Inteligência Artificial no Melhoramento Vegetal

Prévia do material em texto

BRUNA STEPHANI DE PAULA 
MARCELO ARAÚJO JUNQUEIRA FERRAZ 
 
 
 
 
 
 
 
 
 
 
 
 
 
INTELIGÊNCIA ARTIFICIAL APLICADA AO MELHORAMENTO 
VEGETAL 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
LAVRAS
MG 2024 
 
 
 
 
 
BRUNA STEPHANI DE PAULA 
MARCELO ARAÚJO JUNQUEIRA FERRAZ 
 
 
 
 
 
 
 
 
 
 
 
 
 
INTELIGÊNCIA ARTIFICIAL APLICADA AO MELHORAMENTO VEGETAL 
 
 
 
 
 
 
Trabalho apresentado à Universidade Federal 
de Lavras, como parte das exigências da 
Disciplina de Fenômica de Pós Graduação 
em Genética e Melhoramento de Plantas. 
 
 
 
 
 
 
 
 
 
LAVRAS
MG 2024 
 
Sumário 
 
1. Introdução.................................................................................................................. 4 
2. Algoritmos de aprendizado de máquina e aprendizado profundo ............................. 6 
3. Inteligência Artificial na Agricultura ........................................................................ 9 
4. Inteligência Artificial no Melhoramento de Plantas ............................................... 10 
5. Fenotipagem de alto rendimento assistida por inteligência artificial ...................... 12 
Referências ..................................................................................................................... 13 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Resumo 
Avanços em tecnologias de geração de imagens automatizadas e de alto rendimento 
resultaram em uma enxurrada de imagens de alta resolução e dados de sensores de plantas. 
No entanto, extrair padrões e características desse grande corpus de dados requer o uso 
de ferramentas de inteligência artificial (IA) para permitir a assimilação de dados e a 
identificação de características para fenotipagem. Aproveitar tecnologias de ponta para 
aumentar a produtividade das culturas é uma meta fundamental no melhoramento 
moderno de plantas. Em várias facetas do melhoramento, as ferramentas de IA 
simplificam a coleta de dados, análise da variabilidade genética dentro de bancos de 
germoplasma, automatização das etapas no monitoramento e redução da lacuna genótipo-
fenótipo para o progresso no melhoramento vegetal. Isso auxiliará o desenvolvimento de 
cultivares adaptadas aos ambientes futuros projetados. Além disso, as ferramentas de IA 
também podem contribuir com o refinamento das características agronômicas, 
melhorando a precisão dos experimentos e analisando os efeitos potenciais das variantes 
genéticas nos fenótipos das plantas. Alavancar o melhoramento de precisão habilitado por 
IA pode aumentar a eficiência dos programas de melhoramento e promete otimizar os 
sistemas de cultivo. 
 
1. Introdução 
A inteligência artificial (IA) começou na década de 1950 como uma investigação 
sobre a natureza da inteligência humana, utilizando computadores como uma ferramenta 
para simular e demonstrar inteligência, para proporcionar um meio de investiga-la com o 
máximo de detalhes (Simon, 1995). A partir disso a IA cresceu e atualmente é um ramo 
da ciência da computação que se refere à capacidade de replicar a inteligência humana 
em máquinas por meio do emprego de algoritmos de aprendizado de máquina e profundo, 
que se assemelham à processos cognitivos e neurobiologia humana, incluindo 
aprendizagem e resolução de problemas (Oliveira e Silva, 2023). 
Neste sentido a IA vem revolucionando a indústria e está presente em várias áreas 
executando tarefas como diagnósticos precisos na área da saúde, identificando fraudes 
em banco e “bots” de conversação no atendimento ao cliente (Muthukrishnan et al., 
2020). As tecnologias IoT, big data e computação em nuvem serviram de suporte para a 
implementação de técnicas de IA, como a visão computacional, aprendizado de máquina 
e profundo, processamento de imagens e outros métodos de ponta para enfrentar os 
desafios agrícolas. Estas tecnologias de IA podem agora ajudar os agricultores na 
monitorização em tempo real de vários itens obtidos nas suas explorações, como o clima, 
a temperatura, a utilização da água ou as condições do solo, para informar melhor as suas 
decisões (Javaid et al., 2023). 
A inteligência artificial possui várias subáreas, dentre elas destaca-se o 
aprendizado de máquina que se fundamenta no reconhecimento de padrões e na 
exploração da relação existente entre um conjunto de dados (Rebala; Ravi; Churiwala, 
2019). E pode apresentar duas principais categorias, o aprendizado supervisionado e não 
supervisionado (Quadro 1). 
 
Quadro 1 – Descrição do aprendizado de máquina supervisionado e não supervisionado. 
Aprendizado supervisionado Aprendizado não supervisionado 
No aprendizado supervisionado, 
os algoritmos usam conjuntos de dados, 
nos quais tanto a entrada quanto a saída 
desejada estão disponíveis. Portanto, esse 
tipo de algoritmo só pode ser empregado 
em cenários em que dados rotulados 
suficientes estejam disponíveis para serem 
explorados. 
Os algoritmos de aprendizado não 
supervisionado também exigem que os 
dados estejam disponíveis para 
treinamento, que, no entanto, não incluem 
saída rotulada. Portanto, nesse tipo de 
aprendizado, o agrupamento ou 
descoberta de padrões é realizado nos 
dados disponíveis. 
Fonte: Shah; Patel; Bharti (2020). 
 
