S, DenseNet201 och Xception. 

De tränade och validerade varje modell på en dataset av pollen korn bilder som samlats in från prover bevarade av University of Nevadas Museum of Natural History.

Modellerna utvärderades också på olika prestandamått, inklusive precision, noggrannhet, återkallande och F1-poäng över tränings-, test- och valideringsfaser. Baserat på resultaten för var och en av dessa modeller, visade sig ResNet101 överträffa alla andra. Den uppnådde en testnoggrannhet på 99% med lika hög precision, återkallande och F1-poäng. Enligt Balmaki:

“Detta visar att djupinlärning kan lyckas stödja och till och med överträffa traditionella identifieringsmetoder i både hastighet och noggrannhet.” 

Medan AI är kraftfull, tar det inte bort behovet av expertis från utbildade palynologer. Faktum är att det “bekräftar hur viktigt mänskligt kunnande fortfarande är”, tillade hon. Efter allt, för att skapa nödvändiga dataset, behöver vi “välpreparerade prover och en stark förståelse av ekologisk kontext. Detta handlar inte bara om maskiner — det är ett samarbete mellan teknik och vetenskap.”

Med detta nya AI-system syftar forskarna till att ge stadsplanerare ett verktyg för att fatta mer informerade beslut om trädval och bygga mer hälsoomedvetna landskap, vilket skulle vara en stor lättnad för allergikare. Dr. Balmaki noterade:

“Hälsovårdstjänster kunde också använda denna information för att bättre tidssätta allergi-varningar, allmänna hälsomeddelanden och behandlingsrekommendationer under toppen av pollensäsongen.” 

Även jordbrukare kan dra stor nytta av denna studie, eftersom “pollen är en stark indikator för ekosystemhälsa”. Som Dr. Balmaki förklarade:

“Förändringar i pollen sammansättning kan signalera förändringar i vegetation, fuktighetsnivåer och till och med tidigare brandaktivitet. Jordbrukare kunde använda denna information för att spåra långsiktiga miljötrender som påverkar skördehälsan, jordförhållanden eller regionala klimatmönster.”

Dessutom kan studien vara användbar för bevarandet av vilda djur och pollinatörer.

Insekter som bin och fjärilar är beroende av specifika växter för sin föda och habitat. Genom att identifiera de växtarter som finns eller minskar i ett område, kan vi bättre förstå hur sådana förändringar påverkar hela näringsväven och sedan vidta lämpliga åtgärder för att skydda kritiska relationer mellan växter och pollinatörer.

Forskningsplanen är att utvidga till att omfatta en bredare variation av växtarter. Forskarnas mål är att utveckla ett omfattande system för pollenidentifiering som kan tillämpas i hela USA för att bättre förstå hur växter kan förändras som svar på extrema väderhändelser.

Klicka här för att lära dig om robotpollinatörer spelar en nyckelroll i vertikalt jordbruk.

Investering i Artificiell Intelligens (AI)

I AI-världen är Nvidia (NVDA ) det största namnet. Detta halvledarjätte har varit med och drivit många djupinlärningsmodeller med sin GPU-teknik och AI-hårdvara. Faktum är att alla modellerna i denna studie tränades och testades på en NVIDIA GeForce RTX 3060 med 12 GB minne med Python 3.10.6 och TensorFlow. 

NVIDIA Corporation (NVDA )

Nvidias GeForce RTX 3060 introducerades av Nvidia i början av januari 2021 som den andra generationen av NVIDIA RTX för att leverera upp till 10 gånger den strålningsprestanda som GTX 1060 med stöd för NVIDIA DLSS.

Det drivs av NVIDIA Ampere Architecture, som skapats med 54 miljarder transistorer och är den största 7 nm-chipen som någonsin byggts. Arkitekturen innehåller banbrytande innovationer, inklusive tredje generationens Tensor-kärnor för att accelerera och förenkla AI-antagande, multi-instans-GPU (MIG) som tillåter arbetsbelastningar att dela GPU, GPU-till-GPU direktbandbredd på 600 GB/s, strukturell sparsamhet för att förbättra modellträningens prestanda, andra generationens RT-kärnor för att påskynda arbetsbelastningar och 2 TB/s minnesbandbredd.

För närvarande är Nvidias Hopper (H100) GPU och nästa generations Blackwell GPU-arkitektur de som får all uppmärksamhet, eftersom de är de föredragna chipen för företag som vill leda AI-innovationen.

