Aplicação de técnicas estatísticas e do sensoriamento remoto no melhoramento genético do tomateiro para produtividade, qualidade e resistência à requeima

Abstract

A produção vegetal sustenta o estilo de vida das sociedades fornecendo alimentos, fibras e energia. A agricultura deve atender à crescente demanda por esses produtos, superando os desafios do clima que se impõe. O melhoramento genético vegetal é uma ciência motora da evolução da agricultura, desenvolvendo cultivares mais produtivas e adaptadas a diferentes ambientes. Muitas técnicas podem ser utilizadas na avaliação e seleção de genótipos superiores, visando alcançar objetivos diversos. O tomate é um alimento muito apreciado no mundo, e deve ser melhorado geneticamente para obter melhor performance agronômica. Um dos objetivos do melhoramento do tomateiro é obter cultivares produtivas e com qualidade do fruto. Assim, o primeiro capítulo desse trabalho visou selecionar genótipos superiores com maior produtividade e qualidade do fruto utilizando a técnica de seleção para múltiplas características através do índice de seleção FAI- BLUP. Para melhorar a acurácia seletiva, utilizou-se a técnica de modelagem da dependência espacial de experimentos de campo para selecionar o modelo de melhor ajuste para predizer os valores genotípicos para cada característica. Considerou-se três modelos de ajuste: o modelo 1 foi o modelo tradicional de análise de experimentos no delineamento de blocos casualizados, que presume independência espacial para os efeitos residuais; o modelo 2 considerou as correlações autorregressivas de primeira ordem (AR1) nas direções de linha e coluna conforme o posicionamento das parcelas experimentais no campo; e o modelo 3 que além de considerar as correlações AR1 em ambas as direções, considerou também a variação adicional independente entre parcelas (efeito nugget). Procedeu-se a seleção do modelo de melhor ajuste para cada característica pelos critérios de AIC, BIC e acurácia. Implementou-se o índice FAI-BLUP em dois cenários: modelando a dependência espacial (Cenário I) e sem a modelagem dessa dependência (Cenário II). O Cenário I foi o mais adequado para se obter ganhos genéticos conforme esperado, em direção ao ideótipo delineado. Além de obter cultivares produtivas e com qualidade do fruto, estas devem ser resistentes as principais pragas e doenças do tomateiro. Assim, o segundo capítulo desse trabalho buscou utilizar técnicas de sensoriamento remoto para avaliar genótipos de tomate em campo quanto a severidade da requeima, uma das principais doenças dessa cultura. Imagens multiespectrais do campo experimental foram obtidas com a câmera MicaSense RedEdge-MX a bordo do drone DJI, Matrice 100. As imagens foram processadas para extrair os dados das bandas espectrais e calcular os índices de vegetação. Estes índices foram utilizados para treinar modelos preditivos de aprendizado de máquinas de modo supervisionado, utilizando o algoritmo Random Forest. Duas metodologias foram consideradas: o Método 1 utilizou os índices de vegetação calculados a partir de uma única imagem obtida no último dia de avaliação; o Método 2 utilizou os índices de vegetação calculados a partir de quatro imagens obtidas em distintos dias de avaliação. Os modelos treinados com o Método 2 tiveram melhor desempenho preditivo. Os genótipos avaliados tiveram a severidade da requeima predita pelo melhor modelo selecionado após seu treinamento. As testemunhas resistentes e suscetível foram adequadamente classificadas pela severidade predita, possibilitando a seleção de genótipos de tomateiro resistentes a requeima. Palavras-chave: Solanum lycopersicum; acurácia seletiva; análise espacial; índice FAI-BLUP; imagem multiespectral; aprendizado de máquinas.

Plant production sustains society's lifestyle by providing food, fiber, and energy. Agriculture must meet the growing demand for these products while overcoming the challenges of climate change. Plant breeding is a science driving the evolution of agriculture, developing more productive cultivars adapted to different environments. Many techniques can be used to evaluate and select superior genotypes to achieve various objectives. Tomatoes are a highly valued food worldwide and must be genetically improved to achieve better agronomic performance. One of the objectives of tomato breeding is to obtain productive cultivars with high fruit quality. Therefore, the first chapter of this work aimed to select superior genotypes with higher productivity and fruit quality using the multi-trait selection technique using the FAI- BLUP selection index. To improve selective accuracy, we used the spatial dependence modeling technique for field experiments to select the best-fitting model for predicting genotypic values for each trait. Three adjustment models were considered: Model 1 was the traditional model for analyzing experiments in a randomized block design, which assumes spatial independence for residual effects; Model 2 considered first-order autoregressive correlations (AR1) in the row and column directions according to the positioning of the experimental plots in the field; and Model 3, which, in addition to considering AR1 correlations in both directions, also considered the additional independent variation between plots (the nugget effect). The best-fitting model for each trait was selected using AIC, BIC, and accuracy criteria. The FAI-BLUP index was implemented in two scenarios: modeling spatial dependence (Scenario I) and without modeling this dependence (Scenario II). Scenario I was the most appropriate for obtaining genetic gains as expected, toward the delineated ideotype. In addition to obtaining productive cultivars with fruit quality, these cultivars must be resistant to the main tomato pests and diseases. Thus, the second chapter of this work sought to use remote sensing techniques to assess tomato genotypes in the field for the severity of late blight, one of the main diseases of this crop. Multispectral images of the experimental field were obtained with the MicaSense RedEdge-MX camera onboard the DJI Matrice 100 drone. The images were processed to extract spectral band data and calculate vegetation indices. These indices were used to train supervised machine learning predictive models using the Random Forest algorithm. Two methodologies were considered: Method 1 used vegetation indices calculated from a single image acquired on the last day of evaluation; Method 2 used vegetation indices calculated from four images acquired on different evaluation days. The models trained with Method 2 had better predictive performance. The genotypes evaluated had their late blight severity predicted by the best model selected after training. The resistant and susceptible controls were adequately classified by predicted severity, enabling the selection of tomato genotypes resistant to late blight. Keywords: Solanum lycopersicum; selective accuracy; spatial analysis; FAI-BLUP index; multispectral imaging; machine learning.