COMO A ARQUITETURA DE PERCEPTRON MULTICAMADAS E OS HIPERPARÂMETROS DE TREINAMENTO AFETAM O DESEMPENHO PREDITIVO NA FENOTIPAGEM DE SOJA BASEADA EM VANTS

Resumo

Modelos de Perceptron Multicamadas (MLP) têm sido cada vez mais aplicados à fenotipagem de alto rendimento utilizando imagens multiespectrais derivadas de veículos aéreos não tripulados (UAVs). No entanto, os efeitos da arquitetura da rede e dos hiperparâmetros de treinamento sobre o desempenho preditivo permanecem pouco compreendidos. Este estudo avaliou o número de neurônios, das camadas ocultas, das épocas de treinamento e das partições da validação cruzada, bem como o desempenho das diferentes combinações desses fatores, nos modelos MLP para predizer caracteres fenotípicos da soja a partir de índices de vegetação. Um total de 32 genótipos de soja foi avaliado ao longo de três safras, gerando 384 parcelas experimentais. Sete índices de vegetação derivados de imagens multiespectrais obtidas por UAV foram utilizados para predizer altura de plantas (PH), altura de inserção da primeira vagem (FPIH), dias para maturidade (DM) e produtividade de grãos (GY). Nas condições avaliadas, o aumento da largura da rede melhorou o desempenho preditivo até um platô, enquanto camadas ocultas adicionais não proporcionaram vantagem consistente. Da mesma forma, sob as condições estudadas, estender o treinamento de 10.000 para 30.000 épocas melhorou a acurácia da predição, mas aumentos adicionais produziram apenas ganhos marginais. Os efeitos dos parâmetros de arquitetura e treinamento também dependeram da natureza biológica do caráter-alvo, com PH e FPIH apresentando desempenho superior a DM e GY. De modo geral, os resultados demonstram que a otimização da arquitetura e dos parâmetros de treinamento pode melhorar o desempenho dos modelos MLP, mas seu potencial é condicionado pela capacidade dos índices de vegetação de representar o caráter fenotípico avaliado. Esses resultados fornecem orientações práticas para a configuração de modelos MLP na fenotipagem de alto rendimento da soja baseada em UAV.