Het gebruik van AI om stadsplanning te heroverwegen voor seizoensgebonden allergieën

Nu de koude winter voorbij is, verrast de lente ons met een vleugje kleur, het gezang van vogels, warmere temperaturen, meer daglicht en een algehele levendige energie. 

Maar deze frisheid brengt ook uitdagingen met zich mee, zoals pollenallergieën. Deze komen het meest voor in de lente, maar ook in de zomer, omdat veel planten, bomen, grassen en onkruid in deze periode bestuiven en stuifmeel in de lucht verspreiden. 

Hoewel de hoeveelheid stuifmeel over het algemeen hoger is tijdens warmere seizoenen, bestuiven sommige planten het hele jaar door.

Dan is er nog klimaatverandering, die ook van invloed kan zijn op de verspreiding van pollen. Door veranderende temperaturen, atmosferische koolstofdioxide (CO2) en neerslag kan klimaatverandering van invloed zijn op de duur van het pollenseizoen, de hoeveelheid pollen, de allergeniciteit van pollen en het risico op allergiesymptomen.

Pollen is een allergeen dat door de lucht wordt verspreid en verschillende allergische reacties veroorzaakt, zoals allergische rhinitis of hooikoorts. Wanneer pollen het lichaam binnendringt, herkent het immuunsysteem het ten onrechte als een bedreiging en reageert het daarop.

Pollenallergie komt vrij vaak voor: naar schatting 10% tot 30% van de wereldbevolking heeft er last van. In de VS heeft ongeveer 7.8% van de mensen van 18 jaar en ouder last van hooikoorts.

Blootstelling aan pollen kan ook symptomen van allergische conjunctivitis, een ontsteking van het oogslijmvlies, veroorzaken. Ongeveer 30% van de normale bevolking heeft last van oogallergie, wat gepaard gaat met rode, tranende of jeukende ogen. Een veel groter percentage, namelijk 70% van de mensen met allergische rhinitis, heeft last van deze symptomen.

Mensen met luchtwegaandoeningen zoals astma kunnen nog gevoeliger zijn voor pollen. Blootstelling daaraan kan astma-aanvallen, ademhalingsproblemen en een lagere productiviteit op het werk en op school veroorzaken.

Er zijn ook enorme medische kosten aan verbonden, met pollengerelateerde medische kosten die jaarlijks de 3 miljard dollar overschrijden. De helft hiervan bestaat uit kosten voor voorgeschreven medicijnen.

Om dit grote probleem voor de volksgezondheid aan te pakken, is het belangrijk om pollenkorrels nauwkeurig te identificeren. Dit zijn kleine 'zaadjes' die verspreid worden door bloeiende planten en bomen. Hun correcte identificatie is belangrijk voor het begrijpen van de interactie tussen mens en omgeving en het reconstrueren van landschappen en omgevingen.

"Met meer gedetailleerde gegevens over welke boomsoorten het meest allergeen zijn en wanneer ze stuifmeel afgeven, kunnen stedenbouwkundigen slimmere beslissingen nemen over wat ze waar moeten planten."

– Medeauteur van de studie Behnaz Balmaki, universitair docent biologie aan de UT Arlington

Ze benadrukte verder het belang van selectie en plaatsing op plekken met veel verkeer, zoals parken, scholen, ziekenhuizen en buurten. 

Het onderscheiden van stuifmeelkorrels van coniferensoorten, met name Abies (spar), Pinus (den) en Picea (spar), vormt echter een uitdaging voor de palynologie (de studie van stuifmeelkorrels en sporen), vanwege hun morfologische overeenkomsten.

Grote overeenkomsten maken het lastig om stuifmeel te onderscheiden 

Onderzoekers gebruiken pollengegevens om historische en hedendaagse milieuanalyses uit te voeren en steden te plannen.

Door pollenkorrels te analyseren die bewaard zijn gebleven in sedimenten en veenmoerassen, kunnen paleocologen de soorten vegetatie identificeren die op verschillende tijdstippen in het verleden op een bepaalde locatie voorkwamen. Dit helpt hen bij het reconstrueren van vegetatiepatronen en historische klimaatomstandigheden, aangezien de plantenverspreiding nauw verbonden is met specifieke klimaatparameters zoals neerslag en temperatuur.

