BR112020005986A2 - método e sistema para a execução da análise de dados com relação à fenotipagem - Google Patents
método e sistema para a execução da análise de dados com relação à fenotipagem Download PDFInfo
- Publication number
- BR112020005986A2 BR112020005986A2 BR112020005986-2A BR112020005986A BR112020005986A2 BR 112020005986 A2 BR112020005986 A2 BR 112020005986A2 BR 112020005986 A BR112020005986 A BR 112020005986A BR 112020005986 A2 BR112020005986 A2 BR 112020005986A2
- Authority
- BR
- Brazil
- Prior art keywords
- data
- fact
- plant
- image
- field
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000007405 data analysis Methods 0.000 title claims abstract description 26
- 230000003595 spectral effect Effects 0.000 claims abstract description 111
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000001488 breeding effect Effects 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 17
- 238000009395 breeding Methods 0.000 claims description 16
- 238000000701 chemical imaging Methods 0.000 claims description 15
- 238000002360 preparation method Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 13
- 239000002028 Biomass Substances 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000012010 growth Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003205 genotyping method Methods 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims description 5
- 241000238631 Hexapoda Species 0.000 claims description 4
- 230000036579 abiotic stress Effects 0.000 claims description 4
- 230000006378 damage Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000009385 viral infection Effects 0.000 claims description 3
- 108700019146 Transgenes Proteins 0.000 claims description 2
- 239000002207 metabolite Substances 0.000 claims description 2
- 238000000491 multivariate analysis Methods 0.000 claims description 2
- 238000002703 mutagenesis Methods 0.000 claims description 2
- 231100000350 mutagenesis Toxicity 0.000 claims description 2
- 102000004169 proteins and genes Human genes 0.000 claims description 2
- 230000001850 reproductive effect Effects 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 154
- 230000033001 locomotion Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 14
- 239000002689 soil Substances 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 108091033409 CRISPR Proteins 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 208000015181 infectious disease Diseases 0.000 description 6
- 238000010354 CRISPR gene editing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 3
- 241001057636 Dracaena deremensis Species 0.000 description 3
- 235000021536 Sugar beet Nutrition 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013481 data capture Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 239000004009 herbicide Substances 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 230000008723 osmotic stress Effects 0.000 description 3
- 244000052769 pathogen Species 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241001157813 Cercospora Species 0.000 description 2
- 235000010521 Cicer Nutrition 0.000 description 2
- 241000220455 Cicer Species 0.000 description 2
- 108020004414 DNA Proteins 0.000 description 2
- 244000098338 Triticum aestivum Species 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008641 drought stress Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000002363 herbicidal effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004069 plant analysis Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- 241000254032 Acrididae Species 0.000 description 1
- 241000209758 Aegilops Species 0.000 description 1
- 108700028369 Alleles Proteins 0.000 description 1
- 235000005255 Allium cepa Nutrition 0.000 description 1
- 244000291564 Allium cepa Species 0.000 description 1
- 240000002234 Allium sativum Species 0.000 description 1
- 235000005338 Allium tuberosum Nutrition 0.000 description 1
- 244000003377 Allium tuberosum Species 0.000 description 1
- 241001124076 Aphididae Species 0.000 description 1
- 241000219194 Arabidopsis Species 0.000 description 1
- 241000610258 Arabidopsis lyrata Species 0.000 description 1
- 241000219195 Arabidopsis thaliana Species 0.000 description 1
- 241000490494 Arabis Species 0.000 description 1
- 235000021533 Beta vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 241000743776 Brachypodium distachyon Species 0.000 description 1
- 244000178993 Brassica juncea Species 0.000 description 1
- 235000011332 Brassica juncea Nutrition 0.000 description 1
- 235000014700 Brassica juncea var napiformis Nutrition 0.000 description 1
- 235000011291 Brassica nigra Nutrition 0.000 description 1
- 244000180419 Brassica nigra Species 0.000 description 1
- 241000220442 Cajanus Species 0.000 description 1
- 241000637848 Cajanus scarabaeoides Species 0.000 description 1
- 235000011305 Capsella bursa pastoris Nutrition 0.000 description 1
- 240000008867 Capsella bursa-pastoris Species 0.000 description 1
- 235000008477 Cardamine flexuosa Nutrition 0.000 description 1
- 244000079471 Cardamine flexuosa Species 0.000 description 1
- 235000010523 Cicer arietinum Nutrition 0.000 description 1
- 244000045195 Cicer arietinum Species 0.000 description 1
- 235000014515 Cicer reticulatum Nutrition 0.000 description 1
- 241000296404 Cicer reticulatum Species 0.000 description 1
- 235000011690 Cicer yamashitae Nutrition 0.000 description 1
- 241000319339 Cicer yamashitae Species 0.000 description 1
- 240000002319 Citrus sinensis Species 0.000 description 1
- 235000005976 Citrus sinensis Nutrition 0.000 description 1
- 241000254173 Coleoptera Species 0.000 description 1
- 241000396041 Crucihimalaya Species 0.000 description 1
- 241001310865 Crucihimalaya wallichii Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 241000254171 Curculionidae Species 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 241001050326 Daucus glochidiatus Species 0.000 description 1
- 241001337281 Daucus muricatus Species 0.000 description 1
- 235000002196 Daucus pusillus Nutrition 0.000 description 1
- 240000007190 Daucus pusillus Species 0.000 description 1
- 244000024675 Eruca sativa Species 0.000 description 1
- 235000014755 Eruca sativa Nutrition 0.000 description 1
- 241000209219 Hordeum Species 0.000 description 1
- 241000209229 Hordeum marinum Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 206010061217 Infestation Diseases 0.000 description 1
- 241001048891 Jatropha curcas Species 0.000 description 1
- 244000182213 Lepidium virginicum Species 0.000 description 1
- 235000003611 Lepidium virginicum Nutrition 0.000 description 1
- 244000081841 Malus domestica Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 241000219828 Medicago truncatula Species 0.000 description 1
- 241000409625 Morus notabilis Species 0.000 description 1
- 240000001307 Myosotis scorpioides Species 0.000 description 1
- 241000244206 Nematoda Species 0.000 description 1
- 241000208136 Nicotiana sylvestris Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 241000208138 Nicotiana tomentosiformis Species 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 241000511006 Oryza alta Species 0.000 description 1
- 241000209103 Oryza australiensis Species 0.000 description 1
- 240000000125 Oryza minuta Species 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 241000320508 Pentatomidae Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 241000218976 Populus trichocarpa Species 0.000 description 1
- 235000019057 Raphanus caudatus Nutrition 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000011380 Raphanus sativus Nutrition 0.000 description 1
- 241000209051 Saccharum Species 0.000 description 1
- 235000007238 Secale cereale Nutrition 0.000 description 1
- 244000082988 Secale cereale Species 0.000 description 1
- 235000005775 Setaria Nutrition 0.000 description 1
- 241000232088 Setaria <nematode> Species 0.000 description 1
- 241000207763 Solanum Species 0.000 description 1
- 235000002634 Solanum Nutrition 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000007230 Sorghum bicolor Nutrition 0.000 description 1
- 238000010459 TALEN Methods 0.000 description 1
