Publicação: Qualidade de fibra do algodoeiro: Integração entre inteligência artificial e fenotipagem digital
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::FITOTECNIA::MELHORAMENTO VEGETAL
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O melhoramento genético do algodão (Gossypium hirsutum L.) é fundamental para aprimorar a qualidade e a produtividade da principal fibra têxtil do mundo, especialmente diante de desafios como as mudanças climáticas e o aumento da demanda. A integração de tecnologias avançadas, como a inteligência artificial (IA) e a fenotipagem digital, está revolucionando esse processo. Este trabalho teve como objetivo principal demonstrar o potencial de duas abordagens inovadoras para a caracterização da qualidade da fibra de algodão. Primeiramente, explorou-se o uso de modelos de machine learning para predizer características da fibra a partir de variáveis climáticas. O modelo Random Forest demonstrou maior acurácia, com a precipitação e a temperatura mínima em meses específicos sendo as variáveis mais influentes. Concluiu-se que, apesar do potencial, a inclusão de dados de manejo pode aumentar significativamente a acurácia dos modelos, tornando-os mais robustos. Em seguida, avaliou-se a fenotipagem digital baseada em imagens para quantificar a intensidade da coloração da fibra. A análise de imagens permitiu a distinção de genótipos pela saturação da cor. Verificou-se que o terço superior da planta produziu fibras com menor intensidade de coloração. Além disso, índices derivados da análise de imagens, como o BI (índice de brilho) mostraram correlação positiva com importantes características da fibra, como uniformidade, resistência e comprimento. Em suma, a pesquisa destaca o valor da integração de métodos preditivos e ferramentas de fenotipagem digital para acelerar o melhoramento genético do algodão, fornecendo informações precisas e eficientes para a tomada de decisões.
Abstract
The genetic breeding of cotton (Gossypium hirsutum L.) is fundamental for improving the quality and productivity of the world's leading textile fiber, especially in the face of challenges like climate change and increasing demand. The integration of advanced technologies, such as artificial intelligence (AI) and digital phenotyping, is revolutionizing this process by optimizing the selection of desirable traits. This study aimed to demonstrate the potential of two innovative approaches for characterizing cotton fiber quality. First, we explored the use of machine learning models to predict fiber characteristics (such as micronaire, strength, and uniformity) from climatic variables. The Random Forest model showed higher accuracy, with precipitation and minimum temperature in specific months being the most influential variables. We concluded that, despite their potential, including management data could significantly increase the accuracy of the models, making them more robust. Next, we evaluated digital phenotyping based on images to quantify the intensity of fiber coloration. Image analysis allowed for the distinction of genotypes by color saturation. We found that the upper third of the plant produced fibers with lower color intensity. Furthermore, indices derived from image analysis (such as the BI index) showed a positive correlation with important fiber characteristics like uniformity, strength, and length. In summary, this research highlights the value of integrating predictive methods and digital phenotyping tools to accelerate cotton genetic breeding, providing precise and efficient information for decision-making.
Palavras-chave
Gossypium hirsutum L, Fenotipagem digital, Machine learning, Melhoramento genético, Digital phenotyping, Genetic breeding
Citação
MEDEIROS, Luiza Amaral. Qualidade de fibra do algodoeiro: integração entre inteligência artificial e fenotipagem digital. 2025. 91f. Tese (Doutorado em Agronomia) - Universidade Federal de Uberlândia, Uberlândia, 2025. http://doi.org/10.14393/ufu.te.2025.5061.