Hierdoor kunnen onderzoekers veranderingen in landschappen begrijpen en de ecologische gevolgen van klimaatveranderingen door de eeuwen heen traceren. Dit biedt inzicht in hoe ecosystemen reageren op veranderingen in de omgeving en helpt bij het doen van voorspellingen over toekomstige ecologische reacties op klimaatverandering.

Met behulp van stuifmeelkorrels kunnen we bovendien de interacties tussen menselijke activiteiten en omgevingsfactoren identificeren die deze landschapspatronen in belangrijke mate vormgeven.

Naaldbomen zijn hier van belang omdat ze specifieke ecologische en klimatologische aanpassingen vertonen. Zo staan ​​dennenbomen bekend om hun weerstand tegen omgevingsinvloeden zoals brand. Sparren zijn daarentegen aangepast aan koude omstandigheden en zilversparren zijn gevoelig voor veranderingen in de vochtigheidsgraad.

Gegevens over deze plantensoort kunnen ons helpen een uitgebreid inzicht te krijgen in brandpatronen, klimaatschommelingen, neerslagpatronen en historische vochtigheid. Ze kunnen ook een belangrijke rol spelen bij de behandeling van allergenen en het beheer van de volksgezondheid.

Pollenanalyse kan met name helpen bij het lokaliseren van soorten die allergieën veroorzaken en het voorspellen van daarmee samenhangende gezondheidsproblemen. Dit is nuttig voor onderzoek naar allergieën en gezondheid. 

Het probleem hier is natuurlijk de morfologische gelijkenis tussen de naaldsoorten. Onderzoekers baseren zich op de morfologische kenmerken van stuifmeelkorrels, waaronder grootte, vorm, symmetrie, polariteit, openingen en ornamentatie, om stuifmeelkorrels te bestuderen. 

Als het gaat om stuifmeelkorrels die nauw verwant zijn, zijn de morfologische verschillen heel subtiel. Het is daardoor lastig om de ene soort snel en nauwkeurig van de andere te onderscheiden.

Het gebruik van de microscoop om pollenkorrels te identificeren is bijvoorbeeld een arbeidsintensief proces. Het is niet alleen duur en tijdrovend, maar ook afhankelijk van subjectieve criteria, wat resulteert in foutenpercentages tot wel 33%. 

Stuifmeelkorrels van coniferen zijn, met name, vaak gedocumenteerd als vrij moeilijk te identificeren vanwege hun geringe morfologische verschillen. Alle korrels in de groep vertonen grote overeenkomsten, met twee luchtzakken en een centraal lichaam. Daardoor is zelfs het nauwkeurig herkennen van deze soorten onder een microscoop een uitdaging.

Onderzoekers maken gebruik van digitale beeldvormingstechnieken en grafische software om de analyse te verbeteren. Dit is echter nog steeds grotendeels afhankelijk van menselijke visuele inspectie, die onderhevig is aan classificatiefouten, vooral als het gaat om beginnende palynologen. 

Deze beperkingen vereisen objectievere, efficiëntere en preciezere technieken om pollenkorrels te identificeren. Deze moeilijke taak vereist deskundige kennis, microfoto's met hoge resolutie en een aanzienlijk aantal referentiepreparaten om nauwkeurige vergelijkingen en vervolgens identificatie mogelijk te maken. 

“Zelfs met microscopen met een hoge resolutie zijn de verschillen tussen pollensoorten heel subtiel.”

– Dokter Balmaki

AI kan helpen het stuifmeel te vinden dat verantwoordelijk is voor allergieën

Kunstmatige intelligentie (AI) heeft in bijna alle sectoren vooruitgang geboekt. Het maakt gebruik van enorme hoeveelheden data om van te leren en vervolgens te verbeteren, waardoor de technologie patronen en verbanden kan identificeren die mensen mogelijk over het hoofd zien. 

Zoals we onlangs meldden, stelt AI wetenschappers in staat om de beste kandidaten voor vaste-stof elektrolyten (SSE's) te vinden door te putten uit een enorme database met eerdere studies. Deze snelle zoektocht door alle potentiële opties versnelt de ontdekking van geoptimaliseerde SSE-opties om hoogwaardige vaste-stof batterijen (SSB's) te ontwikkelen voor duurzame energiebehoeften.