- 244000201702 Torenia fournieri Species 0.000 description 1
- 108010043645 Transcription Activator-Like Effector Nucleases Proteins 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000007244 Zea mays Nutrition 0.000 description 1
- 230000009102 absorption Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000002962 chemical mutagen Substances 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000024346 drought recovery Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 231100000317 environmental toxin Toxicity 0.000 description 1
- 230000001973 epigenetic effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 244000053095 fungal pathogen Species 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 102000054765 polymorphisms of proteins Human genes 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012225 targeting induced local lesions in genomes Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009261 transgenic effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 244000052613 viral pathogen Species 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
- C12Q1/6895—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for plants, fungi or algae
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/13—Plant traits
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/158—Expression markers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Wood Science & Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Biotechnology (AREA)
- Organic Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Zoology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Botany (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Mycology (AREA)
- Microbiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medicinal Chemistry (AREA)
- Mechanical Engineering (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
A invenção refere-se a um método para executar a análise de dados com relação à fenotipagem de plantas de plantas isoladas em um campo e um sistema de aquisição e avaliação de dados para executar a análise de dados com relação à fenotipagem de plantas de plantas isola-das em um campo. Além disso, a invenção refere-se a uma plataforma móvel para uso no referido método e/ou no referido sistema de aquisição e avaliação de dados e um uso da plataforma móvel para dito método e/ou dito sistema de aquisição e avaliação de dados. O método compreende as etapas de captura de dados espectrais por meio de um sensor de formação de imagem hiperespectral, captura de dados de imagem por meio de um sensor de imagem, captura de dados de georreferência por meio de uma unidade de medição inercial, espacialização dos dados de imagem para gerar dados de imagem georreferenciados e um modelo digital de superfície, espacialização dos dados espectrais, geração de dados espectrais georreferenciados com base nos dados espectrais espacializados e no modelo digital de superfície e sobreposição dos dados de imagem georreferenciados e dados espectrais georreferenciados com informações do plano de campo para gerar um conjunto de dados de análise de alta resolução.
Description
Relatório Descritivo da Patente de Invenção para "MÉTO-
[0001] A invenção refere-se a um método para executar análise de dados para fenotipagem de plantas de plantas isoladas em um campo e um sistema de aquisição e avaliação de dados para executar a aná- lise de dados para fenotipagem de plantas de plantas isoladas em um campo. Além disso, a invenção refere-se a uma plataforma móvel para uso no referido método e/ou no referido sistema de aquisição e avalia- ção de dados e um uso da plataforma móvel em dito método e/ou em dito sistema de aquisição e avaliação de dados.
[0002] A fenotipagem geralmente se refere a um processo de me- dição, descrição e análise de características de plantas como produti- vidade, resistência ao estresse (por exemplo, resistência a doenças) ou tolerância a herbicidas, e é geralmente realizada na reprodução ve- getal aplicada para uma melhor compreensão das funções e efeitos dos genes, uma vez que o genótipo e o fenótipo muitas vezes não se correlacionam diretamente. Um genótipo de uma planta é uma se- quência de DNA da constituição genética que determina um fenótipo da planta. O fenótipo da planta descreve características físicas ou bio- químicas observáveis da planta e é determinado pelo genótipo, assim como fatores epigenéticos herdados e influências ambientais não her- dadas. Alguns genes podem expressar um determinado fenótipo em certas condições ambientais. Ao contrário, alguns fenótipos podem ser o resultado de vários genótipos.
[0003] A identificação de traços agronômicos é geralmente feita por seleção fenotípica. Portanto, os traços que podem ser determina- dos antes da colheita ou independentes da colheita, geralmente são estimados através da avaliação visual e reunidos em uma escala de classificação definida. Para esse propósito, os criadores precisam visi-
tar numerosas parcelas experimentais, que são muitas vezes distantes fisicamente ou mesmo distribuídas globalmente. Além disso, a fenoti- pagem deve ser executada em todas as parcelas experimentais dentro de um certo período. Portanto, a avaliação visual deve ser realizada em paralelo por muitos criadores diferentes. Devido à natureza subjeti- va da avaliação visual, a classificação pode variar de acordo com o criador. A avaliação visual geralmente pode ser influenciada por dife- rentes tipos de avaliação visual e/ou uma quantidade de plantas a se- rem avaliadas e/ou diferentes condições ambientais das regiões nas quais as plantas são cultivadas.
[0004] Por razões de tempo e pela enorme quantidade de traba- lho, os criadores frequentemente determinam uma nota média para um lote experimental que compreende inúmeras plantas. Uma desvanta- gem é que a avaliação visual não permite nenhuma conclusão sobre as diferenças de fenótipo dentro de um lote experimental. Além disso, não há medição, descrição e análise exatas das características e do- enças de plantas isoladas.
[0005] Outra desvantagem é que certas características do fenótipo não podem ser detectadas visualmente e/ou dependem das condições ambientais. Em particular, os traços distintos insuficientes, que fre- quentemente não são detectáveis visualmente, podem ser necessários para a genotipagem de plantas e para obter uma melhor compreensão da função e dos efeitos dos genes.
[0006] Embora alguns métodos da técnica anterior sejam capazes de fornecer informações abrangentes sobre os traços das plantas ana- lisadas, esses métodos muitas vezes envolvem a destruição das plan- tas observadas ou parte das plantas e muitas vezes requerem uma quantidade de trabalho demorado e dispendioso.
[0007] Por exemplo, sistemas aéreos não tripulados de baixo cus- to são utilizados para medições proximais rápidas de plantas e medi-
ções em alta resolução para pesquisas em pequenos lotes. Portanto, os sistemas aéreos não tripulados de baixo custo compreendem uma plataforma de sistema aéreo não tripulado para captura de dados e um sensor multiespectral de três faixas para medir índices de vegetação (ver Haghighattalab et al., "Application of unmanned aerial systems for high-throughput phenotyping of large wheat breeding nurseries." Plant methods 12.1 (2016): 35.). A análise de dados do sistema aéreo não tripulado de baixo custo funciona semiautomatizada e a alocação de dados de imagem para operações de informação de lote são executa- das por pontos de controle no solo.
[0008] Para o ambiente de laboratório, o uso de imagens hiperes- pectrais para análise em pequena escala dos sintomas provocados por diferentes doenças da beterraba açucareira foi testado (ver Mahlein et al., "Hyperspectral imaging for small-scale analysis of symptoms cau- sed by different sugar beet diseases." Plant methods 8.1 (2012): 3.). Neste método, os dados espectrais devem ser capturados sob condi- ções artificiais e homogêneas, por exemplo, folhas fixadas de modo horizontal para garantir condições de luz homogêneas. Uma análise de dados espectrais deve ser executada por um método de mapeamento em pixel utilizando assinaturas específicas da doença e classificação do mapeador de ângulo espectral.
