Modelagem baseada em imagens na seleção de genótipos de feijão-caupi para tolerância a alumínio

Resumo

Em solos ácidos, um dos principais agentes que afetam a produtividade das culturas é a presença de alumínio. Entretanto, algumas espécies podem apresentar tolerância e mitigar os efeitos tóxicos desse elemento. Objetivou-se avaliar e comparar algoritmos de aprendizado de máquina na análise preditiva de sítios de acúmulo de íon alumínio, empregando-se o corante Evans blue para avaliar sua interação com a morfologia radicular, em genótipos de feijão-caupi. Utilizou-se delineamento casualizado, com cinco doses de alumínio (0, 50, 100, 150 e 200 µM de AlCl₃·6H₂O) e quatorze genótipos de feijão-caupi. Diferenças significativas na tolerância ao alumínio foram observadas entre os genótipos, com destaque para MNC06-908-39 e MNC06-895-1, classificados como os mais sensíveis, enquanto MNC06-907-29 e MNC06-901-14 apresentaram maior tolerância. CB-27 foi identificado como o mais tolerante, enquanto MNC06-909-54, MNC06-909-55, MNC06-907-35, MNC06-908-39 e MNC06-909-76 foram categorizados como os mais sensíveis. A quantificação do corante corroborou os resultados qualitativos, confirmando que MNC06-907-29 e MNC06-901-14 apresentaram maior tolerância ao alumínio, enquanto MNC06-908-39 e MNC06-895-1 exibiram maior sensibilidade. Uma análise preditiva, realizada por meio dos algoritmos Random Forest, Decision Tree, k-Nearest Neighbors e Neural Network, revelou evidente variabilidade genética entre os genótipos, quanto à tolerância ao alumínio, sendo que o Neural Network apresentou o melhor desempenho preditivo.

PALAVRAS-CHAVES: Vigna unguiculata L., estresse abiótico, aprendizado de máquina.