Nu zijn onderzoekers van de Universiteit van Texas in Arlington (UTA) het benutten van de technologie om de pollenanalyse te verbeteren¹ door soorten te identificeren via een deep learning-model dat is getraind op duizenden afbeeldingen.

Onderzoekers vonden deep learning een geweldige techniek voor dit doel. Ze merkten op dat deze aanpak de nauwkeurigheid van pollenclassificatie aanzienlijk kan verbeteren en de tijd die nodig is voor identificatie drastisch kan verkorten.

Traditionele methoden, zoals het handmatig identificeren van een individueel pollenmonster, kunnen uren duren, afhankelijk van de complexiteit van het monster en de expertise van de persoon. 

Machine learning (ML) en deep learning (DL) modellen daarentegen kunnen, na training, duizenden beelden in seconden verwerken. De "exponentiële verbetering in snelheid" maakt DL bijzonder waardevol voor grootschalige ecologische en milieustudies.

Op deze manier kan een getraind model potentieel de identificatie van soorten verbeteren en tegelijkertijd de noodzaak voor aanzienlijke morfologische training in de palynologie verminderen.

Onze studie toont aan dat deep learning-tools de snelheid en nauwkeurigheid van pollenclassificatie aanzienlijk kunnen verbeteren. Dat opent de deur naar grootschalige milieumonitoring en meer gedetailleerde reconstructies van ecologische veranderingen. Het biedt ook perspectief voor het verbeteren van allergenenregistratie door precies te identificeren welke soorten pollen vrijgeven en wanneer.

– Dokter Balmaki

Om dieper in te gaan op de technologie die onderzoekers van de UT gebruiken in samenwerking met de University of Nevada en Virginia Tech, maakten ze gebruik van geavanceerde deep learning-technieken, met name transfer learning-modellen.

Deze modellen gebruiken een vooraf getraind model opnieuw voor een andere, maar gerelateerde taak. Transfer learning voorkomt zo dat je helemaal opnieuw moet beginnen en helpt de tijd en middelen te besparen die nodig zijn om nieuwe modellen te trainen, zelfs met beperkte data.

Volgens de studie zijn de overdrachtsmodellen effectief in het herkennen van overeenkomsten in gedetailleerde kenmerken. Ze kunnen zelfs helpen bij het creëren van modellen voor de identificatie van lastige soorten, met name bij de classificatie van coniferen, en de analyse van pollenkorrels verbeteren.

Onderzoekers maakten daadwerkelijk gebruik van negen transfer learning-modellen: VGG16, VGG19, ResNet101, ResNet50, MobileNetV2, InceptionV3, EfficientNetV2S, DenseNet201 en Xception. 

Ze trainden en valideerden elk model op een dataset van pollenkorrelafbeeldingen die waren verzameld uit monsters die bewaard werden door het Natuurhistorisch Museum van de Universiteit van Nevada.

De modellen werden ook beoordeeld op verschillende prestatie-indicatoren, waaronder precisie, nauwkeurigheid, recall en F1-score tijdens de trainings-, test- en validatiefases. Op basis van de resultaten voor elk van deze modellen bleek ResNet101 beter te presteren dan alle andere. Het behaalde een testnauwkeurigheid van 99% met een even hoge precisie, recall en F1-score. Volgens Balmaki:

“Dit toont aan dat deep learning traditionele identificatiemethoden succesvol kan ondersteunen en zelfs kan overtreffen, zowel qua snelheid als nauwkeurigheid.” 

Hoewel AI krachtig is, neemt het de noodzaak van de expertise van getrainde palynoloog niet weg. Sterker nog, het "bevestigt hoe essentieel menselijke expertise nog steeds is", voegde ze eraan toe. Om de benodigde datasets te creëren, hebben we immers "goed voorbereide monsters en een grondig begrip van de ecologische context nodig. Dit gaat niet alleen over machines – het is een samenwerking tussen technologie en wetenschap."

Met dit nieuwe AI-systeem willen onderzoekers stadsplanners een hulpmiddel bieden om beter geïnformeerde beslissingen te nemen over de selectie van bomen en om meer gezondheidsbewuste landschappen te creëren, wat een grote opluchting zou zijn voor mensen met een allergie. Dr. Balmaki merkte op:

Gezondheidsdiensten zouden deze informatie ook kunnen gebruiken om allergiewaarschuwingen, voorlichting over de volksgezondheid en behandelaanbevelingen beter te timen tijdens het hoogseizoen voor pollen. 

