Capturing Spatial Heterogeneity Using UAV-Derived Multispectral Phenotypes and Random Regression Models Improves Genetic Evaluation in Alfalfa Breeding Trials
Este estudo demonstra que a integração de fenótipos multiespectrais longitudinais derivados de VANTs em modelos de regressão aleatória captura efetivamente a heterogeneidade espacial em ensaios de melhoramento de alfafa, melhorando, assim, a precisão e a reprodutibilidade das avaliações genéticas em comparação com os métodos convencionais de correção espacial.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
Agricultores e melhoristas de plantas sabem há muito tempo que um campo nunca é perfeitamente uniforme. Mesmo em uma única parcela de terra, o solo pode ser mais rico em um canto, a água pode drenar de forma diferente em outro, e a temperatura pode variar ligeiramente de uma fileira para a outra. Essa irregularidade, conhecida como heterogeneidade espacial, cria uma camada de ruído que pode esconder o verdadeiro potencial das plantas que estão sendo cultivadas. Quando os melhoristas tentam selecionar as melhores sementes para a próxima geração, esse ruído ambiental pode fazer com que uma planta medíocre pareça uma campeã, ou uma superior pareça fraca. Para corrigir isso, os cientistas tradicionalmente recorreram a métodos estatísticos que assumem que as condições do solo mudam de forma gradual e previsível de uma planta para a próxima, de forma muito semelhante a como a temperatura pode cair conforme você se afasta de um aquecedor. No entanto, esses métodos antigos frequentemente perdem os padrões complexos e variáveis do mundo real, especialmente quando olham apenas para a colheita final.
Uma nova abordagem está mudando a forma como os pesquisadores veem esse problema ao usar as próprias plantas como sensores. Em vez de adivinhar como o ambiente varia, os cientistas agora observam como as plantas reagem a ele ao longo do tempo. Ao voar drones equipados com câmeras especiais sobre os campos, os pesquisadores podem capturar imagens detalhadas das culturas durante toda a estação de crescimento. Essas imagens revelam como as plantas estão crescendo, quão verdes elas são e como estão respondendo às condições específicas de seu entorno imediato. Esse fluxo contínuo de dados permite que os cientistas mapeiem as variações ocultas no campo com uma precisão muito maior do que nunca, separando a verdadeira qualidade genética de uma planta da sorte de onde ela foi plantada.
Em um estudo recente focado na alfafa, uma cultura forrageira vital, pesquisadores buscaram testar se este método de observar as plantas ao longo do tempo poderia melhorar a precisão dos programas de melhoramento. A equipe, liderada por cientistas da Cornell University, New Mexico State University e Virginia Tech, conduziu ensaios em duas regiões muito diferentes: os campos áridos e expansivos do Novo México e as parcelas mais compactas e variadas de Nova York. Eles cultivaram centenas de variedades diferentes de alfafa e as monitoraram de perto durante as temporadas de crescimento de 2022 e 2023. Usando drones, eles voaram sobre os campos aproximadamente uma vez por semana, capturando imagens multiespectrais que mediam a luz refletida pelas plantas. A partir dessas imagens, calcularam índices de vegetação, que são valores numéricos que indicam a saúde e a densidade do dossel verde. Entre os diferentes tipos de medições, um índice que dependia da luz verde em vez da luz vermelha provou ser o indicador mais confiável da saúde da planta e do rendimento futuro.
O cerne do estudo envolveu um processo de duas etapas para dar sentido a essa enorme quantidade de dados. Primeiro, os pesquisadores usaram uma técnica estatística chamada regressão aleatória para analisar as imagens semanais dos drones. Esse método permitiu que eles modelassem como cada parcela específica de terra mudava ao longo do tempo, capturando as condições ambientais únicas e persistentes que afetavam aquele ponto específico. Eles trataram essas influências ambientais de longo prazo como um "efeito ambiental permanente", uma forma de quantificar as vantagens ou desvantagens específicas de uma parcela devido ao seu solo ou microclima, independentemente da genética da planta. Na segunda etapa, eles pegaram esses efeitos ambientais calculados e os usaram para ajustar as avaliações genéticas finais das variedades de alfafa.
Os resultados mostraram que este novo método foi significativamente melhor em encontrar os verdadeiros vencedores genéticos do que as abordagens tradicionais. Nos grandes ensaios do Novo México, onde as condições do solo variavam amplamente pelo campo, o novo método melhorou a consistência das previsões genéticas em duas a três vezes em comparação com os métodos padrão. Ele conseguiu remover com sucesso o ruído causado pelo campo irregular, revelando o verdadeiro potencial das plantas. Mesmo nos ensaios de Nova York, onde os campos eram mais uniformes e o ruído espacial era menor, o novo método desempenhou tão bem quanto, ou melhor do que, as técnicas convencionais. Crucialmente, os pesquisadores descobriram que os padrões de variação ambiental detectados com os drones coincidiam com os mapas de rendimento reais dos campos, confirmando que os drones estavam de fato capturando diferenças físicas reais na disponibilidade de solo e água.
Este estudo demonstra que as próprias plantas, quando observadas de perto ao longo do tempo, podem dizer exatamente onde o campo está enfrentando dificuldades e onde está prosperando. Ao usar essa informação para corrigir os dados de melhoramento, os cientistas podem tomar decisões mais precisas sobre quais sementes guardar para o futuro. A abordagem não requer equipamentos novos e caros ou mudanças complexas na forma como os agricultores gerenciam seus campos atualmente; envolve simplesmente usar os dados que já estão sendo coletados pelos drones modernos de uma maneira mais inteligente. As descobertas sugerem que, à medida que a agricultura de alta tecnologia se torna mais comum, a capacidade de aprender com a história contínua do crescimento de uma planta se tornará uma ferramenta padrão para melhorar o rendimento das culturas e garantir que a melhor genética seja selecionada, independentemente do terreno irregular em que cresce.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.