No aprendizado de máquina, duas abordagens superam os algoritmos tradicionais: 
aprendizado conjunto e aprendizado profundo. O primeiro refere-se a métodos que 
integram vários modelos básicos na mesma estrutura para obter um modelo mais forte 
que os supere. Por outro lado, os modelos baseados em aprendizagem profunda 
melhoraram a precisão preditiva da aprendizagem automática numa vasta gama de 
domínios. Apesar da diversidade de arquiteturas de aprendizado profundo e de sua 
capacidade de lidar com problemas complexos e de extrair recursos automaticamente, o 
principal desafio é o processo de treinamento de modelos que requer um esforço enorme 
para ajuste de hiperparâmetros ideais por meio de testes extensivos. Além disso, treinar 
redes neurais profundas mais complexas aumenta a chance de overfitting (Mohammed e 
Kora, 2023). 
As técnicas de aprendizagem profunda podem escalar e lidar com problemas 
complexos e oferecer uma extração automática de recursos de dados não estruturados 
(Kamilaris e Prenafeta-Boldu, 2018). Além disso, os métodos de aprendizagem profunda 
contêm vários tipos de arquiteturas de rede para diferentes tarefas, como redes neurais 
feed forward (Bebis e Georgiopoulos, 1994), redes neurais convolucionais (Collobert e 
Weston, 2008), redes neurais recorrentes (Yu et al., 2019). 
Nos últimos anos, as arquiteturas de aprendizagem profunda têm demonstrado 
grande sucesso em quase todos os desafios relacionados ao aprendizado de máquina em 
diferentes áreas, como visão computacional, reconhecimento facial, detecção de objetos, 
classificação de imagens e processamento de linguagem natural (Mohammed e Kora, 
2023). Modelos de redes neurais profundas são métodos não lineares que aprendem por 
meio de um algoritmo de treinamento estocástico. Isso significa que é altamente flexível, 
capaz de aprender as relações complexas entre variáveis e aproximar qualquer função de 
mapeamento (Coulibaly et al., 2022). 
A detecção de objetos é um método de visão computacional que envolve a 
identificação e localização de objetos em imagens ou vídeos. O objetivo principal é 
detectar com precisão a existência, localização e dimensões dos objetos em uma imagem 
ou vídeo e rotulá-los com um rótulo de classe apropriado. Os modelos de detecção de 
objetos utilizam uma variedade de algoritmos e arquiteturas de aprendizagem profunda 
para detectar e classificar objetos em cenários do mundo real (Sirisha et al., 2023). 
Esses modelos utilizam múltiplas camadas de unidades de processamento para 
extrair recursos complexos dos dados de entrada, o que os torna eficientes para tarefas de 
detecçãode objetos. Treinar um modelo de aprendizado profundo para detecção de 
objetos envolve fornecer ao modelo um grande conjunto de dados de imagens ou vídeos 
rotulados, com cada objeto rotulado por classe e coordenadas de caixa delimitadora 
(Sirisha et al., 2023). 
Os recentes avanços nas tecnologias de comunicação com o surgimento de objetos 
conectados mudaram a área agrícola. Nesta nova era digital, o desenvolvimento da 
inteligência artificial, particularmente da aprendizagem profunda, tem permitido acelerar 
e melhorar o processamento dos dados recolhidos. 
 
2. Algoritmos de aprendizado de máquina e aprendizado profundo 
Os algoritmos não paramétricos de aprendizado de máquina são utilizados em 
vários estudos para modelar classes complexas por meio de variáveis preditoras derivadas 
de séries temporais de dados de sensoriamento remoto, os quais produzem maior precisão 
em comparação com classificadores paramétricos tradicionais (Li et al., 2021), dentre 
esses algorotimos podemos citar: Random Forest, Support Vector Machine, 
eXtremeGradient Boosting e Redes neurais artificiais (RNAs). 
O algoritmo Random Forest, foi proposto por Breiman (2001) e é baseado em 
árvores de decisão com uma abordagem iterativa de regras, sua saída é determinada pela 
votação da maioria das árvores garantindo uma convergência na classificação, utiliza um 
conjunto de árvores para minimizar o sobreajuste, e fornece a análise importância das 
variáveis. Além disso, requer pouca ou rara intervenção manual, simplificando o processo 
(Hatwell et al., 2020). Quando comparados com técnicas de regressão como a tradicional 
regressão linear são modelos mais precisos e destinados a solucionar problemas com 
interações complexas como estimar parâmetros agronômicos importantes em uma 
variedade de culturas (Feng et al., 2020; Garcia et al., 2020; Luo et al., 2021; Rodriguez-
Puerta et al., 2020). Por esses motivos, este algoritmo vem sendo amplamente utilizado 
para classificação com dados de sensoriamento remoto e resulta em altas acurácias para 
classificação. 
O Support Vector Machine, proposto por Cortes e Vapnik (1995), é um algoritmo 
não paramétrico supervisionado que encontra hiperplanos no espaço dos recursos 
multidimensionais para separar as classes.Possui uma capacidade de treinamento 
eficiente para banco de dados pequenos e fornece melhor precisão na classificação em 
comparação com métodos paramétricos convencionais como Maximum Likelihood 
Estimation (Khatami et al., 2016), entetanto possui algumas limitações em relação a 
seleção de parâmetros, tempo de treinamento para conjunto de dados grandes e não 
balanceado. 
Outro importante algoritmo é o eXtreme Gradient Boosting proposto em 2016 
pelos pesquisadores por Chen e Guestrin. Esse algoritmo é considerado um avançado 
método de classificação, combinando vários conjuntos de árvores de decisão que atuam 
em comparação a fim de otimizar o aprendizado. Este algoritmo apresenta árvores mais 
eficientes, minimixa erros e por isso, é considerado robusto ao ruído e desequilibrio de 
classe, em comparação ao Random Forest (Zhang et al., 2019). 
 As RNAs são modelos que funcionam como uma uma rede de neurônios 
biológicos, capazes de processar uma grande quantidade de dados utilizando aprendizado 
autônomo (Haykin, 2009). Comparadas com abordagens estatísticas, este algoritmo têm 
a vantagem de não requererem pressupostos prévios sobre o modelo, o que permite sua 
adaptação aos mais diversos problemas (Rosado et al., 2022). Por esta razão os modelos 
de redes neurais artificiais vendo sendo utilizadas em programas de melhoramento 
genético de plantas para prever os valores genéticos (Rosado et al., 2020). 
Nos últimos anos, as Redes Neurais Convolucionais (CNNs) mostraram utilidade 
em uma grande variedade de aplicações de processamento de linguagem natural e visão 
computacional, incluindo segmentação e classificação de imagens, e muitas vezes 
superaram técnicas de última geração. O HTP depende fortemente da fenotipagem não 
destrutiva baseada em imagens (Choudhury et al. 2019). 
CNN pode ser considerado o melhor modelo de última geração para tarefas de 
classificação (Lecun et al. 2015). Ele pode atingir maior precisão mesmo em conjuntos 
de dados menores. Isso se deve ao fato de que ele é capaz de extração automática de 
características relevantes por operação de convolução após o treinamento em vez de 
características artesanais. A tarefa de classificação de imagem na fenotipagem de plantas 
varia de classificação de características (aresta, pontas de raiz, ponta de folha, espiga), 
detecção de estágio de crescimento, classificação de genótipo até classificação de várias 
doenças. 
Características determinantes de rendimento da cultura que são localizadas na 
natureza incluem número de espigas, espiguetas, número de espigas e frutos são de 
importância central para a tarefa de fenotipagem. A localização de características de 
órgãos vegetais específicos pode ser alcançada por técnicas de visão computacional e 
processamento de imagem que lidam com a detecção de instâncias de objetos semânticos 
alvo, prevendo coordenadas ou regiões de objetos de interesse com base em conjunto de 
dados de treinamento anotados (Arya et al., 2022). Algoritmos populares de localização 
de características são you-only-look-once (YOLO) (Redmon et al., 2016), detector de 
disparo único (SSD) (Liu et al. 2016), convolucionais baseadas em regiões (R-CNN) 
(Girshick et al., 2014) e Faster R-CNN que é um aprimoramento sobre a R-CNN que 
substitui o método de busca seletiva por uma rede para a geração de propostas de regiões 
(Ren et al., 2017). 
A família YOLO e a estrutura SSD são modelos de um estágio, o que os torna 
mais rápidos, mas com uma desvantagem adicional de que sofrem com desequilíbrios 
extremos no número de objetos detectados, bem como muitas vezes evitam a detecção de 
pequenos objetos-alvo. No entanto, as redes do tipo codificador-decodificador CNN (R-
CNN) baseadas em região usam camadas de proposta de região que produzem várias 
regiões que são submetidas à classificação para detecção de instância, resultando em alta 
precisão (Zhang et al., 2018). 
No entanto, o R-CNN tem requisitos de tempo de treinamento e inferência 
relativamente maiores devido ao processo de propor e classificar milhares de regiões por 
imagem, o que envolveu várias convoluções. Essa desvantagem foi superada com o 
desenvolvimento do Faster-RCNN (F-RCNN), que faz apenas uma convolução para 
proposta de região, tornando-o mais rápido e adequado para aplicação em tempo real, 
mantendo maior precisão de localização (Gao et al., 2020). 
 