Zelfs boeren kunnen enorm profiteren van deze studie, aangezien "pollen een sterke indicator zijn voor de gezondheid van het ecosysteem." Zoals Dr. Balmaki uitlegde:

Verschuivingen in de pollensamenstelling kunnen wijzen op veranderingen in de vegetatie, het vochtgehalte en zelfs eerdere brandactiviteit. Boeren zouden deze informatie kunnen gebruiken om langetermijntrends in de omgeving te volgen die van invloed zijn op de levensvatbaarheid van gewassen, de bodemgesteldheid of regionale klimaatpatronen.

Bovendien kan het onderzoek nuttig zijn voor het behoud van wilde dieren en bestuivers.

Insecten zoals bijen en vlinders zijn voor hun voedsel en leefgebied afhankelijk van specifieke planten. Door de aanwezige of afnemende plantensoorten in een gebied te identificeren, kunnen we beter begrijpen hoe dergelijke veranderingen het gehele voedselweb beïnvloeden en vervolgens passende maatregelen nemen om de cruciale relaties tussen planten en bestuivers te beschermen.

Het onderzoek is bedoeld om uit te breiden naar een breder scala aan plantensoorten. Het doel van de onderzoekers is om een ​​uitgebreid pollenidentificatiesysteem te ontwikkelen dat in de hele VS kan worden toegepast om beter te begrijpen hoe planten kunnen veranderen als reactie op extreme weersomstandigheden.

Klik hier om te ontdekken of robotbestuivers een belangrijke rol spelen in verticale landbouw.

Investeren in kunstmatige intelligentie (AI)

Op het gebied van AI, Nvidia (NVDA -0.29%) is de grootste naam. Deze halfgeleidergigant drijft met zijn GPU-technologieën en AI-hardware vele deep learning-modellen aan. Sterker nog, alle modellen in deze studie zijn getraind en getest op een NVIDIA GeForce RTX 3060 met 12 GB geheugen, met behulp van Python 3.10.6 en TensorFlow. 

NVIDIA Corporation (NVDA -0.29%)

De GeForce RTX 3060 van Nvidia werd begin januari 2021 door Nvidia geïntroduceerd als de tweede generatie NVIDIA RTX™ met tot 10x betere raytracingprestaties dan de GTX 1060, met ondersteuning voor NVIDIA DLSS.

Het draait op de NVIDIA Ampere-architectuur, die is gebaseerd op 54 miljard transistors en de grootste 7 nm-chip ooit is. De architectuur bevat baanbrekende innovaties, waaronder Tensor Cores van de derde generatie om de implementatie van AI te versnellen en te vereenvoudigen, een multi-instance GPU (MIG) waarmee workloads de GPU kunnen delen, een directe GPU-naar-GPU-bandbreedte van 3 GB/s, structurele spaarsheid om de prestaties van modeltraining te verbeteren, RT Cores van de tweede generatie om workloads te versnellen en een geheugenbandbreedte van 600 TB/s.

Momenteel zijn het de Hopper (H100) GPU van Nvidia en de volgende generatie Blackwell GPU-architectuur die alle aandacht trekken. Dit zijn de favoriete chips van bedrijven die voorop willen lopen op het gebied van AI-innovatie.

Dankzij geavanceerde oplossingen en diverse topklanten is Nvidia uitgegroeid tot een favoriet aandeel in de AI-sector, dat de koers twee jaar geleden deed stijgen van minder dan $ 30 naar het huidige niveau van $ 119. Deze stijging van 296% is voornamelijk te danken aan de AI-manie, waardoor de NVDA-aandelen in november 150, vlak na de Amerikaanse presidentsverkiezingen, een piek bereikten van bijna $ 2024.

Sindsdien hebben de aandelen van NVDA 20.66% van hun waarde verloren, terwijl ze dit jaar een daling van 12.83% lieten zien, doordat tarieven en een handelsoorlog de aandelenmarkt verstoorden. Vorige maand verloor Nvidia zelfs gerapporteerd verwacht $ 5.5 miljard aan kosten in verband met de export van H20O naar China. 

