Fenotipagem de alta precisão de caracteres industriais de soja usando aprendizagem de máquina e diferentes sensores espectrais

• Ano de defesa: 2023
• Autor(a) principal: Santana, Dthenifer Cordeiro
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Multiespectral; Hiperespectral; Comprimento de onda; Inteligência computacional; Multispectral; Hyperspectral; Wave-length; Computational intelligence
• Link de acesso: https://hdl.handle.net/11449/250883; https://orcid.org/0000-0001-7611-6040

A utilização de fenotipagem de alta precisão (HTP) no melhoramento de plantas pode auxiliar pesquisadores na seleção mais precisa e rápida de genótipos a partir de seu fenótipo. Aliar técnicas de aprendizagem de máquinas pode facilitar o processamento de dados advindos de distintos sensores que podem ser utilizados na fenotipagem. No capítulo 1 foi utilizado um sensor multiespectral, coletando reflectâncias na faixa do visível obtidos nas seguintes bandas espectrais (SBs): vermelho (660 nm), verde (550 nm), Rededge (735 nm) e NIR (790 nm) e realizados cálculos de índices de vegetação (IVs), objetivando encontrar algoritmos de aprendizagem de máquina e inputs com maior precisão para classificar genótipos de soja com base em características industriais. No capítulo 2 foi utilizado um sensor hiperespectral, que permitiu capturar a reflectância entre os comprimentos de onda entre 450 e 824 nm objetivando: I) classificar genótipos de soja de acordo com as características industriais do grão; II) identificar o(s) algoritmo(s) com melhor acurácia para a classificação dos genótipos com a reflectância das folhas; III) identificação do melhor dado de entrada (input) dos algoritmos que melhoram sua performance. O capítulo 3 utilizou-se sensor hiperespectral com capacidade de medir o espectro na faixa de 350 a 2500 nm objetivando avaliar a acurácia de técnicas de aprendizagem de máquinas em distinguir genótipos de soja de acordo com caracteres industriais dos grãos. Os experimentos foram conduzidos na Universidade Federal de Mato Grosso do Sul, campus Chapadão do Sul em diferentes safras com distintos genótipos. As avaliações espectrais foram realizadas aos 60 dias após a emergência. Ao fim do ciclo foi avaliada a produtividade de grãos e realizada as análises laboratoriais dos caracteres industriais. Os dados foram submetidos a algoritmos de aprendizagem de máquina (ML): rede neural artificial (ANN), algoritmos de árvore de decisão J48 (J48), REPTree (DT) e RandomTree (Rt), floresta aleatória (RF) e regressão logística (LR), usada como controle. No capítulo 1, utilizando o sensor multiespectral os algoritmos de ML que alcançaram maiores precisões foram ANN, DT e SVM utilizando apenas bandas espectrais. No capítulo 2 os algoritmos SVM e J48 foram os que apresentaram melhor performance também utilizando bandas espectrais como input. E no capítulo 3 a regressão logística (RL) apresentou superioridade na classificação dos genótipos de soja com a utilização dos comprimentos de onda como input.