Aprendizado de máquina na fenotipagem de soja baseada em veículos aéreos não tripulados: limites da transferência entre ambientes e oportunidades para reduzir medições em campo

Resumo

A fenotipagem de alto rendimento com veículos aéreos não tripulados (VANTs) e índices espectrais de vegetação tem sido proposta para superar os custos e limitações logísticas de medições manuais em ensaios multiambientes. No entanto, ainda é incerta a confiabilidade de modelos baseados em dados espectrais para predizer características estruturais em genótipos e ambientes. Objetivou-se desenvolver uma abordagem para predição da altura de plantas (AP) e altura de inserção da primeira vagem (AIPV) em soja, utilizando-se índices de vegetação obtidos por VANT no estágio de florescimento, bem como comparar os modelos extreme gradient boosting (XGBoost), perceptron multicamadas (PMC), florestas aleatórias (FA) e regressão linear múltipla (RLM) sob cenários realistas de validação cruzada. Ensaios foram conduzidos ao longo de múltiplas safras, com imagens multiespectrais obtidas por VANT, sendo AP e AIPV mensuradas manualmente. Os modelos foram avaliados em cinco cenários: calibração com todos os dados; predição em uma safra futura completamente não avaliada; estimação de genótipos ausentes em uma safra parcialmente amostrada; calibração com pequena fração de dados de uma nova safra; e predição na ausência de registros de campo para genótipos específicos em múltiplos ambientes. Quando todos os dados foram utilizados na calibração, modelos não lineares apresentaram alta acurácia aparente. Entretanto, a predição em safras não observadas falhou para todos os modelos, refletindo em fortes interações genótipo × ambiente. Sob redução de fenotipagem no mesmo conjunto de ambientes, a acurácia para AP permaneceu robusta, enquanto para AIPV foi moderada. Modelos baseados em VANT são confiáveis para interpolação, mas limitados para extrapolação sem calibração local, permitindo reduzir medições manuais em até 80 % para AP e 20-30 % para AIPV.

PALAVRAS-CHAVE: Glycine max, sensoriamento remoto multiespectral, arquitetura do dossel.