机器学习可以增强我们识别微生物群落的能力，更好地理解它们如何随着时间的推移响应气候变化而发生变化。对现代沉积物（和化石记录）中发现的无数种微生物（如硅藻的浮游植物群）进行识别和编目，可能是一项艰巨而费力的任务，如果人工尝试，则充满了不确定性和错误。因此，很难记录这些社区对与气候变化相关的环境变化的反应。
![]()
硅藻的显微照片。目前尚不清楚有多少硅藻物种生活在淡水和海洋中，但已发现数万种，每年都有更多物种被鉴定出来。实际上可能有数百万种硅藻，它们可以通过这些单细胞生物的硅藻壳，即坚硬的外壳的形态来识别。
图片来源：Natureeye91，Adobe Stock
硅藻是一种精致而美丽的光合海洋微生物（如上图所示），它们在全球净初级生产力中占了相当大的一部分，它能吸收碳并为大气提供氧气。然而，当它们死亡时，它们精致的玻璃外壳（字面意义上的硅玻璃）往往会碎裂成碎片。它们属于成千上万到数百万个物种中的哪一个，通常只能通过被称为硅藻壳的部分来识别。
当通过显微镜观察沉积物时（见下图），很难将这些硅藻壳与周围的沉积物区分开来，而这正是机器学习可以提供帮助的地方。随着卷积神经网络 (CNN) 等新兴人工智能 (AI) 工具的出现，我们表征此类微观群落的能力得到了极大增强。CNN 涉及深度学习，通过大幅减少相互连接所需的节点数量，使传统神经网络能够优化学习。这些节点按层组织，将信息从一个节点传递到另一个节点进行分析，这样就可以识别出通过简单观察难以观察到的模式。“传统”的前馈网络只能学习与特定位置相关的图像模式，而 CNN 可以将在图像的一个区域中学习到的内容迁移到其他区域，从而大大增强了识别模式（在本例中为硅藻）的能力。![]()
经过“训练”，即“教会”计算机识别微图像中的特定形式并将其分配给单个微生物物种（蓝色框），它可以继续自行将类似形式分配给这些物种（绿色框），具有一定的可靠性，但也有一些错误（橙色框）。这两个样本是地中海沉积物的显微照片。来源：Godbillot 等人 [2024]，图 2
Godbillot等人[2024]开发了一种方法，利用这种深度学习更可靠地识别硅藻的群落构成，从而解释物种丰度和分布的变化对气候变化的响应。因此，它们有助于为生物地球科学引入新一代的工具，这些工具可以扩展到其他难以人工观察和编目的大型数据集。我们可以期待，未来几年卷积神经网络的应用会越来越多。以上评论英文原文发表于AGU Eos Editors' Highlights，中文翻译仅供参考。
点评编辑：
Dork Sahagian, Associate Editor, JGR: Biogeosciences
原文链接：
https://eos.org/editor-highlights/machine-learning-enhances-image-analysis-in-biogeosciences
Text © 2024. The Authors. CC BY-NC-ND 3.0
![]()
![]()
https://doi.org/10.1029/2024JG008047JGR Biogeosciences 发表关于地球系统过去、现在和未来的生物地球科学的原创研究文章，同时也涵盖行星相关研究。
生物地球科学是一门新兴的学科，它横跨生物学和地球科学两大领域，尝试着从多个时间和空间尺度来了解地球系统的功能。
2023年影响因子：3.7
5年影响因子： 4.1
从投稿到一审意见的中位数时间：55天
点击下方“阅读原文”访问JGR Biogeosciences 期刊主页，阅读更多精彩文献。