3. Inteligência Artificial na Agricultura 
Na agricultura, os veículos aéreos não tripulados (UAVs) podem coletar uma 
quantidade enorme e complexa de dados integrado ao uso de ferramentas de análise de 
big data e computação em nuvem pode ser utilizado para aumentar a eficiência do 
processamento de dados, fornecer segurança e escalabilidade de dados e reduzir custos. 
As técnicas de aprendizado de máquina, baseadas em RNA e de aprendizado profundo 
têm um futuro promissor na previsão de safras devido à quantidade de dados de fontes 
variadas (Bali e Singla, 2021). 
Dados de plataformas de sensoriamento remoto podem ser coletados para auxiliar no 
cultivo. As informações recolhidas podem então ser examinadas através da IA na 
agricultura, permitindo aos agricultores tomar decisões mais informadas (Javaid et al., 
2023). Os algoritmos fazem o reconhecimento de padrões utilizando dados de atributos 
morfológicos da cultura do milho, podendo realizar a classificação automática de grãos, 
produtividade de grãos, identificação de pragas e doenças, reconhecimento de 
deficiências nutricionais e o desenvolvimento de mapas de manejo na lavoura (Pinto et 
al., 2022). 
O desenvolvimento de modelos e a simulação dinâmica das características biofísicas 
dasculturas estão sendo amplamente aceitas para a pesquisa agrícola e acadêmica, 
justamente por ser uma forma contrária às abordagens puramente estatísticas. Dentre as 
vantagens da utilização de modelos, destacam-se a economia de tempo, trabalho e 
quantidade de recursos para o planejamento e tomada de decisões no setor agrícola (Yang 
et al., 2021). 
Na agricultura, o tradicional reconhecimento e identificação de problemas e 
principalmente de doenças é demorado e frequentemente apresentam observações 
ambíguas. As redes neurais utilizam visão computacional cujo objetivo principal é 
permitir que uma máquina analise, processe e compreenda uma ou várias imagens 
capturadas a partir de um sistema de aquisição de dados. 
Neste contexto, estudos demonstram o potencial de algoritmos baseados em 
aprendizado profundo para a contagem, localização ou reconhecimento automático de 
objetos como um sistema de detecção de plantas daninhas (Ruigrok et al., 2020), uso de 
rede neural convolucional para identificação de doenças a partir de imagens aéreas (Chin; 
Catal; Kassahun, 2023), classificação de doenças foliares baseado em aprendizado 
profundo e fenotipagem de plantas (Pavithra; Kalpana; Vvigneswaran, 2023). 
 