Te midden hiervan kondigde de toonaangevende fabrikant van AI-chips zijn plan aan om de komende vier jaar honderden miljarden dollars te investeren in de Amerikaanse toeleveringsketen. "De steun van een regering die het succes van deze sector hoog in het vaandel heeft staan ​​en energie geen obstakel laat vormen, is een fenomenaal resultaat voor AI in de VS", vertelde CEO Jensen Huan een paar maanden geleden aan de Financial Times.

De regering-Trump is ook bereid de "AI-diffusieregel" in te trekken, wat effectief zal voorkomen dat een reeks AI-chipcontroles later deze maand van kracht wordt. De regel verdeelde landen in drie niveaus, waarbij elk niveau andere beperkingen hanteert voor de chips van Nvidia en andere fabrikanten die daar zonder licentie naartoe mogen worden verzonden. 

Nvidia is tegen de regel. Huang zei eerder deze week al dat uitsluiting van de Chinese AI-markt, die $ 50 miljard waard zou kunnen zijn, een "enorm verlies" zou zijn.

Wat winstgevendheid betreft, heeft Nvidia een winst per aandeel (TTM) van 2.94, een koers-winstverhouding (TTM) van 39.82 en een rendement op eigen vermogen (TTM) van 119.18%. Nvidia betaalt ook een dividendrendement, maar dat is slechts 0.03%. De marktkapitalisatie bedraagt ​​maar liefst $ 2.85 biljoen, waarmee het 's werelds op twee na grootste bedrijf is.

Voor het vierde kwartaal, dat eindigde op 4 januari 26, rapporteerde Nvidia een recordomzet van 2025 miljard dollar. Dat is een stijging van 39.3% en 12% ten opzichte van respectievelijk het voorgaande kwartaal en een jaar geleden. 

Voor het volledige fiscale jaar 2025 bedroeg de omzet $ 130.5 miljard, een enorme stijging van 114% ten opzichte van een jaar geleden. De GAAP-winst per verwaterd aandeel steeg ook met 147% tot $ 2.94, terwijl de non-GAAP-winst per verwaterd aandeel met 130% steeg tot $ 2.99.

Deze sterke financiële resultaten waren het resultaat van Nvidia's nieuwe GPU-microarchitectuur, Blackwell, die is ontworpen voor generatie AI en versneld computergebruik en een "geweldige" vraag kent. Tijdens de presentatie van de resultaten in februari zei Huang dat ze de grootschalige productie van Blackwell AI-supercomputers hebben opgevoerd en dat ze in het eerste kwartaal al miljarden dollars aan omzet hebben gegenereerd.

Laatste nieuws over NVIDIA Corporation

Conclusies

Het is bekend dat deep learning-technieken de efficiëntie en nauwkeurigheid verhogen en fouten en handmatige inspanningen verminderen bij objectdetectie, beeldclassificatie en taakherkenning. Ze zijn ook zeer effectief gebleken bij het classificeren van pollen. De studie maakte met name gebruik van transfer learning en vond dit kosteneffectief en minder tijdrovend, terwijl het ook de uitdagingen van dataschaarste bij het ondersteunen van coniferensoorten aanpakt.

Door gebruik te maken van kunstmatige intelligentie (AI) hebben onderzoekers een hulpmiddel ontwikkeld om mensen met allergieën te helpen en boeren en stadsplanners te ondersteunen. Met schaalbare, snelle en nauwkeurige pollenidentificatie kunnen stedelijke omgevingen worden aangepast om blootstelling aan allergenen te verminderen en de volksgezondheid te verbeteren.

Bovendien zal, gezien de impact van klimaatverandering op het milieu, de combinatie van ecologische wetenschap met AI niet alleen leiden tot een meer gezondheidsbewuste planning van onze steden en landschappen, maar ook tot het behoud van wilde dieren en bestuivers en tot hogere oogsten.

Klik hier voor alles over investeren in kunstmatige intelligentie.

Geraadpleegde studies:

1. Rostami, MA, Kydd, L., Balmaki, B., Dyer, LA & Allen, JM (2025). Deep learning voor nauwkeurige classificatie van pollenkorrels van coniferen: verbetering van soortidentificatie in de palynologie. Frontiers in Big Data, 8, 1507036. https://doi.org/10.3389/fdata.2025.1507036