From seed to canopy: high-throughput phenotyping and machine learning in soybean breeding (2024)
- Authors:
- Autor USP: MIRANDA, MELISSA CRISTINA DE CARVALHO - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LGN
- DOI: 10.11606/T.11.2024.tde-02072024-112314
- Subjects: APRENDIZADO COMPUTACIONAL; MELHORAMENTO GENÉTICO VEGETAL; REDES NEURAIS; SEMENTES; SOJA
- Keywords: Fenômica; Imagens RGB; Índices de vegetação
- Agências de fomento:
- Language: Inglês
- Abstract: O melhoramento de soja enfrenta o desafio de avaliar populações grandes e complexas em diferentes ambientes para obter valores genéticos acurados que possam ser utilizados como critérios de seleção. Este estudo objetiva superar esse desafio, aprimorando o entendimento do potencial da fenotipagem de alto rendimento (HTP) e da aplicação de modelos de aprendizado de máquina (ML) na predição de características fenotípicas clássicas em programas de melhoramento de soja, por meio de imagens de sementes e aéreas do dossel das plantas. A metodologia consistiu na caracterização fenotípica de 275 genótipos de soja em diferentes ambientes e manejos, incluindo manejos com e sem aplicação de fungicidas para o controle da ferrugem asiática. De forma geral, primeiramente foram avaliadas predições de aprendizado de máquina baseadas em algoritmos de regressão (máquina de vetores de suporte (SVM), floresta aleatória (RF), rede neural perceptron multicamadas (MLP) e AdaBoosting), e em seguida foram testadas técnicas de aprendizado por transferência com redes neurais convolucionais (CNNs) para extrair características das imagens (VGG16, VGG19, ResNet50, InceptionV3 e Inception-ResNetV2) integrados com os mesmos modelos de predição. No primeiro capítulo, foram coletadas imagens RGB (vermelho-verde-azul) das sementes de cada parcela considerando sementes esparsamente e densamente distribuídas. Foi desenvolvido um pipeline de processamento de imagens para a segmentação das sementes, o que permitiuuma avaliação morfológica detalhada. Comparou-se algoritmos de ML e diferentes arquiteturas de CNNs na predição do peso de cem sementes. A técnica de segmentação de imagem conseguiu identificar corretamente mais de 98% das sementes, e as medições morfológicas alcançaram uma capacidade preditiva de 0,71, com um erro quadrático médio (MSE) de 3,15. Os mesmos resultados foram observados para as características da CNNs, destacando a eficiência das medidas morfológicas como extratores de recursos de imagem. O modelo ResNet-50 se destacou como a CNN mais acurada para a extração de características. No segundo capítulo, por sua vez, investigamos a herdabilidade e correlação entre índices de vegetação obtidos de imagens aéreas e as características fenotípicas tradicionais. Verificou-se alta herdabilidade dos índices de vegetação RGBVI e GLI (H2 médio de 0,56) em comparação com outros índices baseados em RGB, o que os torna promissores para avaliações genéticas. O uso de técnicas avançadas de ML, em especial o aprendizado por transferência com a arquitetura ResNet 50, melhorou a predição de características como os dias até o estágio R7 (DR7) e a medição da altura da planta (PHM) a partir de imagens do dossel. A combinação do ResNet 50 com RF para a predição de DR7 e com MLP para a predição de PHM apresentou resultados promissores, evidenciando o potencial dessas abordagens para otimizar a tomada de decisões no melhoramento de soja. Em suma, a pesquisa conclui que a integração dedados imagéticos com modelos de aprendizado de máquina oferece um sistema robusto de suporte à decisão, permitindo a predição de características fenotípicas clássicas da soja por meio de imagens, visando otimizar a identificação de genótipos de alto desempenho
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2024
- Data da defesa: 02.05.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
MIRANDA, Melissa Cristina de Carvalho. From seed to canopy: high-throughput phenotyping and machine learning in soybean breeding. 2024. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-02072024-112314/. Acesso em: 27 dez. 2025. -
APA
Miranda, M. C. de C. (2024). From seed to canopy: high-throughput phenotyping and machine learning in soybean breeding (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11137/tde-02072024-112314/ -
NLM
Miranda MC de C. From seed to canopy: high-throughput phenotyping and machine learning in soybean breeding [Internet]. 2024 ;[citado 2025 dez. 27 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-02072024-112314/ -
Vancouver
Miranda MC de C. From seed to canopy: high-throughput phenotyping and machine learning in soybean breeding [Internet]. 2024 ;[citado 2025 dez. 27 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-02072024-112314/ - A novel image-based approach for soybean seed phenotyping using machine learning techniques
- Productivity and quality of cotton fiber in different planting seasons
- High‐throughput phenotyping and machine learning techniques in soybean breeding: Exploring the potential of aerial imaging and vegetation indices
Informações sobre o DOI: 10.11606/T.11.2024.tde-02072024-112314 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
