A metodologia permite a coleta de dados mais rápida, econômica e abrangente aumentando as chances de identificar as plantas mais promissoras.
Pesquisadores brasileiros estão aplicando uma metodologia inovadora que acelera a seleção de plantas de milho geneticamente modificadas para resistir à seca e reduz custos operacionais envolvidos na tarefa. A técnica utiliza drones equipados com câmeras RGB para capturar imagens dos experimentos de campo, convertendo-as em índices que avaliam a saúde das plantas. Com essas informações, é possível identificar mais rapidamente os exemplares mais promissores e simular seu desempenho em diferentes condições climáticas, tornando o processo de seleção mais eficiente e preciso.
O estudo foi conduzido por pesquisadores do Centro de Genômica Aplicada às Mudanças Climáticas (GCCRC), uma parceria entre a Embrapa e a Universidade Estadual de Campinas (Unicamp), com apoio da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp). Os resultados foram publicados ontem, 5 de janeiro, na revista The Plant Phenome Journal.
O aumento da frequência e severidade das secas devido às mudanças climáticas torna essencial o desenvolvimento de cultivares mais resilientes. No entanto, os métodos tradicionais de avaliação em campo são demorados e caros, dificultando avanços rápidos. “Nos métodos convencionais, é necessário esperar o ciclo completo da planta e realizar medições manuais, muitas vezes com equipamentos caros e processos lentos”, explica Juliana Yassitepe, pesquisadora da Embrapa Agricultura Digital e autora do estudo.
Com a nova metodologia, a coleta de dados em campo foi significativamente otimizada.
“Antes, levaríamos vários dias para medir a produção de grãos, tempo até a floração e altura das plantas. Agora, fazemos isso em poucas horas, com voos de drones e processamento de imagens”.
Juliana Yassitepe – pesquisadora da Embrapa Agricultura Digita
Experimentos no campo
Durante a estação seca de 2023, dois experimentos foram realizados em Campinas (SP), ao longo de cinco meses. Foram cultivadas 21 variedades de milho, sendo 18 com genes que estavam sendo testados para tolerância à seca e 3 sem alterações genéticas, para comparação. As plantas foram submetidas a condições controladas de manejo, com a diferença em uma única variável: irrigação. “Um grupo recebeu água durante todo o ciclo, enquanto o outro foi submetido à seca”, detalha Yassitepe.
Os drones realizaram voos semanais no campo experimental, capturando imagens com câmeras RGB (convencionais) e multiespectrais (que capturam espectros não visíveis, como infravermelho). A análise revelou que as câmeras RGB, significativamente mais baratas que as multiespectrais, produzem resultados confiáveis, tornando a tecnologia acessível para programas de melhoramento genético em larga escala.
Redução de custos e maior eficiência
Além de reduzir os custos operacionais, a metodologia permite a realização de estudos em áreas menores, o que é especialmente útil em projetos com recursos limitados.“Essa questão da área plantada às vezes é um gargalo nos estudos de melhoramento genético de plantas, pois nem sempre o grupo de pesquisa dispõe de muitas sementes viáveis para plantar em áreas muito grandes”, explica Yassitepe. “Com voos mais baixos, é possível obter imagens de alta resolução, permitindo testar mais variedades de milho em uma mesma área”, complementa Helcio Pereira, pesquisador de pós-doutorado no GCCRC e coautor do estudo.
Essa abordagem também possibilita acompanhar o desenvolvimento das plantas ao longo de todo o ciclo de crescimento. “A análise temporal contínua foi essencial para entender como as plantas respondem ao estresse hídrico”, explica Pereira.
Os dados detalhados coletados pelos drones foram usados para desenvolver modelos preditivos que ajudam a selecionar variedades de milho adaptadas a diferentes condições ambientais. “Com esses modelos, podemos prever o comportamento das variedades de plantas sem a necessidade de medições manuais frequentes, tornando o processo mais rápido e acessível”, afirma Pereira.
O estudo “Temporal field phenomics of transgenic maize events subjected to drought stress: cross-validation scenarios and machine learning models”, de autoria de Helcio Pereira, Juliana Nonato, Rafaela Duarte, Isabel Gerhardt, Ricardo Dante, Paulo Arruda e Juliana Yassitepe, pode ser acessado aqui.
AGRONEWS é informação para quem produz
