Publicação: Fenotipagem de alta precisão de caracteres industriais de soja usando aprendizagem de máquina e diferentes sensores espectrais
Carregando...
Arquivos
Data
Autores
Orientador
Teodoro, Paulo Eduardo
Coorientador
Teodoro, Larissa Pereira Ribeiro
Shiratsuchi, Luciano Shozo
Pós-graduação
Agronomia - FEIS 33004099079P1
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
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.
Resumo (inglês)
The use of high-precision phenotyping (HTP) in plant breeding can help researchers in the more accurate and faster selection of genotypes based on their phenotype. Combining machine learning techniques can facilitate the processing of data from different sensors that can be used in phenotyping. In Chapter 1, a multispectral sensor was used, collecting reflectances in the visible range obtained in the following spectral bands (SBs): red (660 nm), green (550 nm), Rededge (735 nm) and NIR (790 nm) and calculations of vegetation indices (IVs) were performed, aiming to find machine learning algorithms and inputs with greater precision to classify soybean genotypes based on industrial characteristics. In chapter 2, a hyperspectral sensor was used, which allowed capturing the reflectance between wavelengths between 450 and 824 nm, aiming to: I) classify soybean genotypes according to the industrial characteristics of the grain; II) identify the algorithm(s) with the best accuracy for classifying genotypes with leaf reflectance; III) identification of the best input data of the algorithms that improve their performance. Chapter 3 used a hyperspectral sensor capable of measuring the spectrum in the range of 350 to 2500 nm, aiming to evaluate the accuracy of machine learning techniques in distinguishing soybean genotypes according to grain industrial traits. The experiments were conducted at the Federal University of Mato Grosso do Sul, Chapadão do Sul campus in different crops with different genotypes. Spectral evaluations were performed 60 days after emergence. At the end of the cycle, grain yield was evaluated and laboratory analyzes of industrial traits were carried out. Data were subjected to machine learning (ML) algorithms: artificial neural network (ANN), J48 decision tree (J48), REPTree (DT) and RandomTree (Rt) algorithms, random forest (RF) and logistic regression (LR), used as control. In Chapter 1, using the multispectral sensor, the ML algorithms that achieved greater precision were ANN, DT and SVM using only spectral bands. In chapter 2, the SVM and J48 algorithms were the ones that presented the best performance also using spectral bands as input. And in chapter 3, logistic regression (RL) showed superiority in the classification of soybean genotypes using wavelengths as input.
Descrição
Palavras-chave
Multiespectral, Hiperespectral, Comprimento de onda, Inteligência computacional, Multispectral, Hyperspectral, Wave-length, Computational intelligence
Idioma
Português
Como citar
Santana, Dthenifer Cordeiro. Fenotipagem de alta precisão de caracteres industriais de soja usando aprendizagem de máquina e diferentes sensores espectrais. 2023. 95 f. Tese (Doutorado em Agronomia) – Faculdade de Engenharia, Universidade Estadual Paulista - Unesp, Ilha Solteira, 2023.
