Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial
Ano de defesa: | 2023 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
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
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Área do conhecimento CNPq: | |
Link de acesso: | https://locus.ufv.br//handle/123456789/32032 https://doi.org/10.47328/ufvcaf.2023.014 |
Resumo: | 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; |
id |
UFV_e1637631411117141e3ea071f4208f9b |
---|---|
oai_identifier_str |
oai:locus.ufv.br:123456789/32032 |
network_acronym_str |
UFV |
network_name_str |
LOCUS Repositório Institucional da UFV |
repository_id_str |
|
spelling |
Lira, Jean Marcel SousaSantos, Glêison Augusto dosLopes, Adilson RosaNacif, José Augusto Miranda2024-01-17T13:56:55Z2024-01-17T13:56:55Z2023-12-14LOPES, Adilson Rosa. Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial. 2023. 105 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Viçosa, Florestal. 2023.https://locus.ufv.br//handle/123456789/32032https://doi.org/10.47328/ufvcaf.2023.014A 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;The increasingly frequent occurrence of severe and prolonged drought episodes has led companies in the forestry sector to seek the development of drought-tolerant and highly productive genetic materials. For this purpose, the forestry sector has employed forest genetic improvement. However, in the forestry field, the improvement process to obtain desired genotypes is more time-consuming compared to agricultural crops. This research aimed to reduce the time required for selecting these materials by applying artificial intelligence (AI) techniques for early classification of eucalyptus crosses regarding drought tolerance and productivity. We gathered field data from different eucalyptus crosses in early development stages, obtained through a progeny test. The data included Specific Leaf Area, Leaf Water Potential, Leaf Area, Leaf Width and Length, Annual Volumetric Mean Increment, and leaf images over 42 months. We utilized this data as input for AI models to predict the behavior of genetic materials concerning drought tolerance and productivity. We tested two groups of models: classic ones (Random Forest, Artificial Neural Networks, Support Vector Machine, and XGBoost) and convolutional neural networks (MobileNetV2, ResNet50, and Xception). For the analyzed data, we observed promising results in convolutional neural network models, with the Xception model achieving a test accuracy of 72%. This outcome is significant as it underscores AI as a useful tool in the early selection process within improvement programs, demonstrating its application in predicting genotype behavior using functional leaf traits obtained more quickly and simply. Keywords: Drought Tolerance in Eucalyptus; Machine Learning; Artificial intelligence;porUniversidade Federal de ViçosaCiência da ComputaçãoEucalipto - Melhoramento genéticoPlantas - Efeito da secaAprendizagem do computadorInteligência artificialCiência da ComputaçãoSeleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificialEarly selection of drought tolerant and productive eucalyptus crosses using artificial intelligenceinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal de ViçosaInstituto de Ciências Exatas e TecnológicasMestre em Ciência da ComputaçãoFlorestal - MG2023-12-14Mestradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdftexto completo.pdfapplication/pdf4417508https://locus.ufv.br//bitstream/123456789/32032/1/texto%20completo.pdfbdbdd578f26ba2d2ad0ba691630f37adMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/32032/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/320322024-01-17 11:24:45.708oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452024-01-17T14:24:45LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false |
dc.title.pt-BR.fl_str_mv |
Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial |
dc.title.en.fl_str_mv |
Early selection of drought tolerant and productive eucalyptus crosses using artificial intelligence |
title |
Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial |
spellingShingle |
Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial Lopes, Adilson Rosa Eucalipto - Melhoramento genético Plantas - Efeito da seca Aprendizagem do computador Inteligência artificial Ciência da Computação |
title_short |
Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial |
title_full |
Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial |
title_fullStr |
Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial |
title_full_unstemmed |
Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial |
title_sort |
Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial |
author |
Lopes, Adilson Rosa |
author_facet |
Lopes, Adilson Rosa |
author_role |
author |
dc.contributor.none.fl_str_mv |
Lira, Jean Marcel Sousa Santos, Glêison Augusto dos |
dc.contributor.author.fl_str_mv |
Lopes, Adilson Rosa |
dc.contributor.advisor1.fl_str_mv |
Nacif, José Augusto Miranda |
contributor_str_mv |
Nacif, José Augusto Miranda |
dc.subject.pt-BR.fl_str_mv |
Eucalipto - Melhoramento genético Plantas - Efeito da seca Aprendizagem do computador Inteligência artificial |
topic |
Eucalipto - Melhoramento genético Plantas - Efeito da seca Aprendizagem do computador Inteligência artificial Ciência da Computação |
dc.subject.cnpq.fl_str_mv |
Ciência da Computação |
description |
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; |
publishDate |
2023 |
dc.date.issued.fl_str_mv |
2023-12-14 |
dc.date.accessioned.fl_str_mv |
2024-01-17T13:56:55Z |
dc.date.available.fl_str_mv |
2024-01-17T13:56:55Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
LOPES, Adilson Rosa. Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial. 2023. 105 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Viçosa, Florestal. 2023. |
dc.identifier.uri.fl_str_mv |
https://locus.ufv.br//handle/123456789/32032 |
dc.identifier.doi.pt-BR.fl_str_mv |
https://doi.org/10.47328/ufvcaf.2023.014 |
identifier_str_mv |
LOPES, Adilson Rosa. Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial. 2023. 105 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Viçosa, Florestal. 2023. |
url |
https://locus.ufv.br//handle/123456789/32032 https://doi.org/10.47328/ufvcaf.2023.014 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.publisher.program.fl_str_mv |
Ciência da Computação |
publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.source.none.fl_str_mv |
reponame:LOCUS Repositório Institucional da UFV instname:Universidade Federal de Viçosa (UFV) instacron:UFV |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
UFV |
institution |
UFV |
reponame_str |
LOCUS Repositório Institucional da UFV |
collection |
LOCUS Repositório Institucional da UFV |
bitstream.url.fl_str_mv |
https://locus.ufv.br//bitstream/123456789/32032/1/texto%20completo.pdf https://locus.ufv.br//bitstream/123456789/32032/2/license.txt |
bitstream.checksum.fl_str_mv |
bdbdd578f26ba2d2ad0ba691630f37ad 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
fabiojreis@ufv.br |
_version_ |
1801213836580093952 |