Artificial intelligence in radiolarian fossil identification : taxonomic, biostratigraphic and evolutionary implications
Détermination des radiolaires fossiles à l'aide de l'intelligence artificielle : implications taxonomiques, biostratigraphiques et évolutives
Résumé
Micropaleontology is not only about studying the organisms themselves, rather understanding Earth's past environments, with applications ranging from biostratigraphy to paleoceanography as well as being able to study evolutionary changes within morphospecies in time and space. This field is facing numerous challenges, since the analysis of microfossils demands significant human effort and taxonomic expertise, often leading to inconsistencies in interpretations. This work focuses on the application of using Artificial Intelligence (AI), such as Artificial Neural Networks (ANNs), for automatic image recognition of tropical Atlantic middle Eocene radiolarians. Large datasets have been constructed, in order to train different neural networks and our results show that the neural networks can automatically classify several different classes of radiolarians down to a species level, as well as in many cases being able to identify closely related species and even evolutionary transition morphotypes. It has also been able to correctly identify less broken or blurry radiolarians. It was also successfully applied to automatic image recognition for a biostratigraphic work, which in general could detect more general ages or highly precise bio events. This work includes the use of the classical neural network approaches for analysing visual context such as Convolutional Neural Networks (CNNs) but also includes the use of Spiking Neural Networks (SNNs), which is not as commonly used for automatic image recognition, as CNNs. SNNs resulted in almost or equal amount of accuracy obtained as for CNNs, just that the use is more computational efficient and takes up less memory. There have also been some comparisons using traditional morphometric analyses, such as Linear Discrimination Analysis (LDA), giving approximately the same kind of results. Our research not only aims to simplify and speed up the analysis process but also helps in increasing the accuracy and consistency of micropaleontological interpretations, which eventually, will contribute to the high-resolution studies in order to understand Earth's past history.
La micropaléontologie ne consiste pas seulement à étudier les organismes eux-mêmes, mais plutôt à comprendre les environnements passés de la Terre, avec des applications allant de la biostratigraphie à la paléoocéanographie, en passant par la capacité d'étudier les changements évolutifs au sein des morphoespèces dans le temps et dans l'espace. Ce domaine est confronté à de nombreux défis, car l'analyse des microfossiles nécessite un effort humain important et une expertise taxonomique, conduisant souvent à des incohérences dans les interprétations. Ce travail de thèse se concentre sur l'application de l'utilisation de l'intelligence artificielle (IA), telle que les réseaux de neurones artificiels (ANN), pour la reconnaissance automatique d'images de radiolaires de l'Éocène moyen de l'Atlantique tropical. De grands ensembles de données ont été construits afin de former différents réseaux de neurones et nos résultats montrent que les réseaux de neurones peuvent automatiquement classer plusieurs classes différentes de radiolaires jusqu'au niveau de l'espèce, ainsi que dans de nombreux cas, être capables d'identifier des espèces étroitement apparentées et même des morphotypes qui font partie d'une transition évolutive. Le réseau de neurones a également pu identifier correctement les radiolaires moins brisés ou flous. Il a également été appliqué avec succès à la reconnaissance automatique d'images pour un travail biostratigraphique, qui pouvait en général détecter des âges plus généraux ou des événements biologiques très précis. Ce travail inclut l'utilisation des approches classiques de réseaux de neurones pour analyser le contexte visuel, telles que les réseaux de neurones convolutifs (CNN), mais comprend également l'utilisation de réseaux de neurones à pointes (SNN), qui ne sont pas aussi couramment utilisés pour la reconnaissance automatique d'images que les CNN. Les SNN ont permis d'obtenir une précision égale ou presqu'égale à celle des CNN, avec simplement leur utilisation étant plus efficace en termes de calcul et du fait qu'il prennent moins de mémoire. Il y a également eu quelques comparaisons utilisant des analyses morphométriques traditionnelles, telle que l'analyse de discrimination linéaire (LDA), donnant à peu près le même type de résultats. Nos recherches visent non seulement à simplifier et à accélérer le processus d'analyse, mais contribuent également à accroître la précision et la cohérence des interprétations micropaléontologiques, lesquelles, à terme, contribueront à des études de haute résolution afin de comprendre l'histoire passée de la Terre.
| Origine | Version validée par le jury (STAR) |
|---|