На протяжении столетий ботаники собирали растения, прессовали их, высушивали и сохраняли в гербариях. Изначально такие образцы служили физическими свидетельствами существования разных видов, но цифровизация дала им новую научную роль.

Сегодня оцифрованы уже более 145 миллионов образцов растений и грибов из более чем 170 учреждений в 40 странах. После фотографирования и загрузки в базы данных эти коллекции можно анализировать в масштабах, которые раньше были недоступны отдельным исследователям.

Искусственный интеллект помогает превращать старые архивы в источник информации о том, как природа менялась со временем.

Восемь миллионов образцов

Исследователи обучили систему машинного обучения распознавать по цифровым изображениям, находится ли растение в фазе цветения.

Затем модель применили примерно к восьми миллионам гербарных образцов, представляющим около 200 000 видов со всего мира.

Масштаб работы впечатляет. По словам специалиста по машинному обучению Дэвида Уильямсона, автоматический анализ занял около недели. Если бы ту же работу выполняли вручную, потребовалось бы примерно 40 000 часов — около 20 лет полной занятости.

Это не означает, что искусственный интеллект заменяет ботаников.

Наоборот, он позволяет быстро обработать огромные массивы данных, а специалистам — сосредоточиться на интерпретации результатов, проверке необычных случаев и более сложных научных вопросах.

Сроки цветения меняются

Одним из наиболее заметных результатов стали изменения сроков цветения.

За последнее столетие средние сроки цветения по миру сдвигались примерно на 2,5 дня за десятилетие. При этом направление изменений оказалось неодинаковым. Некоторые виды начинали цвести раньше, другие — позже.

Особенно неожиданным стало то, где наблюдались самые заметные сдвиги. Учёные могли ожидать сильнейших изменений в северных широтах, где температура растёт особенно быстро.

Однако значительные изменения обнаружили и в тропических регионах.

Эколог Джеймс Спид объясняет, что в тропиках сроки цветения часто теснее связаны не только с температурой, но и с количеством осадков. Если климатические изменения влияют на начало или стабильность сезонов дождей, растения тоже могут перестраивать свой цикл.

Почему несколько дней важны

Разница в несколько дней может казаться незначительной, но цветение — часть большого экологического календаря.

Растения, насекомые, птицы и другие животные часто зависят от того, чтобы определённые события происходили в подходящее время.

Если растение начинает цвести раньше, а его основной опылитель не меняет жизненный цикл с той же скоростью, их активность может перестать совпадать. Это способно снижать эффективность опыления и постепенно влиять на другие звенья экосистемы.

Изменение численности насекомых отражается на птицах, которые ими питаются, а проблемы с опылением могут затрагивать как дикие растения, так и сельскохозяйственные культуры.

Старые коллекции получают новую ценность

Гербарные образцы особенно важны потому, что многие из них были собраны десятки и даже сотни лет назад. Они могут сохранять информацию о месте произрастания растения, времени сбора и стадии его развития. Когда миллионы таких записей объединяются, исследователи получают возможность сравнивать современные условия с историческими.

Гербарии фактически превращаются в своеобразную машину времени для изучения окружающей среды. Коллекции, которые раньше использовались в основном для классификации видов, теперь помогают исследовать изменение климата, распространение растений, сроки цветения, потерю биоразнообразия и даже риск исчезновения отдельных видов.

ИИ может помочь находить неизвестные виды

Те же технологии могут пригодиться и в другой важной задаче — поиске ещё не описанных видов.

Большая часть биоразнообразия планеты до сих пор не изучена полностью. Например, считается, что более 90% видов грибов ещё не были должным образом описаны. При этом некоторые организмы могут исчезнуть раньше, чем учёные успеют их обнаружить и классифицировать.

Системы машинного обучения способны искать необычные образцы среди цифровых коллекций и отмечать их для дальнейшей проверки специалистами.

Статистические модели также могут оценивать, действительно ли вид, который давно не наблюдали, исчез или просто долго оставался незамеченным.

Такие данные помогают определять, где полевые исследования особенно необходимы.

Без специалистов не обойтись

Искусственный интеллект быстро распознаёт закономерности, но сам по себе не может определить, имеют ли они важное биологическое значение.

Таксономист Мартин Чик отмечает, что автоматическое распознавание способно значительно сэкономить время экспертов, особенно при работе с хорошо известными видами. Тогда специалисты смогут уделять больше внимания редким, плохо изученным и находящимся под угрозой организмам.

Но экспертная проверка всё равно остаётся необходимой. Системы машинного обучения работают настолько хорошо, насколько качественны данные, на которых их обучили. Исследователи по-прежнему должны формулировать вопросы, подбирать информацию, проверять ошибки моделей и интерпретировать полученные результаты.

Проблема цифрового разрыва

У нового подхода есть и серьёзное ограничение. Несмотря на рост цифровых архивов, сегодня в электронном виде доступно менее 16% мировых гербарных коллекций.

Особенно большие пробелы существуют в странах с очень высоким биологическим разнообразием. Там коллекциям может не хватать сотрудников, финансирования или связи с международными базами данных. Это создаёт заметный дисбаланс.

Искусственный интеллект способен анализировать только те материалы, которые уже оцифрованы. Поэтому целые регионы и большое количество видов пока остаются почти невидимыми для подобных исследований.

Новый научный архив

Сочетание исторических образцов и современных методов машинного обучения постепенно меняет роль музейных коллекций.

Высушенное растение, собранное несколько поколений назад, сегодня может помочь проследить изменение сезонов дождей, сдвиг сроков цветения или исчезновение отдельных видов.