4. Inteligência Artificial no Melhoramento de Plantas 
O melhoramento de plantas, é composto por pré melhoramento e melhoramento. No 
pré-melhoramento ocorre caracterização e conservação dos recursos genéticos e 
exploração da variabilidade disponível, e atualmente pode-se utilizar IA para predizer o 
desempenho de germoplasmas em diferentes em ambientes alvo, tendo em vista a grande 
quantidade de acessos disponíveis nos germoplasmas (Farooq et al., 2024). 
A etapa de melhoramento (hibridação) pode ser dividida em três fases: a inicial, que 
envolve a obtenção de população segregantes, a partir da escolha dos genitores e 
realização dos cruzamentos; a intermediária, onde ocorre o avanço das populações 
segregantes e seleção ao longo das gerações; e a fase final dedicada a avaliação e 
recomendação de cultivares, considerando a interação genótipos x ambientes, 
estratificação ambiental e análises de adaptabilidade e estabilidade. Esses processos 
frequentemente demandam altos investimentos financeiros e considerável esforço 
humano. No entanto, os programas de melhoramento têm avançado significativamente ao 
longo dos anos, impulsionados pelo desenvolvimento de novas técnicas de genotipagem, 
fenotipagem e biologia molecular. 
A adoção de fenotipagem de alto rendimento, genômica preditiva e modelagens de 
resposta ao ambiente pode contribuir significativamente para o sucesso dos programas de 
melhoramento. Uma vez que a eficiência no processo de seleção está associada aos 
ganhos genéticos obtidos para as variáveis de interesse, explorando-se a variabilidade 
genética das populações (Volpato, 2016). Essas técnicas permitem reduzir o tempo do 
programa, realizar avaliações em larga escala, diminuir a subjetividade e aumentar a 
acurácia dos dados. 
Nos últimos anos ocorreu um avanço acelerado de muitas áreas correlacionadas com 
o melhoramento genético de plantas, como fenômica, genômica, proteômica, 
metabolômica e transcriptômica, e assim introduzindo o melhoramento de plantas para a 
era da inteligência artificial, devido a sua capacidade de análise de grande volume de 
dados e reconhecimento de padrões. Neste contexto, quando essas tecnologias são 
utilizadas em conjunto elas podem acelerar o desenvolvimento de variedades de culturas 
com maior potencial de rendimento e estabilidade, resilientes ao clima, além de 
tolerância, resistência e resiliência a estresses abióticos e bióticos previstos e simultâneos. 
Sendo assim, tais abordagens permitem alcançar maiores ganhos em menos tempo 
(Harfouche et al., 2019), e desenvolver cultivares mais preparadas para enfrentar os 
desafios da segurança alimentar, mudanças climáticas e agricultura sustentável. 
A seleção genômica transformou o melhoramento de plantas ao possibilitar a predição 
dos valores genéticos a partir de dados genômicos, além disso ela aumenta a precisão da 
seleção, reduz os custos da validação experimental dos candidatos à seleção e diminui o 
tempo necessário para tomada de decisão de seleção (Crossa et al., 2024). No entanto, 
medir com precisão o valor genético a longo prazo ainda representa um desafio 
(Eftekhari; Ma; Orlov, 2024). A IA tem diversas aplicações na genômica vegetal, como 
a identificação de elementos regulatórios cis, genes codificadores de proteínas e 
interações entre proteínas. Além disso, é utilizada na predição de fenótipos de plantas, 
vias metabólicas e na predição genômica, por meio de ferramentas e algoritmos de 
aprendizado de máquina (Mahood; Kruse; Moghe, 2020). 
Estudos recentes indicam que, com dados genotípicos e fenotípicos suficientes, 
modelos de aprendizado de máquina podem identificar correlações entre genes e 
características, utilizando representações estruturadas de informações interconectadas 
que tornam os dados complexos mais fáceis de entender. Para uma população de 
melhoramento específica, os genes-alvo podem ser organizados em um painel, permitindo 
que os algoritmos de aprendizado de máquina aprendam o padrão ideal de combinações 
alélicas. Assim, o modelo auxilia na seleção de materiais com haplótipos desejados, 
promovendo a melhoria simultânea de diversas características (Cheng e Wang, 2024). 
Assim como a genômica, a fenômica também vem revolucionando o melhoramento 
de plantas, através das técnicas de fenotipagem de alto rendimento, as quais envolvem o 
uso de dados digitais adquiridos em condições de laboratório, casa de vegetação ou 
campo, neste sentido a IA utiliza as imagens digitais para identificar características 
específicas para reconhecer objetos, alvos, ou extrair resultados por meio da classificação 
de dados e prever tendências (Sun et al., 2024). 
O uso da fenotipagem de alto rendimento assistida por IA vem sendo utilizada com 
diferentes objetivos, como predição de biomassa e área foliar em trigo (Singh, et al., 
2023), classificação de acamamento em soja (Sarkar et al., 2023) ou classificação de 
doença foliar (Ullah et al., 2024). De maneira geral, as técnicas de IA, aprendizado de 
máquina e aprendizado profundo oferecem oportunidades inovadoras, que vão desde a 
análise de dados complexos das “ômicas” até a automação da avaliação de características 
fenotípicas e a detecção de doenças (Eftekhari; Ma; Orlov, 2024). 
 
5. Fenotipagem de alto rendimento assistida por inteligência artificial 
Atualmente, grande parte do que é considerado fenotipagem de alto rendimento é 
baseado em sensoriamento remoto. O sensoriamento remoto se refere à obtenção de 
informações à distância sobre a superfície terrestre, utilizando sensores embarcados em 
um UAV ou satélites. Os dados são obtidos por sensores capazes de mensurar a reflexão 
e emissão da energia eletromagnética, está baseada na interação da radiação 
eletromagnética incidente com diferentes alvos na superfície da terra (Queiroz et al., 
2020). Essas medidas são originadas do espectro refletido, que abrange a região do visível 
(0.4 – 0.7 µm), infravermelho próximo (0.7 – 1.3 µm) e infravermelho de ondas curtas 
(1.3 – 2.5 µm) (Queiroz et al., 2022). 
Os dispositivos mais utilizados englobam sensores de fluorescência, térmicos, 
multiespectrais, hiperespectrais e RGB (Araus e Cairns, 2018). A escolha do sensor 
depende do objetivo da sua utilização, dos recursos disponíveis e cada um possui 
vantagens e desvantagens específicas. 
As imagens RGB são amplamente empregadas para medir biomassa, crescimento de 
plantas e características morfológicas (Yang et al., 2014), além de serem as mais 
econômicas. No entanto, essas imagens têm bandas mais estáveis e menos informativas, 
não fornecendo informações fisiológicas, ao contrário das imagens fluorescentes, que têm 
a capacidade de refletir sinais fisiológicos,como a função fotossintética (Fichman et al., 
2019). Por outro lado, as imagens térmicas envolvem o processo de converter a radiação 
infravermelha (calor) em imagens visíveis, representando a distribuição das diferenças de 
temperatura (Havens e Sharp, 2016). Esse método permite obter diversas temperaturas da 
planta, porém é influenciado pelas condições ambientais. Já as imagens hiperespectrais, 
embora mais caras devido ao sensor, fornecem informações espectrais abundantes. 
Apesar das limitações no processamento devido ao tamanho dos arquivos de dados 
obtidos, essas imagens são amplamente utilizadas para identificação de doenças, estresse 
hídrico, entre outros (Mahlein et al., 2018). 
As diferentes respostas das plantas aos eventos fenológicos são identificadas através 
da reflectância eletromagnética e os índices de vegetação permitem essa avaliação. A 
correlação entre os índices de vegetação e os parâmetros agronômicos é positiva e, se 
houver correlação, é possível realizar a estimativa, principalmente da produtividade da 
cultura (Giondo et al., 2020). As características quantitativas das culturas variam 
espacialmente e temporalmente com o crescimento da vegetação, sendo importante a 
avaliação do ciclo. 
A partir das imagens coletadas, são extraídas informações de interesse, como altura 
de planta (Malambo et al., 2018), porcentagem de acamamento (Wilke et al., 2019) 
volume de dossel (Liu et al., 2024), data de maturação (Volpato et al., 2021) ou utilizar 
os índices de vegetação a fim de identificar alvos de interesse, como solo exposto 
(Louhaichi et al., 2001), ou incidência de doença no campo (Yu et al., 2021). 
A ampla variabilidade de imagens de plantas obtidas por sensores diversos, com 
diferentes objetivos, representa um desafio para a aplicação de técnicas específicas de 
aprendizado de máquina. Por esta razão, os fluxos de trabalho para identificação de 
características têm se tornado cada vez mais dependentes de ferramentas de aprendizado 
profundo (Farooq et al., 2024), neste sentido diversos algoritmos de aprendizado 
profundo têm sido utilizados para avaliar características essenciais de culturas. Como por 
exemplo detecção de doença (Mohanty; Hughes; Salathé, 2016; Ullah et al., 2023), 
reconhecimento de plântulas de diferentes variedades em trigo (Feng et al., 2024), 
avaliação de vitalidade de sementes de algodão (Li; Zhou; Zhang, 2023), avaliação de 
acamamento em trigo (Li et al., 2022). 
 
