A Three-Dimensional Phenotyping Framework for Quantifying Soybean Resilience to Pest Stress in the Field

Problema

O estresse biótico, particularmente o causado por pragas, é um dos principais impulsionadores das perdas de produtividade da soja em nível global, estimadas em 20–40% anualmente. Identificar genótipos com alta tolerância a pragas é crítico para o melhoramento, mas permanece um gargalo devido às limitações da fenotipagem convencional. Os métodos tradicionais, como a contagem manual de pragas e a pontuação visual de danos foliares, são intensivos em mão de obra, difíceis de escalar e, muitas vezes, carecem da replicação estatística necessária para grandes painéis de genótipos. Além disso, esses métodos são frequentemente pouco confiáveis e falham em capturar a natureza complexa e quantitativa da tolerância a pragas, que envolve múltiplos genes e é influenciada pela variabilidade espacial e temporal. Embora o uso de Imagens de Veículos Aéreos Não Tripulados (VANTs) tenha emergido como uma solução para o monitoramento em larga escala, as abordagens existentes baseadas em índices de vegetação (IV) manuais são limitadas por sua dependência de combinações espectrais pré-definidas, que podem não capturar plenamente a degradação estrutural e textural causada pelos danos das pragas.

Metodologia

O estudo propõe uma estrutura de fenotipagem tridimensional (3D) baseada em VANT projetada para avaliar o desempenho de genótipos de soja sob pressão natural de pragas sem a necessidade de quantificação direta das pragas. A metodologia segue um pipeline de ponta a ponta:

1. Desenho Experimental:

   • Local: Estação de Genética Experimental de Anhumas, Piracicaba, Brasil (safra 2024/25).
   • Material: 30 genótipos de soja (25 linhagens avançadas de melhoramento e 5 testemunhas comerciais) cultivados em dois campos adjacentes: um campo Controlado (protegido por inseticida) e um campo SemControle (não protegido).
   • Desenho: Delineamento de Blocos Completos Casualizados (DBCC) com três repetições por campo.
   • Aquisição de Dados: Seis voos de VANT (DJI Mavic Air 2, sensor RGB) foram realizados desde os estádios vegetativos tardios até a maturidade fisiológica (R8). As imagens foram processadas em ortomosaicos georreferenciados usando Structure-from-Motion (SfM) e RTK-GNSS para segmentação precisa das parcelas.

2. Extração de Características de Fluxo Duplo:
   A estrutura extrai duas representações de características complementares das imagens RGB:

   • Índices de Vegetação (IV): Sete índices baseados em RGB (ex: ExG, NGRDI, VARI) foram computados. Descritores estatísticos (média, desvio padrão, mediana) foram extraídos para formar vetores de características de 21 dimensões.
   • Embeddings Visuais Profundos: As características foram extraídas utilizando o modelo de Vision Transformer (ViT-S/16) auto-supervisionado DINOv3. Este modelo, treinado em 1,7 bilhão de imagens, gera embeddings de 384 dimensões sem a necessidade de ajuste fino (fine-tuning) específico para o domínio, capturando informações estruturais e texturais holísticas.

3. Espaço de Avaliação Tridimensional:
   Para cada genótipo, um espaço 3D é construído utilizando três eixos:

   • Eixo X (Similaridade de Características): Uma pontuação de similaridade entre campos ($\bar{s}_i$) calculada pela média da distância euclidiana normalizada entre os vetores de características das parcelas Controladas e SemControle ao longo de todos os pontos temporais. Uma alta similaridade indica que o genótipo mantém a integridade das características sob estresse de pragas.
   • Eixo Y (Tempo Fenológico): Dias para a Maturidade (NDM). Valores mais baixos indicam maturidade precoce, potencialmente evitando o pico de pressão de pragas.
   • Eixo Z (Desempenho): Duas estruturas foram utilizadas:
     • Estrutura A: Produtividade absoluta de grãos sob condições SemControle.
     • Estrutura B: Taxa de Ganho de Produtividade ($g_i$), representando a vantagem relativa de rendimento da parcela SemControle sobre a parcela Controlada.

4. Classificação da Zona Z8:
   O espaço 3D é particionado em oito octantes (Z1–Z8) usando limiares de mediana. A Zona Z8 é definida como o subespaço que contém genótipos com:

   • Similaridade de Características acima da mediana (estabilidade).
   • NDM abaixo da mediana (maturidade precoce).
   • Desempenho acima do limiar (alta produtividade ou ganho positivo).

