Phenotyping of genotypes and diagnosis of water status in cowpea using thermographic images and machine learning

Resumo Técnico: Fenotipagem de Genótipos e Diagnóstico do Status Hídrico em Feijão-Caupi utilizando Imagens Termográficas e Aprendizado de Máquina

Problema
As mudanças climáticas contemporâneas intensificaram a frequência de secas, impondo desafios significativos à produção de feijão-caupi (Vigna unguiculata (L.) Walp.). Embora o feijão-caupi seja geralmente resistente, o estresse hídrico durante estágios fenológicos críticos — especificamente os estágios vegetativo (V3) e reprodutivo (R2) — pode limitar severamente a expansão foliar, o estabelecimento radicular e o enchimento de vagens. Métodos tradicionais para avaliar o status hídrico, como medições de potencial hídrico foliar e condutância estomática, são destrutivos e impraticáveis para a fenotipagem em larga escala. Consequentemente, há uma necessidade de técnicas rápidas e não invasivas capazes de monitorar simultaneamente o status hídrico e distinguir a tolerância genética entre múltiplos genótipos sob diferentes regimes de irrigação.

Metodologia
O estudo empregou um experimento controlado na Universidade Federal de Campina Grande (UFCG), Brasil, envolvendo dez genótipos de feijão-caupi: cinco variedades de crioulo (Corujinha, Paulistinha, Sempre Verde, Pintado, Rabo de Tatu) e cinco cultivares melhoradas (BRS Novaera, BRS Pajeú, IPA 206, BRS Tapaihum, BRS Miranda). Estes foram submetidos a quatro regimes hídricos (25%, 50%, 75% e 100% da evapotranspiração da cultura, ETc) em um delineamento de blocos casualizados.

Imagens termográficas foram capturadas utilizando uma câmera Flir® C5 (160 x 120 pixels) em dois estágios fenológicos distintos: V3 (quarto nó) e R2 (primeira antese floral). Para cada genótipo, 100 imagens foram adquiridas de múltiplos ângulos (nadir e 45°) para abranger a arquitetura do dossel.

O pipeline de processamento de dados utilizou o Orange Data Mining v. 3.37.0. O fluxo de trabalho envolveu:

1. Extração de Características (Embedding): As imagens foram vetorizadas usando quatro arquiteturas de Deep Learning pré-treinadas: InceptionV3, SqueezeNet, VGG16 e VGG19.
2. Classificação: Seis algoritmos de aprendizado de máquina foram treinados nos vetores extraídos para classificar tanto os genótipos quanto os níveis de estresse hídrico: k-Nearest Neighbors (k-NN), Árvore de Decisão, Random Forest, Support Vector Machine (SVM), Rede Neural (Perceptron Multicamadas) e AdaBoost.
3. Validação: Os modelos foram avaliados por meio de validação cruzada e um método de teste-em-teste, onde 25 imagens por genótipo foram retidas do treinamento para validação independente. As métricas de desempenho incluíram Acurácia (CA), F1-score, Coeficiente de Correlação de Matthews (MCC), Área Sob a Curva ROC (AUC) e LogLoss.

Principais Resultados

• Influência do Estágio Fenológico: O estágio vegetativo (V3) provou ser mais eficaz para o diagnóstico do que o estágio reprodutivo (R2). Em V3, as assinaturas térmicas foram mais heterogêneas e discriminativas, enquanto as imagens de R2 mostraram maior homogeneização devido ao fechamento do dossel e à complexidade fisiológica.
• Desempenho dos Modelos (Estágio V3):
  • O Support Vector Machine (SVM) combinado com o embedder VGG16 alcançou o maior desempenho, com uma acurácia (CA) de 0,910, um F1-score de 0,910 e um MCC de 0,907.
  • A Rede Neural Artificial (ANN) com VGG16 também apresentou bom desempenho (CA: 0,897).
  • Entre os otimizadores para a ANN, o otimizador Adam com uma função de ativação logística produziu os melhores resultados (CA: 0,886).
  • Para o SVM, o kernel polinomial superou os kernels linear, RBF e sigmoide.
  • Modelos baseados em árvores (Random Forest, Árvore de Decisão) e o kernel Sigmoide apresentaram desempenho significativamente inferior.
• Desempenho dos Modelos (Estágio R2):
  • As métricas de desempenho diminuíram em comparação a V3, refletindo a maior dificuldade em distinguir os genótipos neste estágio.
  • O SVM com um kernel polinomial e VGG16 permaneceu o melhor executor (CA: 0,804), seguido pela ANN (CA: 0,760).
  • Na fase de validação, o SVM manteve superior estabilidade (CA: 0,782 em V3; CA: 0,636 em R2) comparado à ANN.
• Padrões de Confusão: Os erros de classificação concentraram-se predominantemente entre o mesmo genótipo sob diferentes níveis de irrigação, em vez de entre genótipos distintos. Isso indica que os modelos conseguiram preservar a identidade varietal, com o status hídrico atuando como um fator modulador que influenciou a proximidade térmica, mas não obscureceu a identidade genética.

Principais Contribuições e Significância
O artigo afirma que a integração da termografia infravermelha com o aprendizado de máquina, especificamente usando arquiteturas de deep learning para extração de características e SVMs para classificação, é uma ferramenta eficaz para a fenotipagem digital de alto rendimento. O estudo demonstra que:

1. Diagnóstico Não Destrutivo: A imagem térmica pode identificar com precisão os genótipos de feijão-caupi e diagnosticar o estresse hídrico sem amostragem destrutiva.
2. Sensibilidade de Estágio: O estágio vegetativo (V3) oferece maior contraste térmico para discriminação do que o estágio reprodutivo (R2), embora ambos os estágios produzam resultados viáveis com modelagem apropriada.
3. Superioridade Algorítmica: A combinação de VGG16 para extração de características e SVM (com kernels polinomiais) fornece capacidades de classificação robustas, superando modelos tradicionais baseados em árvores e outras configurações de deep learning neste contexto específico.
4. Aplicação Prática: A abordagem apoia a seleção de materiais tolerantes à seca e auxilia no manejo da irrigação de precisão ao permitir o monitoramento rápido e simultâneo do status hídrico entre diversos genótipos.

Os autores concluem que, embora o avanço fenológico introduza complexidade e reduza o contraste térmico, a metodologia proposta permanece uma solução promissora e não invasiva para otimizar a seleção de genótipos e o manejo hídrico na agricultura de precisão.