Referências 
 
ARAUS, J. L.; CAIRNS, J. E. Field high-throughput phenotyping: the new crop breeding 
frontier. Trends in Plant Science, v. 19, n. 1, p. 52–61, 2018. 
 
ARYA, S.; SANDHU, K. S.; SINGH, J.; KUMAR, S. Deep learning: as the new frontier 
in high-throughput plant phenotyping. Euphytica, v. 218, n. 4, 18 mar. 2022. Springer 
Science and Business Media LLC. http://dx.doi.org/10.1007/s10681-022-02992- 
 
BALI, N.; SINGLA, A. Emerging Trends in Machine Learning to Predict Crop Yield 
and Study Its Influential Factors: a survey. Archives Of Computational Methods In 
Engineering, v. 29, n. 1, p. 95-112, 28 mar. 2021. Springer Science and Business 
Media LLC. http://dx.doi.org/10.1007/s11831-021-09569-8. 
 
BEBIS, G.; GEORGIOPOULOS, M. Feed-forward neural networks. Ieee Potentials, v. 
13, n. 4, p. 27-31, out. 1994. Institute of Electrical and Electronics Engineers (IEEE). 
http://dx.doi.org/10.1109/45.329294. 
 
BREIMAN, L. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. 
 
CHEN, T.; GUESTRIN, C. Xgboost: A scalable tree boosting system. In: Proceedings 
http://dx.doi.org/10.1007/s10681-022-02992-
http://dx.doi.org/10.1109/45.329294
of the 22nd acm sigkdd international conference on knowledge discovery and data 
mining. p. 785-794. 2016. 
 
CHENG, Q.; WANG, X. Machine Learning for AI Breeding in Plants. Genomics, 
Proteomics & Bioinformatics, v. 22, n. 4, p. qzae051, ago. 2024. DOI: 
https://doi.org/10.1093/gpbjnl/qzae051 
 
CHIN, R.; CATAL, C.; KASSAHUN, A. Plant disease detection using drones in 
precision agriculture. Precision Agriculture, v. 24, n. 5, p. 1663-1682, 28 mar. 2023. 
Springer Science and Business Media LLC. http://dx.doi.org/10.1007/s11119-023-
10014-y. 
 
CHOUDHURY, S. das; SAMAL, A.; AWADA, T. Leveraging Image Analysis for 
High-Throughput Plant Phenotyping. Frontiers In Plant Science, v. 10, 24 abr. 2019. 
Frontiers Media SA. http://dx.doi.org/10.3389/fpls.2019.00508. 
 
COLLOBERT, R.; WESTON, J. A unified architecture for natural language processing. 
Proceedings Of The 25Th International Conference On Machine Learning - Icml 
'08, 2008. ACM Press. http://dx.doi.org/10.1145/1390156.1390177. 
 
COULIBALY, S.; KAMSU-FOGUEM, B.; KAMISSOKO, D.; TRAORE, D. Deep 
learning for precision agriculture: a bibliometric analysis. Intelligent Systems With 
Applications, v. 16, p. 200102, nov. 2022. Elsevier BV. 
http://dx.doi.org/10.1016/j.iswa.2022.200102. 
 
CORTES, C., VAPNIK, V. Support-vector networks. Machine Learning 20, 273–297 
(1995). DOI: https://doi.org/10.1007/BF00994018. 
 
CROSSA, J.; MONTESINOS-LOPEZ, O. A.; COSTA-NETO, G.; VITALE, P.; 
MARTINI, J. W. R.; RUNCIE, D.; FRITSCHE-NETO, R.; MONTESINOS-LOPEZ, 
A.; PÉREZ-RODRÍGUEZ, P.; GERARD, G.; DREISIGACKER, S.; CRESPO-
HERRERA, L.; SAINT PIERRE, C.; LILLEMO, M.; CUEVAS, J.; BENTLEY, A.; 
ORTIZ, R. Machine learning algorithms translate big data into predictive breeding 
accuracy. Trends in Plant Science, v. 29, n. 11, 2024. DOI: 
https://doi.org/10.1016/j.tplants.2024.09.011 
 
GIONGO, P. R.; ORLANDINI, J. D.; ARANTES, B. H. T.; GOMES, L. F.; MORAES, 
V. H.; COSTA, A. R. da; RIBON, A. A. Predição de dados agronômicos em goiabeiras 
e separação de alvos por meio de Veículo Aéreo Não Tripulado. Scientia Plena, v. 16, 
n. 4, 25 maio 2020. Associacao Sergipana de Ciencia. 
DOI:http://dx.doi.org/10.14808/sci.plena.2020.040202. 
 
EFTEKHARI, M.; MA, C.; ORLOV, Y. L. Editorial: Applications of artificial 
intelligence, machine learning, and deep learning in plant breeding. Frontiers in Plant 
Science, v. 15, 21 maio 2024. DOI: https://doi.org/10.3389/fpls.2024.1420938. 
 
