Uso de inteligência computacional na fenotipagem de soja

A soja (Glycine max (L.)) é uma fonte valiosa de alimento humano, animal e como matéria prima industrial. Para atender às demandas crescentes, a soja enfrenta uma série de desafios complexos. Esses desafios estão intrinsecamente ligados à busca por variedades mais produtivas, resistentes a doenças e adaptadas a condições ambientais variáveis. A fenotipagem de alto rendimento emerge como uma ferramenta crucial nesse processo, acelerando o desenvolvimento eficiente de novas variedades mais produtivas, capazes de enfrentar os desafios ambientais e sociais em constante evolução. Esta oferece vantagens quando na comparação com a fenotipagem tradicional, uma vez que a partir do uso de imagens e sensores, auxiliados com softwares e algoritmos de inteligência computacional, otimizam o processo de medição, possibilita maior fenotipagem em escala e reduz a variabilidade da mensuração humana. A utilização de índices de vegetação está entre os principais meios utilizados na fenotipagem de alto rendimento. Com a utilização destes, é possível realizar uma variedade de estudos, incluindo a avaliação do teor de nitrogênio nas folhas, a determinação de características físicas como biomassa, altura da planta e área foliar, a análise da heterogeneidade das plantas no campo, a estimativa do teor de clorofila, a avaliação do teor de água nas plantas, a quantificação do teor de lignina, e a detecção de danos causados por pragas e doenças. Com o uso de técnicas de fenotipagem em larga escala, torna-se crescente volume e a complexidade dos dados obtidos, aumentando a exigência para abordagens inovadoras para análise dos dados com foco em seleção eficiente. Nesse contexto, a aplicação de inteligência computacional tem emergido como uma ferramenta essencial para transformar a forma como se aborda a fenotipagem e o melhoramento de plantas. Assim, este trabalho tem como objetivo avaliar o desempenho de algoritmos de Perceptron Multicamadas (PMC) e Random Forest (RF) na predição de características fenotípicas de soja a partir dos seguintes índices de vegetação: Índice de vegetação de Diferença Normalizada (NDVI), Índice de Vegetação Ajustado ao Solo (SAVI), Índice de Vegetação Ajustado ao Solo Modificado (MSAVI), Índice de vegetação de Diferença Normalizada Verde (GNVDI), Índice de Vegetação Aprimorado (EVI), Índice de Diferença Normalizada de Borda Vermelha (NDRE) e Índice Simplificado de Conteúdo de Clorofila do Dossel (SCCCI). Além disso, busca-se investigar o impacto dos parâmetros das redes neurais no desempenho de um PMC e como esses parâmetros influenciam sua eficácia na predição de características fenotípicas de soja. Constatou- se que, para os modelos de PMC, conforme a quantidade de neurônios aumentava até 10, e o número de folds na validação cruzada aumentava até 15, os modelos apresentavam resultados progressivamente melhores. Por outro lado, o aumento do número de épocas resultava em um aumento nos valores de R² dos modelos, alcançando um limite de 30000, após o qual os resultados começavam a diminuir. Ademais, o acréscimo no número de camadas ocultas ocasionava uma redução nos valores dos coeficientes de determinação, indicando que o melhor número de camadas foi um. Além disso, houve destaque na predição das variáveis AIV e AP, especialmente em relação aos modelos de Random Forest avaliados. Palavras-chave: Predição; Aprendizado de Máquina; Índices de Vegetação; Glycine max (L).