Os produtores sabem que colher algodão na hora certa – quando as folhas caem e os caroços do algodão estouram – garante alta qualidade e rendimento. Um novo modelo de aprendizado de máquina que rastreia o envelhecimento da planta ao longo do tempo pode ajudá-los a determinar o momento certo para a colheita.
A senescência do algodão, como na maioria das plantas, segue uma sequência previsível de eventos. No entanto, o tempo de senescência é influenciado por uma variedade de fatores, incluindo genótipo, condições ambientais e práticas de manejo. Diferentes genótipos exibem taxas variadas de senescência, o que pode afetar a rapidez com que as plantas amadurecem. Estresses ambientais como temperaturas extremas, seca e deficiências de nutrientes podem acelerar a senescência. Práticas de manejo como irrigação, fertilização e poda podem mitigar os efeitos do estresse, ajudando a otimizar o processo de senescência.
Ao analisar dados de senescência, os produtores podem escolher os genótipos e estratégias de manejo mais adequados para aumentar o rendimento do algodão e a qualidade da fibra. Essas informações também são valiosas para melhoristas de plantas que visam desenvolver cultivares mais resilientes.
A coleta desses dados é desafiadora devido ao longo período de maturação do algodão, que pode durar de semanas a meses. Observar plantas em intervalos isolados não oferece uma visão abrangente de seu processo de senescência, portanto, a coleta contínua de dados é essencial para uma compreensão mais precisa. No entanto, os métodos tradicionais geralmente consomem muito tempo e trabalho, normalmente contando com ferramentas manuais para medir o teor de clorofila.
Recentemente, a fenotipagem de alto rendimento ganhou destaque devido aos rápidos avanços em tecnologias de plataforma e sensor, bem como metodologias de análise de dados. Drones equipados com vários sensores voam sobre campos agrícolas para coletar grandes volumes de imagens de alta resolução. No entanto, problemas como iluminação irregular e variação espacial podem introduzir erros aleatórios e informações irrelevantes, obscurecendo os padrões e informações importantes no conjunto de dados. Redes Neurais Convolucionais (CNNs), um tipo de modelo de aprendizado profundo usado para processar e analisar imagens, podem ajudar a resolver esses desafios. Por exemplo, elas podem ser usadas para detectar material vegetal básico versus solo e distinguir entre padrões de pigmentação.
Um novo artigo publicado em in silico As plantas destacam como os métodos de aprendizado profundo podem enfrentar esses desafios. O candidato a doutorado Aaron DeSalvio e colegas da Texas A&M University desenvolveu a primeira CNN projetada para análise de senescência de uma única planta ao longo do tempo usando imagens aéreas de uma cultura cultivada em campo.
DeSalvio explicou a importância de coletar dados de plantas individuais. “A fenotipagem é normalmente feita em nível de parcela. Ao rastrear a mudança de plantas individuais em vez de uma parcela, o poder estatístico aumenta enquanto o tamanho do campo de pesquisa permanece o mesmo. Além disso, os pesquisadores podem tentar identificar variedades que demonstram mais (ou menos) uniformidade em seus fenótipos ao longo da estação de crescimento rastreando réplicas de plantas individuais da mesma variedade.”
Os autores cultivaram genótipos de algodão com taxas variadas de senescência e capturaram imagens usando uma câmera montada em drone durante toda a estação de crescimento. Atualmente, o padrão ouro para quantificar a senescência desse tipo de imagem envolve classificações visuais de senescência. As imagens de cada planta receberam manualmente classificações de 0% (completamente verde) a 100% (completamente morta), um processo que consome bastante tempo.
Para lidar com essa questão, os autores desenvolveram modelos CNN capazes de quantificar a senescência tão efetivamente quanto as classificações visuais. Os modelos CNN foram treinados usando valores derivados de classificações visuais de senescência e índices de vegetação. Os índices de vegetação são valores quantitativos indicativos da progressão da senescência calculados usando medições de intensidade de cor nas imagens. Você pode ler mais sobre o uso de índices de vegetação obtidos por sensoriamento remoto aqui.
Os autores utilizaram um método inovador para analisar imagens de séries temporais, facilitando a análise temporal: empilhando as imagens de plantas individuais capturadas em vários pontos de tempo antes de inseri-las na CNN.
“Este método permitiu que as CNNs incorporassem dinâmicas temporais em seu treinamento e análise. Isso significava que todos os pontos de tempo pertencentes a uma única planta poderiam ser avaliados pelo modelo simultaneamente, o que permitiu detectar diferenças na progressão da senescência entre plantas, não apenas diferenças em momentos isolados durante a estação.”
Seis modelos CNN foram desenvolvidos usando vários dados de treinamento. Entre eles, dois previram com sucesso classificações de senescência visual e valores de índice de vegetação a partir de imagens empilhadas com alta confiabilidade. Além disso, os modelos capturaram como diferentes genótipos sofrem senescência ao longo da estação de crescimento (veja a figura 2). Isso demonstra que o modelo pode ser usado no futuro para identificar novos fatores genéticos que influenciam a senescência dentro de uma população geneticamente diversa.
DeSalvio conclui: "À medida que as demandas para identificar e reproduzir culturas resilientes se intensificam, os programas de reprodução precisam de ferramentas escaláveis para coletar dados sobre variedades que superam as medições de fim de temporada. Métodos como o modelo CNN descrito aqui podem analisar e categorizar plantas por suas trajetórias de vida, permitindo a seleção de variedades cujas trajetórias de desenvolvimento são adaptadas a ambientes específicos.
LEIA O ARTIGO:
Aaron J DeSalvio, Alper Adak, Mustafa A Arik, Nicholas R Shepard, Serina M DeSalvio, Seth C Murray, Oriana García-Ramos, Himabindhu Badavath, David M Stelly, Sanduíches de imagens temporais permitem a ligação entre análise de dados funcionais e aprendizagem profunda para senescência de algodão de planta única, in silico Plants, Volume 6, Edição 2, 2024, diae019, https://doi.org/10.1093/insilicoplants/diae019
Últimos Comentários