Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial

• Ano de defesa: 2023
• Autor(a) principal: Lopes, Adilson Rosa
• Orientador(a): Nacif, José Augusto Miranda
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Programa de Pós-Graduação: Ciência da Computação
• Área do conhecimento CNPq: Ciência da Computação
• Link de acesso: https://locus.ufv.br//handle/123456789/32032; https://doi.org/10.47328/ufvcaf.2023.014

A ocorrência cada vez mais frequente de episódios de seca severa e prolongada tem levado as empresas do setor florestal a buscar o desenvolvimento de materiais genéticos tolerantes à seca e com alta produtividade. Para isso, o setor tem utilizado o melhoramento genético florestal. Contudo, no âmbito florestal, o processo de melhoramento para obtenção dos genótipos desejados é mais demorado em comparação com o das culturas agrícolas. Este trabalho de pesquisa teve como objetivo reduzir o tempo necessário para a seleção desses materiais, aplicando técnicas de inteligência artificial (IA) para a classificação precoce de cruzamentos de eucalipto quanto à tolerância à seca e produtividade. Coletamos dados de campo de diferentes cruzamentos de eucaliptos em fases iniciais de desenvolvimento, obtidos por meio de um teste de progênies. Os dados incluíram a Área Foliar Específica, o Potencial Hídrico Foliar, a Área Foliar, a Largura e o Comprimento Foliar, o Incremento Médio Anual Volumétrico e imagens das folhas ao longo de 42 meses. Utilizamos esses dados como entrada nos modelos de IA para prever o comportamento dos materiais genéticos em relação à tolerância à seca e produtividade. Testamos dois grupos de modelos: os clássicos (Floresta Aleatória, Redes Neurais Artificiais, Máquina de Vetores de Suporte e XGBoost) e as redes neurais convolucionais (MobileNetV2, ResNet50 e Xception). Para os dados analisados, observamos que os modelos de redes neurais convolucionais são promissores, com o modelo Xception alcançando uma acurácia de teste de 72%. Esse resultado é importante, pois destaca a IA como uma ferramenta útil no processo de seleção precoce nos programas de melhoramento, além de demonstrar sua aplicação na previsão do comportamento de genótipos, utilizando características funcionais das folhas, que são obtidas de maneira mais rápida e simples. Palavras-chave: Tolerância à seca em eucalipto; Aprendizado de Máquina; Inteligência Artificial;