FAROOQ, M. A.; GAO, S.; HASSAN, M. A.; PRASANNA, B.; LI, X.; LI, H. 
Artificial intelligence in plant breeding. Trends in Genetics, v. 40, n. 10, p. 891-908, 
2024. 
 
https://doi.org/10.1093/gpbjnl/qzae051
http://dx.doi.org/10.1007/s11119-023-10014-y
http://dx.doi.org/10.1007/s11119-023-10014-y
http://dx.doi.org/10.1016/j.iswa.2022.200102
https://doi.org/10.1007/BF00994018
https://doi.org/10.1016/j.tplants.2024.09.011
https://doi.org/10.3389/fpls.2024.1420938
FENG, L.; ZHANG, Z.; MA, Y.; DU, Q.; WILLIAMS, P.; DREWRY, J.; LUCK, B. 
Alfalfa Yield Prediction Using UAV-Based Hyperspectral Imagery and Ensemble 
Learning. Remote Sensing, v. 12, n. 12, p. 2028, 24 jun. 2020. MDPI AG. DOI: 
http://dx.doi.org/10.3390/rs12122028. 
 
FENG, Y.; LIU, C.; HAN, J.; LU, Q.; XING, X. Identification of wheat seedling 
varieties based on MssiapNet. Frontiers in Plant Science, v. 14, 17 jan. 2024. Seção: 
Technical Advances in Plant Science. DOI: https://doi.org/10.3389/fpls.2023.1335194. 
 
FICHMAN, Y., Miller, G., and Mittler, R. Whole-plant live imaging of reactive oxygen 
species. Mol. Plant 12:1203–1210, 2019 
 
GAO, F.; FU, L.; ZHANG, X.; MAJEED, Y.; LI, R.; KARKEE, M.; ZHANG, Q. 
Multi-class fruit-on-plant detection for apple in SNAP system using Faster R-CNN. 
Computers And Electronics In Agriculture, v. 176, p. 105634, set. 2020. Elsevier 
BV. http://dx.doi.org/10.1016/j.compag.2020.105634. 
 
GARCIA, E. M.; ALBERTI, M. G.; ÁLVAREZ, A. A. A. Measurement-While-Drilling 
Based Estimation of Dynamic Penetrometer Values Using Decision Trees and Random 
Forests. Applied Sciences, v. 12, n. 9, p. 4565, 30 abr. 2022. MDPI AG. DOI: 
http://dx.doi.org/10.3390/app12094565 
 
GIRSHICK, R.; DONAHUE, J.; DARRELL, T.; MALIK, J. 2014. R-CNN Rich feature 
hierarchies for accurate object detection and semantic segmentation.In: IEEE 
Conference on Computer Vision and Pattern Recognition. IEEE, pp 580–587. 
 
HARFOUCHE, A. L. et al. Accelerating Climate Resilient Plant Breeding by Applying 
Next-Generation Artificial Intelligence. Trends in Biotechnology, v. 37, n. 11, p. 1217-
1235, 2019. 
 
HAVENS, K. J.; SHARP, E. J. Thermal Imaging Techniques to Survey and Monitor 
Animals in the Wild: A Methodology. Imager Selection. p.121-141, 2016. 
 
HATWELL, J.; GABER, M.; AZAD, R. M. CHIRPS: Explaining random forest 
classification.Artificial Intelligence Review, v. 53, p. 5747-5788, 2020 
 
HAYKIN, S. Neural networks and learning machines. 3. ed. India: Pearson 
Education, 2009. 
 
JAVAID, M.; HALEEM, A.; KHAN, I. H.; SUMAN, R. Understanding the potential 
applications of Artificial Intelligence in Agriculture Sector. Advanced Agrochem, v. 2, 
n. 1, p. 15-30, mar. 2023. Elsevier BV. http://dx.doi.org/10.1016/j.aac.2022.10.001. 
 
KAMILARIS, A.; PRENAFETA-BOLDU, F. X. Deep learning in agriculture: a survey. 
Computers And Electronics In Agriculture, v. 147, p. 70-90, abr. 2018. Elsevier BV. 
http://dx.doi.org/10.1016/j.compag.2018.02.016. 
 
KHATAMI, R.; MOUNTRAKIS, G.; STEHMAN, S. V. A meta-analysis of remote 
sensing research on supervised pixel-based land-cover image classification processes: 
http://dx.doi.org/10.3390/rs12122028
https://doi.org/10.3389/fpls.2023.1335194
http://dx.doi.org/10.1016/j.compag.2018.02.016
General guidelines for practitioners and future research. Remote Sensing of 
Environment, v. 177, p. 89-100, 2016. 
 
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 
436-444, 27 maio 2015. Springer Science and Business Media LLC. 
http://dx.doi.org/10.1038/nature14539. 
 
LI, R. et al. Phenology-based classification of crop species and rotation types using 
fused MODIS and Landsat data: The comparison of a random-forest-based model and a 
decision-rule-based model. Soil and Tillage Research, v. 206, p. 104838, 2021. 
 
LI, Y.; YANG, B.; ZHOU, S.; CUI, Q. Identification lodging degree of wheat using 
point cloud data and convolutional neural network. Frontiers in Plant Science, v. 13, 
p. 968479, 2022. DOI: https://doi.org/10.3389/fpls.2022.968479. 
 
LI, Q.; ZHOU, W.; ZHANG, H. Integrating spectral and image information for 
prediction of cottonseed vitality. Frontiers in Plant Science, v. 14, 12 nov. 2023. 
Seção: Technical Advances in Plant Science. DOI: 
https://doi.org/10.3389/fpls.2023.1298483. 
 
LUO, S; LIU, W; ZHANG, Y; WANG, C; XI, X; NIE, S; MA, D; LIN, Y; ZHOU, G. 
Maize and soybean heights estimation from unmanned aerial vehicle (UAV) LiDAR 
data. Computers And Electronics In Agriculture, v. 182, p. 106005, mar. 2021. 
Elsevier BV. http://dx.doi.org/10.1016/j.compag.2021.106005. 
 
LOUHAICHI, M.; BORMAN, M. M.; JOHNSON, D. E. Spatially located platform and 
aerial photography for documentation of grazing impacts on wheat. Geocarto. 
International, v. 16, n. 1, p. 65–70, mar. 2001 
 
MAHLEIN, A. K. et al. Hyperspectral sensors and imaging technologies in 
phytopathology: state of the art. Annual Review of Phytopathology, v. 56, p. 535-558, 
2018. 
 