5. Ranking e Validação:
   Os genótipos foram classificados com base na sua frequência de ocupação de Z8 ($p_i$) através de 24 visualizações distintas de dispersão 3D (2 fluxos de características × 2 definições de desempenho × 6 pontos temporais). A consistência entre os fluxos de IV e DINOv3 serviu como uma validação cruzada interna para reduzir falsos positivos.

Principais Resultados

• Dinâmica Temporal: A discriminação de genótipos foi mínima nos estádios iniciais (T1–T2), mas tornou-se distinta a partir de T3, coincidindo com os estádios de enchimento de vagem e enchimento de grãos (R3–R7). Isso sugere uma janela de fenotipagem crítica onde as diferenças induzidas por pragas são mais detectáveis.
• Comparação de Características: Os embeddings do DINOv3 demonstraram sensibilidade precoce aos sinais de estresse do dossel em comparação com os IVs. Por exemplo, o genótipo de alto desempenho RIL 145 entrou na zona ótima Z8 mais cedo sob as características do DINOv3 (T1) do que sob as características de IV (T4).
• Candidatos de Alto Desempenho: Três genótipos foram consistentemente identificados como candidatos de alto desempenho em ambos os fluxos de características e em todos os pontos temporais:
  • RIL 145 (75,0% de ocupação de Z8)
  • NS 6700 (66,7% de ocupação de Z8)
  • LQ 008 (66,7% de ocupação de Z8)
    Essas linhagens exibiram estruturas de características estáveis, maturidade precoce e ou alta produtividade absoluta ou ganhos de produtividade positivos sob pressão natural de pragas.
• Linhagens Suscetíveis: Genótipos como T 27-18, LQ 267 e LQ 174 caíram consistentemente em zonas de baixa similaridade, maturação tardia e baixa produtividade, confirmando a capacidade da estrutura em discriminar linhagens suscetíveis.
• Impacto na Produtividade: A penalidade média de produtividade no nível do campo devido às pragas foi de aproximadamente 15% (1.190 kg/ha em Controlado vs. 1.010 kg/ha em SemControle).

Principais Contribuições

1. Estrutura Unificada 3D: O artigo introduz uma métrica inovadora que quantifica conjuntamente a produtividade, a similaridade de características (como um proxy para tolerância) e a resposta fenológica. Isso substitui a contagem de pragas intensiva em mão de obra por uma medição de resposta centrada na planta e não centrada na praga.
2. Integração de Modelos de Fundação: Demonstra a utilidade de modelos de visão de fundação auto-supervisionados (DINOv3) na fenotipagem agrícola, mostrando que eles podem capturar sinais de degradação estrutural invisíveis para índices espectrais manuais.
3. Verificação de Consistência de Fluxo Duplo: Ao exigir o acordo entre os fluxos de características de IV e DINOv3, a estrutura fornece um mecanismo de validação interna robusto, reduzindo o risco de falsos positivos na seleção de programas de melhoramento.
4. Eficiência Operacional: O estudo identifica que uma campanha reduzida de 2 a 3 voos de VANT durante a janela crítica de enchimento de vagem a enchimento de grãos é suficiente para capturar a variação relevante para o desempenho, melhorando significativamente a eficiência da fenotipagem.

Significância e Alegações

Os autores afirmam que este trabalho estabelece um paradigma escalável e pronto para o campo para quantificar a resiliência de culturas à estresse biótico. Ao mudar da medição centrada na praga (contagem de insetos) para a quantificação da resposta centrada na planta (medição do impacto fisiológico na estrutura das características), a estrutura oferece um caminho prático para acelerar o melhoramento para rendimentos estáveis sob condições reais.

O estudo enfatiza que os genótipos de alto desempenho identificados refletem sinais fenotípicos robustos e não artefatos específicos de representação, apoiados pela forte concordância entre as características espectrais e de aprendizado profundo. Os autores observam que, embora a estrutura seja robusta, ela foi validada em um único ambiente e temporada; portanto, a validação em múltiplas localidades é necessária antes da implementação ampla. Além disso, a classificação Z8 é relativa à população avaliada e requer recalibração para diferentes painéis de germoplasma. O trabalho conclui oferecendo uma solução não invasiva e operacionalmente eficiente que é facilmente transferível para outros sistemas de cultivo e compatível com pipelines de seleção genômica.