基于人工智能的苔藓孢子形态学自动鉴定系统开发与验证

本研究针对苔藓植物传统分类学难题，开发了基于卷积神经网络(ResNeXt)的孢子形态自动识别系统。通过扫描电镜(SEM)图像分析10个物种的孢子超微结构，实现了92%的物种鉴定准确率，发现种群和蒴果层面存在特异性形态标记（>75%准确率）。该技术为苔藓分类提供了全新的自动化鉴定范式，对推动隐花植物系统学研究具有重要意义。

　　

通过人工智能技术开启苔藓物种鉴定新纪元！研究人员采用深度卷积神经网络(ResNeXt)架构，对10个苔藓物种的孢子超微结构进行机器学习训练。扫描电子显微镜(SEM)捕捉的孢子图像揭示：不同物种的孢子表面纹饰存在显著差异，即使同一物种不同种群（75%识别率）乃至不同蒴果（>75%识别率）都具备独特形态标记。

令人振奋的是，模型在忽略孢子极性差异的情况下仍达到92%的物种鉴定准确率。当训练样本量缩减至初始数据集的15%时，准确率仍维持在80%左右。值得注意的是，某些物种呈现强烈的种群间形态变异，当测试集与训练集来自不同地理种群时，模型表现出现显著下降。

这项突破性研究证实孢子形态学可作为苔藓分类的可靠量化指标，为传统形态分类学提供了数字化补充方案。研究结果同时引发对孢子超微结构形成机制的深入思考——种群水平的特异性标记可能反映了局部环境适应或遗传分化现象。未来建立自动化鉴定系统时，必须充分考虑种内变异，纳入足够多样化的种群和蒴果样本以确保模型泛化能力。