Using UAV-LiDAR for stem volume phenotyping in the genetic selection of radiata pine

Resumo Técnico: Uso de UAV-LiDAR para Fenotipagem de Volume de Tronco na Seleção Genética de Pinus radiata

Definição do Problema
Os programas de melhoramento de Pinus radiata priorizam o volume do tronco na idade de colheita como um objetivo primário. No entanto, os longos períodos de rotação (25–30 anos) na Nova Zelândia exigem a seleção indireta baseada em características juvenis para acelerar o ganho genético. A fenotipagem tradicional depende fortemente do Diâmetro à Altura do Peito (DAP) como um proxy para o volume do tronco, frequentemente combinado com medições de altura em campo por meio de equações alométricas. Esta abordagem enfrenta restrições significativas: as medições de campo são intensivas em mão de obra, dispendiosas e demoradas, criando um gargalo fenotípico que limita a intensidade da seleção. Além disso, as medições de altura em solo são frequentemente imprecisas em comparação ao DAP, e as equações alométricas podem introduzir erros relativos de até 20% devido à variação de forma do tronco entre árvore e árvore. Há uma necessidade de alternativas escaláveis e de alto rendimento que possam estimar o volume do tronco com precisão e capturar a variação genética não totalmente refletida pelas medições tradicionais de diâmetro.

Metodologia
O estudo avaliou a utilidade do LiDAR embarcado em Veículo Aéreo Não Tripulado (UAV) como uma ferramenta de fenotipagem em 11 ensaios genéticos de clones replicados de radiata na Nova Zelândia, abrangendo aproximadamente 27.000 árvores de duas séries de ensaios (BC52-55-59 e BC66).

• Aquisição de Dados: Dados de UAV-LiDAR foram coletados usando um sensor DJI L1 montado em uma plataforma DJI M300 RTK. Os parâmetros de voo foram otimizados para gerar nuvens de pontos densas (45 m de altitude, velocidade de 3–5 m/s). Dados de campo, incluindo DAP e registros de defeitos, foram coletados concomitantemente ou dentro de três meses dos voos de UAV.
• Derivação de Métricas: Métricas individuais das árvores foram extraídas de nuvens de pontos segmentadas. As métricas principais incluíram a altura da árvore derivada de LiDAR ($z_{max}$) e descritores geométricos como áreas de superfície e volumes de cascos convexos (convex hulls) 2D e 3D.
• Traço de Referência: O Volume de Tronco Alométrico (ASV) foi calculado usando uma equação validada (Kimberley e Beets, 2007) combinando o DAP medido em campo e o $z_{max}$ derivado de LiDAR. Este serviu como referência para o volume do tronco.
• Análise Genética: Um modelo de predição linear não viesada genômica de etapa única (ssGBLUP) foi empregado utilizando cerca de 9.500 SNPs e dados de pedigree. O modelo estimou os valores genéticos estimados (EBVs) para DAP, ASV e várias métricas de LiDAR.
• Análise Comparativa: O estudo comparou o desempenho das métricas de LiDAR contra o DAP e o ASV ao avaliar:
  • Correlações fenotípicas e genéticas.
  • Hereditariedade de sentido estrito ($h^2$).
  • Sobreposição nos 100 genótipos selecionados do topo.
  • A recuperação do ganho genético potencial ao selecionar baseando-se em proxies de LiDAR versus DAP.
  • O impacto da inclusão de árvores malformadas (que são tipicamente filtradas em cálculos de ASV baseados em campo) em análises de apenas LiDAR.

Principais Contribções e Resultados

• Proxy Ótimo de LiDAR: Entre as métricas testadas, a área de superfície 3D do casco convexo da árvore individual (convexhull3D_area) demonstrou a maior correlação com o ASV (até $r = 0,87$). Ela superou a altura da árvore por LiDAR ($z_{max}$) como um proxy para volume, com uma correlação média de 0,77 entre os sítios.
• Hereditariedade: A altura da árvore por LiDAR ($z_{max}$) exibiu a maior hereditariedade entre todos os sítios (média $h^2 = 0,37$, intervalo 0,23–0,50), indicando forte controle genético e menor ruído ambiental em comparação ao diâmetro. A hereditariedade da convexhull3D_area foi semelhante à do DAP (média $h^2 = 0,26$).
• Eficiência de Seleção:
  • Selecionar os 100 melhores genótipos baseados no DAP recuperou 88–96% do ganho genético potencial para ASV.
  • Selecionar com base na convexhull3D_area recuperou 67–86% do ganho genético potencial de ASV.
  • Crucialmente, a convexhull3D_area identificou 24–33% dos principais genótipos de alto desempenho para ASV que não foram selecionados pelo DAP, sugerindo que o LiDAR captura uma variação genética única relacionada à forma e volume da árvore.
• Impacto de Malformações: Quando as análises incluíram árvores malformadas (um cenário relevante para a fenotipagem automatizada por LiDAR onde a pontuação visual de defeitos está ausente), o desempenho dos proxies de LiDAR como indicadores de ASV diminuiu marginalmente (em 3,5–10,3% na recuperação de ganho), mas eles permaneceram proxies eficazes.
• Validação do Modelo: O modelo ssGBLUP usando uma matriz de relação pedigree-genômica combinada ($H_{0.5}$) proporcionou um melhor ajuste e estimativas de variância genética aditiva mais altas em comparação com um modelo apenas de pedigree (PBLUP), validando o uso de dados genômicos nestes ensaios.

Significância e Alegações
O artigo alega que as métricas derivadas de UAV-LiDAR, particularmente a convexhull3D_area e a altura da árvore ($z_{max}$), possuem propriedades desejáveis para complementar, em vez de substituir imediatamente, a fenotipagem de campo tradicional em melhoramento de pinus radiata.

• Complementaridade: Embora o DAP permaneça como o critério mais eficaz para a seleção de volume de tronco devido à sua relação direta com a equação alométrica, as métricas de LiDAR oferecem alta hereditariedade (especialmente a altura) e a capacidade de detectar variação genética não capturada apenas pelo diâmetro.
• Escalabilidade e Custo: O estudo destaca que o LiDAR fornece um método escalável, repetível e não destrutivo para medir características de crescimento. Isso pode reduzir os custos de fenotipagem e permitir medições mais frequentes, facilitando a caracterização de trajetórias de crescimento.
• Ganho Genético Acelerado: Ao integrar características de alta hereditariedade do LiDAR em avaliações genéticas multivariadas, os programas de melhoramento podem melhorar a precisão das predições de valores genéticos, particularmente em ensaios onde a hereditariedade do DAP é baixa. Isso apoia decisões de seleção mais precoces e acelera a entrega de genótipos melhorados.
• Limitações Atuais: Os autores observam modestamente que as métricas de LiDAR são atualmente sensíveis à densidade do dossel (reduzindo a precisão em povoamentos mais antigos e fechados) e ainda não conseguem identificar malformações do tronco sem inspeção visual. Portanto, a estratégia ideal identificada é uma abordagem híbrida onde o LiDAR complementa as medições de campo para aumentar a precisidade e a eficiência da seleção.