[0009] Espectrômetros do tipo FieldSpec and Agricultural Digital Camera são utilizados para medir manualmente a gravidade da infes- tação por Cercospora (ver Jansen et al. "Non-invasive spectral pheno- typing methods can improve and accelerate Cercospora disease scor- ing in sugar beet breeding." Agriculture 4.2 (2014): 147-158.). A análise dos espectros é executada através da estimativa da gravidade da do- ença na relação de pixels entre os valores dos índices NDVI acima de 0,1 ou abaixo de 0,1 ou através do cálculo de diferentes índices de ve- getação com informações espectrais no nível do pedaço de terra. Este método possui a desvantagem de que os índices espectrais direciona- dos não são específicos da doença.
[0010] Os métodos descritos da técnica anterior possuem diferen- tes desvantagens. Em particular, os métodos da técnica anterior não são adequados para a fenotipagem de alta produtividade e alta resolu- ção de plantas isoladas em condições de campo.
[0011] Portanto, é um objetivo da presente invenção fornecer um método e um sistema de aquisição e avaliação de dados para executar a análise de dados com relação à fenotipagem de plantas de plantas isoladas em um campo, assim como uma plataforma móvel e o uso da plataforma móvel no dito método e/ou no dito sistema de aquisição e avaliação de dados, os quais reduzem ou eliminam uma ou mais das desvantagens mencionadas acima. Em particular, é um objetivo da presente invenção fornecer um método e um sistema de aquisição e avaliação de dados para executar as análises de dados para a fenoti- pagem de plantas de plantas isoladas em um campo, assim como uma plataforma móvel e o uso da plataforma móvel no referido método e/ou no referido sistema de aquisição e avaliação de dados, que permitem uma determinação confiável e/ou eficiente em termos de tempo dos traços vegetais.
[0012] De acordo com um primeiro aspecto da invenção, é forne- cido um método para executar a análise de dados com relação à feno- tipagem de plantas de plantas isoladas em um campo, compreenden- do as etapas de captura de dados espectrais por meio de um sensor de formação de imagem hiperespectral, captura de dados de imagem por meio de um sensor de imagem, captura dados de georreferência por meio de uma unidade de medição inercial, de preferência por meio de uma unidade de medição inercial auxiliada pelo GNSS, que espaci- aliza os dados de imagem para gerar dados de imagem georreferenci- ados e um modelo digital de superfície, que espacializa os dados es-
pectrais, gerando dados espectrais georreferenciados com base nos dados espectrais espacializados e no modelo digital de superfície e sobreposição dos dados de imagem georreferenciados e dos dados espectrais georreferenciados com informações do plano de campo pa- ra gerar um conjunto de dados de análise de alta resolução.
[0013] O método é adequado para a execução da análise de da- dos para a fenotipagem de plantas de plantas isoladas em um campo. Em particular, o campo pode ser um campo experimental ou um cam- po em escala de produção para o cultivo de numerosas plantas de um genótipo ou vários genótipos e/ou para o cultivo de numerosas plantas de um fenótipo ou vários fenótipos. O campo em escala de produção geralmente possui um tamanho, que é várias vezes o tamanho do campo de teste, em que o campo experimental geralmente muito me- nor é utilizado para executar experiências de campo.
[0014] Aqui, a fenotipagem de plantas também pode ser referida de fenotipagem em resumo. A fenotipagem é entendida em particular como um processo geral para detectar e/ou identificar as característi- cas morfológicas e físicas das plantas para determinar um fenótipo. O fenótipo é o compósito de traços observáveis das plantas, por exem- plo, altura da planta, contagem de plantas, fechamento de fileiras, bi- omassa, produção de frutos/sementes, doenças das folhas, danos a insetos, tolerância a herbicidas, infecções por vírus através de sinto- mas e efeitos do estresse abiótico. Para medir os referidos traços ob- serváveis da planta, o método implica uma única resolução da planta. Nesta invenção, a fenotipagem compreende preferivelmente a execu- ção da análise de dados, que pode incluir a captura de dados e/ou ou- tras etapas do processamento de dados. Além disso, de preferência, a fenotipagem compreende uma etapa da análise de fenotipagem. Ge- ralmente, a análise de fenotipagem é executada após o processamen- to dos dados e/ou após a geração de um conjunto de dados de análi-
se. A análise de fenotipagem pode ser uma etapa final na fenotipa- gem.
[0015] Inter alia, encontrar um fenótipo de planta resulta de uma expressão de um genótipo de planta, assim como da influência de fa- tores ambientais. Portanto, vários fenótipos de plantas tendo o mesmo genótipo ocorrem devido a uma localização do campo em que as plan- tas são cultivadas. Para comparar uma influência dos fatores ambien- tais, o método descrito nesta invenção fornece uma fenotipagem au- tomatizada de uma única planta e é, de preferência, um processo de alta produtividade. Isso tem a vantagem de que o fenótipo de plantas isoladas de vários campos que são distribuídas globalmente pode ser detectado ao mesmo tempo e os fenótipos detectados podem ser comparados de preferência em um servidor principal.
[0016] É particularmente preferível executar a análise de dados para gerar um conjunto de dados de análise de alta resolução para fenotipagem de plantas, em particular análise de dados como mais de- talhes abaixo. O princípio da análise de dados é baseado em um pro- cesso para analisar os dados capturados para permitir a fenotipagem de plantas isoladas, que crescem no campo. Portanto, três sensores diferentes são aplicados para capturar os dados espectrais, os dados de imagem e os dados de georreferência, conforme descrito a seguir.
[0017] O sensor de formação de imagem hiperespectral destina-se a capturar os dados espectrais, o sensor de imagem destina-se a cap- turar os dados de imagem e a unidade de medição inercial destina-se a capturar os dados de georreferência. Aqui, o sensor de formação de imagem hiperespectral e/ou o sensor de imagem e/ou a unidade de medição inercial também podem ser referidos como unidades de sen- sor. Além disso, nesta invenção o sensor de formação de imagem hi- perespectral e/ou o sensor de imagem podem, de preferência, ser rea- lizados como um sensor eletromagnético.
[0018] De preferência, o sensor de formação de imagem hiperes- pectral e/ou o sensor de imagem e/ou a unidade de medição inercial são dispostos e/ou adaptados para capturar os dados de cima. Além disso, de preferência, o sensor de formação de imagem hiperespectral e/ou o sensor de imagem e/ou a unidade de medição inercial estão situados acima de um dossel das plantas enquanto capturam dados, de preferência até 1 m, 2m, 3 m, 5 m, 10 m, 20 m, 30 m, 40 m, 50 m, 75 m ou 100 m acima do dossel das plantas. Os dados capturados mostram, de preferência, as plantas da parte superior em uma vista vertical ou diagonal de cima.