MAHOOD, E. H.; KRUSE, L.H.; MOGHE, G. D. Machine Learning: A Powerful Tool 
for Gene Function Prediction in Plants. Applied Plant Science, v. 8, e11376, 2020. 
 
MALAMBO, L.; POPESCU, S. C.; MURRAY, S. C.; PUTMAN, E.; PUGH, N. A.; 
HORNE, D. W.; RICHARDSON, G.; SHERIDAN, R.; ROONEY, W. L.; AVANT, R.; 
VIDRINE, M.; MCCUTCHEN, B.; BALTENSPERGER, D.; BISHOP, M. 
Multitemporal field-based plant height estimation using 3D point clouds generated from 
small unmanned aerial systems high-resolution imagery. International Journal of 
Applied Earth Observation and Geoinformation, v. 64, p. 31-42, feb. 2018. 
 
MOHAMMED, A.; KORA, R. A comprehensive review on ensemble deep learning: 
opportunities and challenges. Journal Of King Saud University - Computer And 
Information Sciences, v. 35, n. 2, p. 757-774, fev. 2023. Elsevier BV. 
http://dx.doi.org/10.1016/j.jksuci.2023.01.014. 
 
MOHANTY, S. P.; HUGHES, D. P.; SALATHÉ, M. Using deep learning for image-
based plant disease detection. Front. Plant Sci., v. 7, 2016. DOI: 
https://doi.org/10.3389/fpls.2022.968479
https://doi.org/10.3389/fpls.2023.1298483
http://dx.doi.org/10.1016/j.compag.2021.106005
http://dx.doi.org/10.1016/j.jksuci.2023.01.014
https://doi.org/10.3389/fpls.2016.01419. 
 
MUTHUKRISHNAN, N.; MALEKI, F.; OVENS, K.; REINHOLD, C.; FORGHANI, 
B.; FORGHANI, R. Brief History of Artificial Intelligence. Neuroimaging Clinics of 
North America, v. 30, p. 393-399, 2020. Disponível em: 
https://doi.org/10.1016/j.nic.2020.07.004. 
 
OLIVEIRA, R. C. de; SILVA, R. D. de S. e. Artificial Intelligence in Agriculture: 
benefits, challenges, and trends. Applied Sciences, v. 13, n. 13, p. 7405, 22 jun. 2023. 
MDPI AG. http://dx.doi.org/10.3390/app13137405 
 
PAVITHRA, A.; KALPANA, G.; VIGNESWARAN, T. Deep learning-based 
automated disease detection and classification model for precision agriculture. Soft 
Computing, 3 mar. 2023. Springer Science and Business Media LLC. 
http://dx.doi.org/10.1007/s00500-023-07936-0. 
 
PINTO, A. A.; ZERBATO, C.; ROLIM, G. de S.; BARBOSA JÚNIOR, M. R.; SILVA, 
L. F. V. da; OLIVEIRA, R. P. de. Corn grain yield forecasting by satellite remote 
sensing and machine‐learning models. Agronomy Journal, v. 114, n. 5, p. 2956-2968, 
3 ago. 2022. Wiley. http://dx.doi.org/10.1002/agj2.21141. 
 
QUEIROZ, D. M. de; COELHO, A. L. de Fr.; VALENTE, D. S. M.; SCHUELLER, J. 
K. Sensors Applied to Digital Agriculture: a review. Revista Ciência Agronômica, v. 
51, n. 5, 2020. GN1 Sistemas e Publicações Ltd. http://dx.doi.org/10.5935/1806-
6690.20200086. 
 
QUEIROZ, D. M. de; VALENTE, D. S. M.; PINTO, F. de A. de C.; BORÉM, A. 
Agricultura Digital. 2. ed. Viçosa: UFV, 2022. 224 p. 
 
REBALA, G.; RAVI, A.; CHURIWALA, S. Learning Models. An Introduction to 
Machine Learning, p. 19-23, 2019. 
 
REDMON, J.; DIVVALA, S.; GIRSHICK, R.; FARHADI, A. (2016). YOLO You Only 
Look Once: Unified, Real-Time Object Detection. In: 2016 IEEE Conference on 
Computer Vision and Pattern Recognition (CVPR). IEEE, pp 779–788. 
 
REN, Shaoqing; HE, Kaiming; GIRSHICK, Ross; SUN, Jian. Faster R-CNN: towards 
real-time object detection with region proposal networks. Ieee Transactions On 
Pattern Analysis And Machine Intelligence, v. 39, n. 6, p. 1137-1149, 1 jun. 2017. 
Institute of Electrical and Electronics Engineers (IEEE). 
http://dx.doi.org/10.1109/tpami.2016.2577031. 
 
 
RUIGROK, T.; VAN HENTEN, E.; BOOIJ, J.; VAN BOHEEMEN, K.; KOOTSTRA, 
G. Application-Specific Evaluation of a Weed-Detection Algorithm for Plant-Specific 
Spraying. Sensors, v. 20, n. 24, p. 7262, 18 dez. 2020. MDPI AG. 
http://dx.doi.org/10.3390/s20247262. 
 
RODRIGUEZ-PUERTA, F; PONCE, R. A; PÉREZ-RODRÍGUEZ, F; ÁGUEDA, B; 
MARTÍN-GARCÍA, S; MARTÍNEZ-RODRIGO, R; LIZARRALDE, I. Comparison of 
https://doi.org/10.3389/fpls.2016.01419
http://dx.doi.org/10.3390/app13137405
http://dx.doi.org/10.3390/s20247262
Machine Learning Algorithms for Wildland-Urban Interface Fuelbreak Planning 
Integrating ALS and UAV-Borne LiDAR Data and Multispectral Images. Drones, v. 4, 
n. 2, p. 21, 11 jun. 2020. MDPI AG. DOI: http://dx.doi.org/10.3390/drones4020021 
 
ROSADO, R. D. S.; CRUZ, C. D.; BARILI, L. D.; CARNEIRO, J. E. de S.; 
CARNEIRO, P. C.; CARNEIRO, V. Q.; SILVA, J. T. da; NASCIMENTO, M. 
Artificial Neural Networks in the Prediction of Genetic Merit to Flowering Traits in 
Bean Cultivars. Agriculture, v. 10, n. 12, p. 638, 2020. DOI: 
10.3390/agriculture10120638. 
 
