Seleção precoce de cruzamentos de eucalipto tolerantes à seca e produtivos utilizando inteligência artificial

Abstract

A ocorrência cada vez mais frequente de episódios de seca severa e prolongada tem levado as empresas do setor florestal a buscar o desenvolvimento de materiais genéticos tolerantes à seca e com alta produtividade. Para isso, o setor tem utilizado o melhoramento genético florestal. Contudo, no âmbito florestal, o processo de melhoramento para obtenção dos genótipos desejados é mais demorado em comparação com o das culturas agrícolas. Este trabalho de pesquisa teve como objetivo reduzir o tempo necessário para a seleção desses materiais, aplicando técnicas de inteligência artificial (IA) para a classificação precoce de cruzamentos de eucalipto quanto à tolerância à seca e produtividade. Coletamos dados de campo de diferentes cruzamentos de eucaliptos em fases iniciais de desenvolvimento, obtidos por meio de um teste de progênies. Os dados incluíram a Área Foliar Específica, o Potencial Hídrico Foliar, a Área Foliar, a Largura e o Comprimento Foliar, o Incremento Médio Anual Volumétrico e imagens das folhas ao longo de 42 meses. Utilizamos esses dados como entrada nos modelos de IA para prever o comportamento dos materiais genéticos em relação à tolerância à seca e produtividade. Testamos dois grupos de modelos: os clássicos (Floresta Aleatória, Redes Neurais Artificiais, Máquina de Vetores de Suporte e XGBoost) e as redes neurais convolucionais (MobileNetV2, ResNet50 e Xception). Para os dados analisados, observamos que os modelos de redes neurais convolucionais são promissores, com o modelo Xception alcançando uma acurácia de teste de 72%. Esse resultado é importante, pois destaca a IA como uma ferramenta útil no processo de seleção precoce nos programas de melhoramento, além de demonstrar sua aplicação na previsão do comportamento de genótipos, utilizando características funcionais das folhas, que são obtidas de maneira mais rápida e simples. Palavras-chave: Tolerância à seca em eucalipto; Aprendizado de Máquina; Inteligência Artificial;

The increasingly frequent occurrence of severe and prolonged drought episodes has led companies in the forestry sector to seek the development of drought-tolerant and highly productive genetic materials. For this purpose, the forestry sector has employed forest genetic improvement. However, in the forestry field, the improvement process to obtain desired genotypes is more time-consuming compared to agricultural crops. This research aimed to reduce the time required for selecting these materials by applying artificial intelligence (AI) techniques for early classification of eucalyptus crosses regarding drought tolerance and productivity. We gathered field data from different eucalyptus crosses in early development stages, obtained through a progeny test. The data included Specific Leaf Area, Leaf Water Potential, Leaf Area, Leaf Width and Length, Annual Volumetric Mean Increment, and leaf images over 42 months. We utilized this data as input for AI models to predict the behavior of genetic materials concerning drought tolerance and productivity. We tested two groups of models: classic ones (Random Forest, Artificial Neural Networks, Support Vector Machine, and XGBoost) and convolutional neural networks (MobileNetV2, ResNet50, and Xception). For the analyzed data, we observed promising results in convolutional neural network models, with the Xception model achieving a test accuracy of 72%. This outcome is significant as it underscores AI as a useful tool in the early selection process within improvement programs, demonstrating its application in predicting genotype behavior using functional leaf traits obtained more quickly and simply. Keywords: Drought Tolerance in Eucalyptus; Machine Learning; Artificial intelligence;