[0019] Geralmente, o método pode ser utilizado para todas as cul- turas. A adequação a certos traços é dada, em particular, pela possibi- lidade de monitorar esses traços por meio de sensores, através da captura de uma superfície do dossel. Portanto, a manifestação dos traços ocorre preferivelmente no dossel das plantas.
[0020] Em particular, é preferível que o sensor de formação de imagem hiperespectral e/ou o sensor de imagem e/ou a unidade de medição inercial estejam fixados na parte de baixo de uma plataforma, em que de preferência a plataforma é uma plataforma móvel. A plata- forma móvel é mutável, em particular horizontalmente mutável em pa- ralelo ao solo do campo, em que sua parte de baixo está voltada para o solo do campo.
[0021] O sensor de formação de imagem hiperespectral coleta e processa informações de um lado ao outro do espectro eletromagnéti- co para obter o espectro de cada pixel em uma imagem do campo, com o objetivo de identificar e detectar os traços da planta. Em particu- lar, o sensor de formação de imagem hiperespectral pode ser integra- do a um scanner de pista. O princípio do sensor de formação de ima- gem hiperespectral baseia-se na divisão de imagens em faixas espec- trais, em particular na divisão de imagens em faixas espectrais que podem ser estendidas além do visível. Os dados espectrais captura- dos possuem de preferência uma alta resolução espectral, assim como precisão do comprimento de onda e cobrem uma faixa com fio de comprimentos de onda. O sensor de formação de imagem hiperespec- tral mede preferivelmente as faixas espectrais contíguas e captura as plantas usando uma grande parte do espectro eletromagnético. Tipi- camente, a grande parte pode abranger mais de 200 nm, 300 nm, 400 nm, 500 nm, 600 nm, 700 nm, 800 nm, 900 nm ou 1000 nm. Muitas vezes, os traços das plantas possuem impressões digitais únicas no espectro eletromagnético. Conhecidas como assinaturas espectrais, essas impressões digitais permitem a identificação dos traços das plantas isoladas do campo. É particularmente preferível que os dados espectrais capturados sejam de alta resolução.
[0022] O sensor de imagem, em particular, detecta e transmite in- formações que constituem uma imagem de plantas isoladas do campo, de preferência mediante a conversão da atenuação variável de ondas de luz, preferivelmente ondas de luz visíveis, em sinais, pequenas ra- jadas de corrente que transmitem as informações. As ondas podem ser de luz ou outra radiação eletromagnética. É particularmente prefe- rível que os dados de imagem capturados sejam de alta resolução.
[0023] A unidade de medição inercial é preferivelmente uma com- binação espacial de vários sensores inerciais para detecção de movi- mento, por exemplo, acelerar sensores e sensores de velocidade de rotação. A unidade de medição inercial também pode ser utilizada para estabilização da plataforma móvel. É particularmente preferível que os dados de georrefêrencia capturados sejam de alta resolução. Em par- ticular, os dados de georreferência podem ser informações digitais que podem ser atribuídas a um local específico no solo do campo, por exemplo, coordenadas espaciais (tais como coordenadas de GPS).
[0024] Após a captura dos dados acima mencionados, a georretifi-
cação dos dados espectrais capturados e dos dados da imagem cap- turada é realizada através da espacialização. Os dados de georrefe- rência capturados são utilizados para fundir os dados capturados e alocar os dados capturados em um campo e/ou uma planta isolada do campo. Os resultados da espacialização dos dados de imagem são dados de imagem georreferenciados e um modelo digital de superfície. Em particular, os dados de imagem georreferenciados e um modelo digital de superfície são de alta resolução. O modelo digital de superfí- cie é gerado de preferência utilizando um algoritmo para combinar da- dos de imagens 2D com imagens 3D ou pseudoimagens 3D, por exemplo, ao fundir dados de imagem 2D para produzir um GeoTIFF. Em particular, o modelo digital de superfície inclui algumas informa- ções de altura que descrevem uma orientação e/ou direção de cresci- mento da planta e/ou de suas folhas, assim como uma altura da plan- ta. Essas informações de altura são particularmente preferidas para a análise dos dados espectrais.
[0025] O modelo digital de superfície é utilizado para espacializar os dados espectrais para gerar dados espectrais georreferenciados. Utilizando as informações do plano de campo, os dados da imagem georreferenciada e/ou os dados espectrais georreferenciados podem ser atribuídos aos campos, setores de campo ou mesmo plantas isola- das ou parte de plantas isoladas.
[0026] Uma outra etapa compreende sobrepor os dados de ima- gem georreferenciados e os dados espectrais georreferenciados com as informações do plano de campo para gerar um conjunto de dados de análise de alta resolução, de preferência através do uso de um al- goritmo de fusão. De preferência, os dados de imagem georreferenci- ados e/ou os dados espectrais georreferenciados são de alta resolu- ção. As informações do plano de campo compreendem, de preferên- cia, informações para definir locais e dimensões de campo, em particu-
lar informações sobre o pedaço de campo para definir locais e dimen- sões do pedaço de campo. Em particular, a etapa de sobreposição dos dados de imagem georreferenciados e dos dados espectrais georrefe- renciados com as informações do plano de campo compreende uma eliminação de interferências que se originam de diferentes condições de ambiente, por exemplo, luz solar, nuvens, temperatura, diferenças de tamanho, uma escala que pode ser originada pelo uso de lentes e/ou sensores diferentes, assim como alterações na posição física.
[0027] É particularmente preferível que as informações do plano de campo e/ou os dados capturados sejam de alta resolução e, como uma consequência, também o modelo digital de superfície e/ou os da- dos espectrais georreferenciados e/ou os dados de imagem georrefe- renciados. Dessa maneira, a geração de um conjunto de dados de análise de alta resolução é facilitada. Em particular, o método pode incorporar uma resolução de solo mais elevada e/ou uma resolução de planta isoladas e/ou uma resolução geoespacial. O método de alta re- solução permite localizar plantas isoladas ou partes de plantas isola- das, de preferência na faixa de 25 cm, 20 cm, 15 cm, 10 em, 5 em, 3 cm, 2 cm ou 1 cm em torno de sua posição real.
[0028] O método tem a vantagem de que os conjuntos de dados de alta resolução são fáceis de manusear e comparáveis. Também pode promover uma análise de dados mais rápida e eficaz. Vantajo- samente, o método é adequado para um alto rendimento e procedi- mentos padronizados.
[0029] Em particular, o método pode ainda compreender uma eta- pa de análise de fenotipagem. Em particular, a análise de fenotipagem é utilizada para identificar os traços das plantas. A etapa da análise de fenotipagem compreende, de preferência, a análise do conjunto de dados de análise de alta resolução para identificar os traços das plan- tas.