ROSADO, R. D. S.; PENSO, G. A.; SERAFINI, G. A. D.; MAGALHÃES DOS 
SANTOS, C. E.; PICOLI, E. A. de T.; CRUZ, C. D.; BARRETO, C. A. V.; 
NASCIMENTO, M.; CECON, P. R. Artificial neural network as an alternative for 
peach fruit mass prediction by non-destructive method. Scientia Horticulturae, v. 299, 
p. 111014, 2022. DOI: 10.1016/j.scienta.2022.111014.SARKAR, S.; ZHOU, J.; SCABOO, A.; ZHOU, J.; ALOYSIUS, N.; LIM, T. T. 
Assessment of Soybean Lodging Using UAV Imagery and Machine Learning. Plants, 
v. 12, n. 16, p. 2893, 2023. DOI: https://doi.org/10.3390/plants12162893. 
 
SHAH, D.; PATEL, S.; BHARTI, S. K. Heart Disease Prediction using Machine 
Learning Techniques. Sn Computer Science, v. 1, n. 6, 16 out. 2020. Springer Science 
and Business Media LLC. http://dx.doi.org/10.1007/s42979-020-00365-y. 
 
SIMON, H. A. Artificial intelligence: an empirical science. Artificial Intelligence, 
Amsterdam, v. 77, p. 95-127, 1995. 
 
SINGH, B.; KUMAR, S.; ELANGOVAN, A.; VASHT, D.; ARYA, S.; DUC, N. T.; 
SWAMI, P.; PAWAR, G. S.; RAJU, D.; HARI, K.; SATHEE, L.; DALAL, M.; 
SAHOO, R. N.; CHINNUSAMY, V. Phenomics based prediction of plant biomass and 
leaf area in wheat using machine learning approaches. Frontiers in Plant Science, v. 
14, 2023. DOI: https://doi.org/10.3389/fpls.2023.1214801. 
 
SIRISHA, U.; PRAVEEN, S. P.; SRINIVASU, P. N.; BARSOCCHI, P.; BHOI, A. K. 
Statistical Analysis of Design Aspects of Various YOLO-Based Deep Learning Models 
for Object Detection. International Journal Of Computational Intelligence Systems, 
v. 16, n. 1, 2 ago. 2023. Springer Science and Business Media LLC. 
http://dx.doi.org/10.1007/s44196-023-00302-w. 
 
SUN, L.; LAI, M.; GHOURI, F.; NAWAZ, M. A.; ALI, F.; BALOCH, F. S.; 
NADEEM, M. A.; AASIM, M.; SHAHID, M. Q. Modern Plant Breeding Techniques in 
Crop Improvement and Genetic Diversity: From Molecular Markers and Gene Editing 
to Artificial Intelligence—A Critical Review. Plants, v. 13, p. 2676, 2024. DOI: 
https://doi.org/10.3390/plants13192676 
 
ULLAH, N.; KHAN, J. A.; ALMAKDI, S.; ALSHEHRI, M. S.; AL QATHRADY, M.; 
EL-RASHIDY, N.; EL-SAPPAGH, S.; ALI, F. An effective approach for plant leaf 
diseases classification based on a novel DeepPlantNet deep learning model. Frontiers 
in Plant Science. V. 14, p. 1212747, 10 out. 2023. DOI: 10.3389/fpls.2023.1212747. 
 
http://dx.doi.org/10.3390/drones4020021
https://doi.org/10.3390/agriculture10120638
https://doi.org/10.1016/j.scienta.2022.111014
https://doi.org/10.3389/fpls.2023.1214801
http://dx.doi.org/10.1007/s44196-023-00302-w
https://doi.org/10.3390/plants13192676
https://doi.org/10.3389/fpls.2023.1212747
VOLPATO, L. Seleção de progênies de soja para produção de grãos com uso de 
modelos mistos. 2016. Dissertação de Mestrado em Genética e Melhoramento - 
Universidade Federal de Viçosa, Viçosa/MG 
 
VOLPATO, L.; DOBBELS, A.; BOREM, A.; LORENZ, A. J. Optimization of temporal 
UAS-based imagery analysis to estimate plant maturity date for soybean breeding. 
Plant Phenome Journal, v. 4, n. 1, p. e20018, May 2021. DOI: 
https://doi.org/10.1002/ppj2.20018. 
 
WILKE, N. et al. Quantifying lodging percentage and lodging severity using a UAV-
based canopy height model combined with an objective threshold approach. Remote 
Sensing, v. 11, n. 5, p. 1-19, 2019. 
 
YANG, W. et al. Combining high-throughput phenotyping and genome-wide 
association studies to reveal natural genetic variation in rice. Nature Communications, 
v. 5, p. 5087, 2014. 
 
YANG, W.; NIGON, T.; HAO, Z.; PAIAO, G. D.; FERNÁNDEZ, F. G.; MULLA, D.; 
YANG, C. Estimation of corn yield based on hyperspectral imagery and convolutional 
neural network. Computers And Electronics In Agriculture, v. 184, p. 106092, maio 
2021. Elsevier BV. http://dx.doi.org/10.1016/j.compag.2021.106092. 
 
YU, Y.; SI, X.; HU, C.; ZHANG, J. A Review of Recurrent Neural Networks: lstm cells 
and network architectures. Neural Computation, v. 31, n. 7, p. 1235-1270, jul. 2019. 
MIT Press - Journals. http://dx.doi.org/10.1162/neco_a_01199. 
 
YU, R.; LUO, Y.; ZHOU, Q.; ZHANG, X.; WU, D.; REN, L. Early detection of pine 
wilt disease using deep learning algorithms and UAV-based multispectral imagery. 
Forest Ecology and Management, v. 497, p. 119493, 2021. DOI: 
https://doi.org/10.1016/j.foreco.2021.119493. 
 
ZHANG, J.; HE, L.; KARKEE, M.; ZHANG, Q.; ZHANG, X.; GAO, Z. Branch 
detection for apple trees trained in fruiting wall architecture using depth features and 
Regions-Convolutional Neural Network (R-CNN). Computers And Electronics In 
Agriculture, v. 155, p. 386-393, dez. 2018. Elsevier BV. 
http://dx.doi.org/10.1016/j.compag.2018.10.029.