Inteligência computacional aplicada ao estudo da divergência e fenotipagem em cultivares de soja

• Autor(a) principal: Ludimila Geiciane de Sa
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/NCAP-B3QNDS
• topic: Melhoramento genético vegetal; Glycine max (L) Merrill; Redes neurais artificiais; Mapas auto-organizáveis de Kohonen; Perceptrons multicamadas; Produção vegetal

As redes neurais artificiais são modelos computacionais do cérebro humano que reconhecem padrões e regularidades dos dados e representam uma alternativa como aproximador universal de funções complexas. Podem ter desempenho superior aos modelos estatísticos convencionais, com vantagens de ser não paramétricos, não necessitarem de informações detalhadas sobre os processos físicos do sistema a ser modelado e tolerarem perda de dados. A inteligência computacional apresenta um grande potencial, já é amplamente consolidada nas áreas computacionais e torna-se uma abordagem interessante a ser utilizada na área de melhoramento de plantas. Desse modo, no primeiro artigo, objetivou-se estudar a dissimilaridade genética entre cultivares de soja, utilizando redes neurais do tipo SOM, e testar a eficiência da metodologia utilizada, por meio da análise discriminante de Anderson. Para selecionar a melhor topologia de rede, foram testadas diferentes arquiteturas de rede quanto à maior taxa de acerto médio, pela análise discriminante de Anderson, e o menor número de clusters vazios, efetuando-se 1000 treinamentos. Após, fizeram-se 1000 novos treinamentos de rede e, posteriormente, construiu-se uma matriz de dissimilaridade, observando-se a frequência com que os genótipos foram considerados como sendo de grupos distintos. A consistência do agrupamento foi verificada através da análise discriminante de Anderson. Seis grupos foram formados pelo método UPGMA, indicando a existência de variabilidade para as características avaliadas. Através da análise discriminante de Anderson, 100% dos acessos foram corretamente classificados. Logo, as redes SOM são eficientes para o agrupamento de linhagens de soja, mostrando a existência de dissimilaridade genética e a formação de seis agrupamentos entre as linhagens estudadas. O segundo artigo teve como objetivo auferir metodologias que permitam estimar a área foliar em soja, por meio do uso de redes neurais artificiais, considerando-se diferentes formatos foliares. Foram avaliadas trinta e seis cultivares, as quais foram separadas em três grupos, de acordo o formato foliar. Foram desenvolvidos perceptrons multicamadas, utilizando-se 300 folhas por grupo, destinando-se 70% para treinamento e 30% para a validação. Foram testadas também as medidas morfológicas mais importantes nesses estudos. As RNAs foram eficientes para estimar a área foliar em soja, com coeficientes de determinação próximos a 0,90. Apenas duas medidas foliares dos folíolos são suficientes para estimação da área foliar. A rede 4, treinada com folhas de todos os grupos, foi mais generalista e, consequentemente, é a mais indicada para a predição da área foliar em soja.