Fenotipagem de genótipos de videira, resistentes à Plasmopara viticola, via aprendizagem de máquina aplicada a dados radiométricos

Abstract

A viticultura é uma das atividades econômicas mais importantes no Sul do Brasil, sendo esta a região mais representativa na produção total do país. A doença mais limitante na viticultura do mundo, é o míldio, causada pelo oomiceto Plasmopara viticola; o mecanismo de controle químico do míldio depende da aplicação constante de fungicidas tóxicos, porém, a estratégia mais integral para prevenção do míldio é o melhoramento genético. Pesquisas sobre radiometria em videira, revelam que a assinatura espectral da vegetação permite reconhecer a variedade à qual pertence um indivíduo. Por causa da grande quantidade de dados radiométricos produzidos pela radiometría, os métodos de análise espectrorradiométrica baseiam-se em mineração de dados por aprendizagem de máquina supervisionada. Este estudo objetivou encontrar relações entre a resistência fenotípica ao míldio em indivíduos de videira, a anatomia transversal das suas folhas e a sua resposta espectral. Os indivíduos utilizados neste experimento se encontram no vinhedo experimental da UFSC, Campus Curitibanos; as respostas espectrais foram mensuradas na região do visível e infravermelho próximo (VIS-NIR). Os parâmetros anatômicos analisados foram as espessuras das camadas de mesofilo, parênquima paliçádico, parênquima esponjoso, epiderme abaxial, epiderme adaxial e parede celular periclinal adaxial. A resistência fenotípica ao míldio foi avaliada mediante inoculação artificial de disco foliar em laboratório e consultada através de informação secundária. Os dados radiométricos foram explorados mediante análises de componentes principais e estatísticas descritivas; os dados anatômicos foram comparados utilizando estatística inferencial, foi calculado o índice de correlação de Pearson entre os dados anatômicos e de reflectância nas folhas. Finalmente foram testados algoritmos de aprendizagem de máquina supervisionada para classificar os dados radiométricos das folhas de acordo com a sua variedade e com seu nível de resistência fenotípica ao míldio. Este trabalho confirma que a refletância espectral das folhas de videira no VIS-NIR guarda correlação com a espessura do parênquima paliçádico, permite reconhecer o genótipo ao qual pertence cada indivíduo e pode ser um indicador do nível de resistência fenotípica ao míldio de acordo com a escala do descritor internacional OIV452.

Abstract: Viticulture is one of the most important economic activities in southern Brazil, being this the most representative region in the country's total production. However, the most limiting disease in viticulture in the world is downy mildew, caused by the oomycete Plasmopara viticola; the chemical control mechanism of downy mildew depends on the constant application of toxic fungicides, but the most effective strategy for the prevention of downy mildew is through genetic improvement. Current research on grapevine radiometry reveals that the spectral signature of the vegetation is feasible to recognize the variety to which an individual belongs. Because of the large amount of variables, spectroradiometric analysis methods are based on data mining by supervised machine learning. This study aimed to find relationships between phenotypic resistance to downy mildew in grapevine individuals, the transversal anatomy of its leaves and its spectral response. The individuals used in this experiment are located in the experimental vineyard of UFSC, Campus Curitibanos; the spectral responses were measured in the visible and near infrared (VIS-NIR) region. The anatomical parameters analyzed were the layers thickness of mesophyll, palisade parenchyma, spongy parenchyma, abaxial epidermis, adaxial epidermis and adaxial periclinal cell wall. The phenotypic resistance to downy mildew was evaluated by artificial inoculation on leaf disc in laboratory and consulted through secondary information. Radiometric data were explored through principal component analysis and descriptive statistics; the anatomical data betwen varieties were compared using inferential statistics, the Pearson correlation index was calculated between anatomical and leaf reflectance data. Finally, supervised machine learning algorithms were tested to classify the radiometric data of the leaves according to their variety and their level of phenotypic resistance to downy mildew. This work confirms that the spectral reflectance of grapevine leaves in the VIS-NIR region correlates with the thickness of the palisade parenchyma, it also allows the recognition of the genotype to which each individual belongs and can be an indicator of the level of phenotypic resistance to Downy mildew according to the OIV452 international descriptor scale.