Avaliação e seleção de porta-enxertos de videira (Vitis spp.) tolerantes ao déficit hídrico através de aprendizagem de máquina.
Os programas de melhoramento genético de plantas buscam selecionar genótipos superiores, para atender as necessidades do homem, no aumento da produtividade, na stabilidade e qualidade das espécies de importância econômica, assim como na redução dos impactos ambientais e nos custos de produção. Dessa forma, a videira (Vitis spp.) é considerada uma fruteira perene de grande importância econômica, social e alimentar. Porém face às mudanças climáticas e a limitação de recursos hídricos, tem havido um crescente investimento no desenvolvimento e uso de porta enxertos tolerantes ao déficit hídrico. No entanto, a obtenção de novas cultivares, tolerantes ao déficit hídrico, trata-se de um processo demorado e difícil por ser uma característica poligênica. Por conta disto, o uso de novas ferramentas, tais como o uso algoritmos de aprendizado de máquina podem facilitar identificação e obtenção de novas cultivares tolerantes ao déficit hídrico, devido a capacidade de gerenciar grandes quantidades de dados e identificar padrões relevantes. Neste sentido, o objetivo deste trabalho foi de avaliar a divergência genética de 45 cultivares de porta enxertos de videira, assim como, de predizer classes de tolerância ao déficit hídrico nas três cultivares brasileiras IAC313, IAC572 e IAC766, cuja a informação na literatura é desconhecida, através de algoritmos de aprendizagem de máquina. Como método para análise de divergência genética, foram empregados algoritmos de agrupamento K-means e a Análise de Componentes Principais. A partir dos resultados obtidos na análise de divergência genética para as características avaliadas, foram formados cinco grupos heteróticos e identificados 37 opções de cruzamentos viáveis, indicando existir divergência entre as cultivares. Para a predição de classes de tolerância ao déficit hídrico, foi comparado o desempenho de seis algoritmos distintos, como o Decision Tree, Random Forest, K-Nearest Neighbors, XGBoost, Support Vector Machines e Linear Discriminant Analysis. E em seguida através do algoritmo com melhor desempenho, predizer o grau de tolerância ao déficit hídrico das três cultivares brasileiras. Os resultados indicaram o Random Forest como melhor algoritmo e pode-se predizer que as cultivares IAC 313 e IAC 766 apresentam alta tolerância ao déficit hídrico e o IAC 572 baixa tolerância. Neste sentido, o uso algoritmos de aprendizado de máquina em nosso trabalho, possibilitaram alcançar resultados de fácil entendimento, mostrando-se como mais uma opção de ferramenta acessível e útil ao melhorista, para a identificação de melhores cruzamentos para uma característica específica e predição de classes.
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Teses biblioteca |
| Language: | Portugues pt_BR |
| Published: |
2021-10-12
|
| Subjects: | Algoritmo supervisionado, Algoritmo não supervisionado, Inteligência artificial, Custos de produção, Divergência genética, Uva, Porta Enxerto, Mudança Climática, Melhoramento Vegetal, Impacto Ambiental, Impacto Econômico, Grapes, Plant breeding, Vitis, Artificial intelligence, Algorithms, |
| Online Access: | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135247 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|