Genom sina avancerade lösningar och flera toppkunder har Nvidia blivit en AI-älskad aktie som hjälpt dess pris att gå från under 30 dollar för exakt två år sedan till dess nuvarande nivå på 119 dollar. Denna 296% uppsida har främst drivits av AI-mania, vilket resulterade i NVDA-aktier som nådde en topp på nästan 150 dollar i november 2024, strax efter att den amerikanska presidentvalskampanjen avslutats.

Sedan dess har NVDA-aktierna förlorat 20,66% av sitt värde medan de har registrerat en nedgång på 12,83% i år, eftersom tullar och handelskrig stör aktiemarknaden. Förra månaden rapporterade Nvidia faktiskt att de förväntar sig 5,5 miljarder dollar i avgifter relaterade till exporten av H20 till Kina. 

Mitt i allt detta meddelade den ledande AI-chip-tillverkaren sin plan att investera hundratals miljarder dollar i den amerikanska leverantörskedjan under de kommande fyra åren. “Att ha stöd från en administration som bryr sig om branschens framgång och inte låter energi vara ett hinder är ett fantastiskt resultat för AI i USA”, sa VD Jensen Huan till FT för ett par månader sedan.

Trump-administrationen är också beredd att återkalla “AI-diffusionsregeln”, som i praktiken kommer att förhindra att en uppsättning AI-chipkontroller träder i kraft senare i månaden. Regeln organiserade länder i tre nivåer, med var och en med olika restriktioner för de chip som tillverkats av Nvidia och andra som kan skickas dit utan licens. 

Nvidia har varit emot regeln, med Huang som sa tidigare i veckan att att bli utestängd från den kinesiska AI-marknaden, som kan vara värd 50 miljarder dollar, skulle vara en “enorm förlust”.

När det gäller lönsamhet har Nvidia en EPS (TTM) på 2,94, en P/E (TTM) på 39,82 och en ROE (TTM) på 119,18%. Nvidia betalar också en utdelning, men den är bara 0,03%. Dess marknadsvärde är en imponerande 2,85 biljoner dollar, vilket gör det till världens tredje största företag.

Nu, för Q4, som avslutades den 26 januari 2025, rapporterade Nvidia en rekordkvartalsomsättning på 39,3 miljarder dollar, en ökning med 12% och 78% från föregående kvartal och ett år sedan, respectively. 

För det fullständiga räkenskapsåret 2025 var omsättningen 130,5 miljarder dollar, en massiv ökning med 114% från föregående år. GAAP-vinst per utdelad aktie ökade med 147% till 2,94 dollar, medan icke-GAAP-vinst per utdelad aktie ökade med 130% till 2,99 dollar.

Dessa starka finansiella resultat var en följd av Nvidias nya GPU-mikroarkitektur, Blackwell, som är utformad för Gen AI och accelererad beräkning och som ser “fantastisk” efterfrågan. När han delade resultaten i februari sa Huang att de har varit med och ökat den omfattande produktionen av Blackwell AI-superdatorer och redan under det första kvartalet har de genererat miljarder dollar i försäljning.

Senaste om NVIDIA Corporation

Slutsatser

Djupinlärningstekniker är kända för att förbättra effektivitet och noggrannhet och minska fel och manuellt arbete i objektdetektering, bildklassificering och uppgiftsigenkänning. De har också varit extremt effektiva i klassificering av pollen. Studien använde överföringslärande, i synnerhet, och fann det vara kostnadseffektivt och mindre tidskrävande, samtidigt som det adresserar utmaningarna med databrist vid hjälp av barrträdsarter.

Genom att utnyttja AI har forskarna tillhandahållit ett verktyg för att lindra allergikare och hjälpa jordbrukare och stadsplanerare. Med skalbar, snabb och exakt pollenidentifiering kan urbana miljöer anpassas för att minska exponering för allergener och förbättra folkhälsosvar.

Dessutom, med tanke på klimatförändringarnas påverkan på miljön, kommer kombinationen av ekologisk vetenskap och AI inte bara att driva mer hälsoomedveten planering av våra städer och landskap, utan också bevara vilda djur och pollinatörer och producera högre skördar.

Klicka här för att lära dig allt om att investera i artificiell intelligens.

Studier som refereras:

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