[0030] Além disso, o conjunto de dados de análise e/ou os dados de análise analisados atribuídos ao traço da planta podem ser salvos em um banco de dados. Além disso, o conjunto de dados de análise gerado pode ser atribuído automaticamente aos traços da planta me- diante a comparação do conjunto de dados de análise com os conjun- tos de dados de referência que são salvos no banco de dados. Em particular, o conjunto de dados de análise de alta resolução pode ser caracterizado e os traços das plantas podem ser determinados por meio de uma análise do banco de dados. De preferência, as informa- ções adicionais dos dados de análise podem ser salvas no banco de dados que é utilizado para a análise do banco de dados, por exemplo, localização do campo, data, momento do dia, época do ano, condições ambientais, etc.
[0031] É uma vantagem adicional do método aqui descrito que os traços da planta podem ser medidos quantitativamente e analisados de maneira não destrutiva. Em particular, a combinação das unidades de sensor pode identificar uma cor, um tamanho, uma forma e/ou uma temperatura das folhas, enquanto que um local, um tamanho e/ou uma população da planta são fornecidos pelas informações do plano de campo.
[0032] Em particular, o sensor de imagem é um sensor de cores. Um sensor de cores pode ser utilizado para a detecção e avaliação seletiva da faixa espectral visível. Tais sensores de cores podem ser fornecidos, por exemplo, na forma de um sensor de cores LAB, um sensor RGB (vermelho-verde-azul) ou um sensor de cores verdadei- ras. O princípio de uma imagem do sensor de cores é preferivelmente baseado em uma matriz de filtro de cores ou em uma matriz de mosai- cos de cores para capturar informações sobre cores. O filtro de cores filtra a luz pela faixa de comprimento de onda de tal modo que as in- tensidades filtradas separadas incluam informações sobre a cor da luz.
[0033] De acordo com uma modalidade preferida, o sensor de imagem é um sensor RGB. O sensor RGB - também chamado de filtro Bayer - é um exemplo dos filtros de cores mencionados acima e forne- ce informações sobre a intensidade da luz nas regiões de comprimen- to de onda vermelho, verde e azul. Os dados de imagem bruta captu- rados pelo referido sensor RGB podem ser convertidos em uma ima- gem colorida por um algoritmo de demosaico.
[0034] Outros exemplos para os filtros de cores mencionados aci- ma são o filtro RGBE, o filtro CYYM, o filtro CYGM, o filtro RGBW Ba- yer, o filtro RGBW *1, o filtro RGBW 2, o filtro RGBW tH 3 ou o filtro X- Trans.
[0035] Em particular, os dados de imagem compreendem uma plu- ralidade de imagens de pelo menos um setor de campo, em que cada imagem compreende uma pluralidade de elementos da imagem. Um elemento da imagem é preferivelmente uma parte da captura de ima- gem que corresponde a uma parte do campo de acordo com a alta re- solução. Particularmente preferível, a pluralidade de elementos da imagem pode ser configurada em grades, por exemplo, uma, duas ou mais linhas compreendendo vários elementos da imagem. Geralmen- te, o setor de campo pode de preferência ser um pedaço do campo que é capturado através de uma captura de imagem, em que a captura de imagem compreende múltiplos pedaços do campo e vários elemen- tos da imagem. De preferência, o setor de campo pode descrever uma parte do campo capturada com uma captura de imagem e compreen- der vários elementos da imagem.
[0036] Em uma modalidade preferida, a espacialização dos dados de imagem compreende atribuir coordenadas espaciais aos dados de imagem e, de preferência, corrigir espacialmente os dados de imagem. Assim, as informações espaciais podem ser atribuídas a pixels de imagem individuais. Esta modalidade gera dados de imagem georrefe-
renciados de alta resolução para fenotipagem de plantas isoladas em um campo. A correção espacial possui a vantagem de que possíveis imprecisões podem ser corrigidas para garantir as informações espa- ciais mais precisas de cada pixel de imagem individual.
[0037] Em particular, a espacialização dos dados de imagem com- preende atribuir coordenadas espaciais aos dados de imagem e corri- gir espacialmente os dados de imagem.
[0038] É ainda preferível que a espacialização dos dados espec- trais compreenda atribuir coordenadas espaciais aos dados espectrais e, de preferência, corrigir espacialmente os dados espectrais. Assim, as informações espaciais podem ser atribuídas a elementos da ima- gem espectrais individuais. Esta modalidade gera dados espectrais espacializados de alta resolução para a fenotipagem de plantas isola- das em um campo. A correção espacial tem a vantagem de que possí- veis imprecisões podem ser corrigidas para garantir as informações espaciais mais precisas de cada elemento da imagem espectral.
[0039] Em uma outra modalidade preferida, a espacialização dos dados espectrais compreende uma primeira etapa de espacialização dos dados espectrais, que compreende atribuir coordenadas espaciais aos dados espectrais e, de preferência, corrigir radiometricamente os dados espectrais e, de preferência, uma segunda etapa de espaciali- zação dos dados espectrais, que compreende corrigir espacialmente os dados espectrais.
[0040] Ainda preferivelmente, a espacialização dos dados espec- trais compreende atribuir coordenadas espaciais aos dados espectrais e corrigir espacialmente os dados espectrais.
[0041] É ainda preferível que uma primeira etapa de espacializa- ção dos dados espectrais compreenda a atribuição de coordenadas espaciais aos dados espectrais e a correção radiométrica dos dados espectrais e uma segunda etapa de espacialização dos dados espec-
trais compreenda a correção espacial dos dados espectrais. A corre- ção radiométrica pode, de preferência, reduzir ou corrigir erros ou dis- torções radiométricas. Esse processo pode melhorar a capacidade de interpretação e a qualidade dos dados de sensoriamento remoto. A correção radiométrica é particularmente preferida na comparação de dados capturados durante vários períodos de tempo. A energia ele- tromagnética emitida ou refletida de uma superfície do solo do campo é observada por um sensor a bordo da plataforma móvel não coincide com a energia emitida ou refletida da mesma superfície observada a partir de uma curta distância por causa do ângulo do horizonte e avali- ação do sol e condições atmosféricas. Portanto, para obter a irradia- ção ou refletância real, é preferível corrigir essas distorções radiomé- tricas. Por exemplo, a correção radiométrica pode corrigir efeitos devi- do à sensibilidade do sensor, ângulo do sol e topografia e/ou absor- ções e dispersão da radiação solar provocada por vários efeitos at- mostféricos.
[0042] Em uma outra modalidade preferida, as informações do plano de campo compreendem informações de campo para definir lo- calizações e dimensões de campo, em particular informações do pe- daço de campo para definir localizações e dimensões do pedaço de campo. Em particular, as informações do plano de campo possuem um nível de precisão de +/- 0,02 m, 0,03 m, 0,04 m, 0,6 m, 0,8 m, 0,10 m. As informações do plano de campo compreendem preferivelmente in- formações de divisão de campo nos pedaços de campo, em que os referidos pedaços de campo possuem dimensões para garantir a cap- tura de dados de alta resolução. É preferível que os pedaços de cam- po formem uma grade do campo.
[0043] De preferência, os dados de georreferência e/ou os dados de imagem georreferenciados e/ou os dados espectrais georreferenci- ados compreendem coordenadas de georreferência.
[0044] Em particular, a alocação de dados de imagem capturados e dados espectrais capturados para informações de plano de campo é executada automaticamente mediante o uso de dados de geolocaliza- ção, por exemplo, a partir de um sistema GPS.
[0045] É ainda preferível que a sobreposição dos dados espectrais de georreferência e os dados da imagem georreferenciados com as informações do plano de campo compreenda uma atribuição de infor- mações do pedaço de campo de acordo com as coordenadas da geor- referência. Dessa maneira, as informações dos pedaços de campo podem ser atribuídas aos dados espectrais capturados e/ou aos dados da imagem capturados. As informações do pedaço de campo podem ser, por exemplo, uma altitude de preferência acima do nível do mar, horas solares por dia e/ou por ano, um tipo de solo, etc. De maneira vantajosa, essas informações do pedaço de campo podem ser consi- deradas na etapa da análise de fenotipagem.
[0046] Em uma outra modalidade preferida, o método compreende a etapa de capturar dados adicionais através de pelo menos um sen- sor adicional, de preferência através de um sensor térmico e/ou um sensor eletromagnético. Em particular, os dados adicionais podem ser capturados adicional ou alternativamente. No caso de dados adicionais capturados adicionalmente, os dados adicionais podem ser sobrepos- tos aos dados da imagem, preferivelmente de maneira que ambas as imagens cubram toda a planta em sua posição e espacializando ditos dados sobrepostos para gerar o modelo digital da superfície e os da- dos de imagem georreferenciados. Como uma alternativa ou além do método pode compreender as etapas de geração de dados adicionais georreferenciados pelo uso de dados de georreferência para a espaci- alização dos dados adicionais e sobreposição dos dados adicionais georreferenciados, dados de imagem georreferenciados e dados es- pectrais georreferenciados com as informações do plano de campo para gerar um conjunto de dados de análise de alta resolução.
[0047] Também pode ser preferido que os dados adicionais captu- rados sejam processados de modo equivalente aos dados de imagem. De preferência, os dados adicionais capturados podem ser espaciali- zados para dados adicionais georreferenciados e um modelo digital de superfície. Além disso, os dados adicionais georreferenciados podem, de preferência, ser sobrepostos com as informações do plano de cam- po e com os dados espectrais georreferenciados para gerar um con- junto de dados de alta resolução.
[0048] É particularmente preferível que o sensor adicional seja um sensor térmico, preferivelmente um sensor de IR (infravermelho), para capturar dados térmicos.
[0049] Geralmente, as temperaturas de diferentes partes das plan- tas ou plantas em comparação com os seus controles são correlacio- nadas em diferentes momentos durante o desenvolvimento com um banco de dados genômico. A fusão de dados de imagem e dados tér- micos preferivelmente é um processo de segmentação para separar entre plantas ou suas partes e o ambiente como o solo, atribuir folhas às plantas individuais e verificar a qualidade de infecções, secas ou estresse osmótico.
[0050] Pode ainda ser preferível que o sensor adicional seja um sensor eletromagnético, de preferência uma câmera SWIR (infraver- melho de comprimento de onda curto) para capturar dados infraverme- lhos de onda curta.
[0051] De acordo com uma modalidade preferida, a geração do modelo digital de superfície compreende a gravação múltipla de um elemento da imagem individual mediante a captura dos dados de ima- gem e combinação dos referidos múltiplos elementos da imagem indi- viduais gravados a uma imagem tridimensional. Se aplicável - alterna- tiva ou adicionalmente - a geração do modelo digital de superfície po-
de de preferência compreender a gravação múltipla de um elemento da imagem individual mediante a captura dos dados adicionais e com- binação dos referidos múltiplos elementos da imagem individuais gra- vados com uma imagem tridimensional.
[0052] Em particular, a gravação múltipla pode descrever a grava- ção de um elemento da imagem individual pelo menos dupla ou tripla ou quádrupla ou múltipla de uma perspectiva em diferentes faixas de cores e/ou comprimentos de onda. Alternativamente, a gravação múl- tipla pode preferivelmente descrever a gravação de um elemento da imagem individual pelo menos dupla ou tripla ou quádrupla ou múltipla de diferentes perspectivas. É preferível que a gravação múltipla possa ser feita enquanto se move o sensor de imagem hiperespectral e/ou o sensor de imagem e/ou a unidade de medição inercial e/ou o sensor adicional acima do campo.
[0053] É particularmente preferível que a imagem de dados tridi- mensional possa ser produzida pela fusão de dados de imagem para produzir um GeoTIFF, em que a imagem de dados tridimensional pode incluir algumas informações de altura.
[0054] O método preferivelmente compreende a etapa de uso de um algoritmo de computador para fenotipagem, em particular análise de fenotipagem, que de preferência identifica os traços diretos, doen- ças das folhas, danos a insetos, infecções por vírus por sintomas e/ou efeitos de estresse abiótico. Por exemplo, os traços diretos podem ser uma altura da planta, uma contagem de plantas, um fechamento de uma fileira, uma biomassa, produção de frutos/sementes, tolerância a herbicidas e/ou os efeitos do estresse abiótico podem ser provocados pela limitação de nutrientes, temperatura ambiental, exposição a toxi- nas ambientais (por exemplo, ozônio ou metais pesados) e/ou seca ou estresse osmótico. É particularmente preferível que o algoritmo de computador processe o conjunto de dados de análise mediante o acesso e/ou análise de um banco de dados que preferivelmente com- preende conjuntos de dados de referência para ser capaz de determi- nar os traços vegetais, assim como o fenótipo da planta. Portanto, o algoritmo de computador é preferivelmente adaptado para considerar o conjunto de dados de análise em relação aos conjuntos de dados de referência que são armazenados no banco de dados.
[0055] Os traços vegetais de interesse geralmente são definidos e exigidos pelos criadores. Após o processamento da possibilidade de rastreamento dos dados (por exemplo, correlação, passagem por he- rança), pode ser calculada, por exemplo, a correlação de dados medi- dos e processados com os traços da planta. Os dados podem ser ava- liados sem conhecer o genótipo da planta.
[0056] Além disso, de preferência, o sensor de formação de ima- gem hiperespectral para capturar os dados espectrais e/ou o sensor de imagem para capturar os dados de imagem e/ou a unidade de me- dição inercial para capturar dados de georreferência e/ou o sensor adicional são dispostos em uma plataforma móvel. Em particular, é preferível que uma, duas, várias ou todas as unidades de sensor este- jam conectadas na parte de baixo da plataforma móvel. A plataforma móvel é mutável, em particular mutável horizontalmente em paralelo ao solo do campo, em que sua parte de baixo esteja voltada para o solo do campo. Esta modalidade tem a vantagem de que os dados po- dem ser capturados enquanto se move a plataforma móvel acima do campo.
[0057] É particularmente preferível que a plataforma móvel seja um dispositivo de base terrestre e/ou um dispositivo aéreo, de prefe- rência uma plataforma móvel autônoma. Preferivelmente, uma plata- forma móvel autônoma é uma plataforma móvel não tripulada e/ou po- de ser controlada remotamente. Esta modalidade fornece uma manei- ra particularmente fácil e eficiente em termos de tempo para capturar os dados para executar análises de dados com relação à fenotipagem de plantas de plantas isoladas em um campo. Em particular, a plata- forma móvel pode ser movida horizontalmente em paralelo ao solo do campo, de preferência a uma altitude de 1 my 2m, 3 m, 5m, 10 m, 20 m, 30 m, 40 m, 50 m, 75 m ou 100 m acima do dossel das plantas.
[0058] Em uma modalidade preferida, o sensor de formação de imagem hiperespectral para capturar dados espectrais e/ou o sensor de imagem para capturar dados de imagem e/ou a unidade de medi- ção inercial para capturar dados de georreferência e/ou o sensor adi- cional são dispostos em uma plataforma móvel, em que a plataforma móvel é um dispositivo terrestre e/ou aéreo, de preferência uma plata- forma móvel autônoma. O dispositivo terrestre pode ser, por exemplo, um trator, um robô ou um automático. Um exemplo do dispositivo aé- reo é um drone.
[0059] De preferência, o método compreende a etapa de criação de uma programação de movimento para a plataforma móvel autôno- ma. Esta modalidade fornece um movimento automático da plataforma móvel autônoma. Em particular, um caminho de movimento deve ser reto, enquanto que uma direção transversal da plataforma móvel autô- noma acima do solo deve ser preferivelmente norte a sul ou sul a nor- te. A programação de movimento prevê, de preferência, que um mo- vimento em um momento seja suficiente para capturar todos os dados necessários. No entanto, vários momentos de medição por período de vegetação e/ou por ano podem ser planejados. Em particular, a plata- forma móvel pode ser controlada automaticamente com base no cro- nograma de movimento criado anteriormente. Portanto, a plataforma móvel pode ser conectada de preferência a uma unidade de controle para controlar o movimento da plataforma móvel.
[0060] É ainda preferível os que dados de movimento de um mo- vimento real da plataforma móvel possam ser capturados durante o movimento da plataforma móvel de acordo com a programação de movimento. Os dados de movimento reais e os dados da programação de movimento podem diferir, por exemplo, devido às condições ambi- entais. Esta modalidade preferida possui a vantagem de que variações podem ser reconhecidas por serem levadas em consideração na ava- liação dos dados ou por sinalizar essas variações de maneira a permi- tir que um operador assuma o controle do movimento. Mais preferen- cialmente, a unidade de medição inercial é adaptada para capturar cir- cunstâncias factuais para comparar as referidas circunstâncias factu- ais com os fatores de influência considerados.
[0061] Em particular, a criação da programação de movimento de- ve considerar vários fatores de influência, que podem ter um grande impacto nos dados de alta resolução. Por exemplo, altura, velocidade e/ou sensores podem ser fatores de influência. De preferência, os re- quisitos das unidades do sensor assim como do armazenamento de dados são considerados enquanto se cria a programação de movimen- to. A fim de alcançar uma distância de amostragem no solo, que per- mite a fenotipagem conforme descrito nesta invenção, o movimento da plataforma móvel é preferivelmente em uma altitude de aproximada- mente 2 a 50 metros, de preferência a uma altitude de aproximada- mente 25 metros. Uma altitude ideal do movimento depende das pro- priedades da lente e/ou do sensor, especialmente da distância mínima de foco necessária. Um tamanho resultante do objeto analisado em uma imagem capturada pode ser um fator que limita a distância ao so- lo. De preferência, quando uma sobreposição entre dois dados captu- rados é necessária, a determinação da velocidade máxima de movi- mento leva isso em consideração. Outro fator de limitação de veloci- dade pode ser o tempo de integração do sensor de imagem hiperes- pectral. De preferência, o tempo de integração é ajustado manual ou automaticamente para as condições de luz ambiente.
[0062] Esta modalidade, inter alia, baseia-se na constatação de que a resolução do solo necessária pode depender da aplicação. À resolução do solo pode ser otimizada para uma resolução fina do solo se estruturas muito pequenas, por exemplo, folhas soltas, devem ser reconhecidas espacialmente. Por outro lado, uma resolução mais bai- xa do solo pode ser suficiente se a informação espectral precisar ser espacialmente distinguível no pedaço de terra. Considerando a resolu- ção de solo necessária, a velocidade do movimento pode ser ajustada.
[0063] De acordo com uma modalidade preferida, o método com- preende pré-processar e/ou processar os dados na plataforma móvel e/ou uma estação agrícola e/ou um servidor principal durante o pro- cesso operacional e/ou em uma etapa separada, que pode estar offli- ne. O pré-processamento pode ser entendido como parte do proces- samento. O processamento dos dados, em particular, refere-se à aná- lise de dados para a fenotipagem de plantas. Por exemplo, o pré- processamento pode compreender a espacialização dos dados de imagem para gerar dados de imagem georreferenciados e um modelo digital de superfície e/ou a espacialização dos dados espectrais e/ou gerar dados espectrais georreferenciados com base nos dados espec- trais espacializados e na superfície digital. Em particular, o estabele- cimento de uma relação entre um elemento da imagem e um dado de posição pode ser executado em uma etapa separada offline ou em tempo real, por exemplo, utilizando um algoritmo de rastreamento em tempo real (terreno).
[0064] É particularmente preferível que a estação agrícola possa ser adaptada para pré-processamento e/ou processamento de dados capturados. A estação agrícola pode ser preferivelmente localizada no campo ou nas proximidades do campo, em que as proximidades do campo descrevem uma distância de até 50 km, 40 km, 30 km, 20 km, km, 5 km ou 1 km, de preferência uma distância máxima ao local de administração do campo. Em particular, a estação agrícola pode com- preender uma unidade de memória para armazenamento de dados capturados e/ou pré-processados e/ou processados e particularmente preferível uma unidade de controle para pré-processamento e/ou pro- cessamento de dados capturados. Além disso, a unidade de controle pode ser preferivelmente adaptada para controlar a plataforma móvel. Particularmente preferível, a unidade de memória pode ser conectada à unidade de controle e à plataforma móvel para armazenar e acessar a programação de movimento.
[0065] É ainda preferível que o servidor principal possa ser adap- tado para processar dados capturados e/ou dados pré-processados. O servidor principal pode estar localizado, de preferência, no local princi- pal de administração. Em particular, o servidor principal pode compre- ender uma unidade de memória para armazenamento de dados captu- rados e/ou pré-processados e/ou processados e particularmente prefe- rível uma unidade de controle para processar os dados capturados ou os dados pré-processados. Além disso, a unidade de controle pode ser preferivelmente adaptada para controlar a plataforma móvel. Particu- larmente preferível, a unidade de memória pode ser conectada com a unidade de controle e à plataforma móvel para armazenar e acessar a programação de movimento.
[0066] Em particular, o processamento de dados capturados tam- bém pode compreender (ainda) o processamento de dados pré- processados.
[0067] Particularmente preferível, o método compreende o pré- processamento e/ou o processamento dos dados individualmente para cada planta representada com imagem na plataforma móvel e/ou esta- ção agrícola e/ou servidor principal durante o processo operacional.
[0068] De preferência, a plataforma móvel e/ou a estação agrícola e/ou o servidor principal compreendem uma unidade de memória para armazenar dados capturados e/ou dados pré-processados e/ou dados processados e/ou a programação de movimentação e/ou as informa- ções do plano de campo.
[0069] Em uma modalidade preferida, os dados capturados e/ou os dados pré-processados e/ou os dados processados são transferi- dos da plataforma móvel para o servidor principal e/ou da estação agrícola para o servidor principal através de uma conexão por fio e/ou uma conexão sem fio. Portanto, a plataforma móvel e/ou a estação agrícola e/ou o servidor principal compreendem uma conexão a fio e/ou uma conexão sem fio, de preferência uma rede local sem fio (wlan) e/ou cabo e/ou um barramento serial universal (usb) e/ou uma especificação aberta para conexão sem fio (bluetooth), para transferir os dados capturados e/ou os dados pré-processados e/ou os dados processados da plataforma móvel para a estação agrícola e/ou da pla- taforma móvel para o servidor principal e/ou da estação agrícola para o servidor principal.
[0070] É preferível que a plataforma móvel compreenda uma uni- dade de memória para armazenar dados capturados. De preferência, o servidor principal e/ou a estação agrícola podem fazer o download de um arquivo de ditos dados capturados para pré-processamento e/ou processamento. Portanto, a plataforma móvel e/ou o servidor principal e/ou a estação agrícola compreendem uma interface, em particular para transmissão de dados, de preferência transmissão de dados sem fio.
[0071] Em uma modalidade preferida, os dados já podem ser pré- processados na plataforma móvel durante o processo operacional. Em uma outra modalidade preferida, os dados podem ser pré-processados individualmente para cada planta representada com imagem na plata- forma móvel durante o processo operacional.
[0072] De acordo com um aspecto adicional da invenção, é forne-
cido um sistema de aquisição e avaliação de dados para executar a análise de dados com relação à fenotipagem de plantas de plantas iso- ladas em um campo, compreendendo um sensor de formação de ima- gem hiperespectral para captura de dados espectrais, um sensor de imagem para captura de dados de imagem, uma unidade de medição inercial para capturar dados de georreferência e uma unidade de con- trole, que é adaptada para espacializar os dados de imagem para ge- rar dados de imagem georreferenciados e um modelo digital de super- fície, espacializar os dados espectrais, gerar dados espectrais georre- ferenciados com base nos dados espectrais espacializados e no mo- delo digital de superfície, sobrepor os dados de imagem georreferenci- ados e os dados espectrais georreferenciados com informações do plano de campo para gerar um conjunto de dados de análise de alta resolução.
[0073] De acordo com um aspecto adicional da invenção, é forne- cida uma plataforma móvel utilizando pelo menos um método e/ou em um sistema de aquisição e avaliação de dados como aqui descrito, compreendendo um sensor de formação de imagem hiperespectral para capturar dados espectrais, um sensor de imagem para capturar dados de imagem e uma unidade de medição inercial para capturar dados de georreferência. A plataforma móvel é preferivelmente uma plataforma móvel autônoma. De preferência, a plataforma móvel pode ser uma plataforma móvel autônoma.
[0074] De acordo com um outro aspecto da invenção, é fornecido um uso de uma plataforma móvel de acordo com um método e/ou um sistema de aquisição e avaliação de dados e/ou uma plataforma móvel como aqui descrito.
[0075] Em qualquer modalidade de acordo com os vários aspectos da presente invenção, a planta pode ser uma espécie vegetal selecio- nada do grupo que consiste em: Hordeum vulgare, Hordeum bulbu-
som, Sorghum bicolor, Saccharum officinarium, Zea mays, Setaria ita- lica, Oryza minuta, Oriza sativa, Oryza australiensis, Oryza alta, Triti- cum aestivum, Secale cereale, Malus domestica, Brachypodium dista- chyon, Hordeum marinum, Aegilops tauschii, Daucus glochidiatus, Be- ta vulgaris, Daucus pusillus, Daucus muricatus, Daucus carota, Eu- calyptus grandis, Nicotiana sylvestris, Nicotiana tomentosiformis, Nico- tiana tabacum, Solanum Ilycopersicum, Solanum tuberosum, Coffea canephora, Vitis vinifera, Erythrante gquttata, Genlisea aurea, Cucumis sativus, Morus notabilis, Arabidopsis arenosa, Arabidopsis lyrata, Ara- bidopsis thaliana, Crucihimalaya himalaica, Crucihimalaya wallichii, Cardamine flexuosa, Lepidium virginicum, Capsella bursa pastoris, Olmarabidopsis pumila, Arabis hirsute, Brassica napus, Brassica oele- racia, Brassica rapa, Raphanus sativus, Brassica juncea, Brassica ni- gra, Eruca vesicaria subsp. sativa, Citrus sinensis, Jatropha curcas, Populus trichocarpa, Medicago truncatula, Cicer yamashitae, Cicer bi- Jjugum, Cicer arietinum, Cicer reticulatum, Cicer judaícum, Cajanus ca- janifolius, Cajanus scarabaeoides, Phaseolus vulgaris, Glycine max, Astragalus sinicus, Lotus japonicas, Torenia fournieri, Allium cepa, AI- lium istulosum, Allium sativum e Allium tuberosum.
[0076] De acordo com um outro aspecto da invenção, é fornecido um método para selecionar plantas, dito método compreendendo: a) crescimento de uma população de plantas; b) execução do método descrito acima para executar análise de dados com relação à fenoti- pagem de plantas de plantas isoladas em um campo para a fenotipa- gem da população de plantas com base no conjunto de dados de aná- lise de alta resolução; e seleção de uma planta da população tendo um fenótipo desejado.
[0077] De acordo com um aspecto adicional da invenção, é forne- cido um método para a seleção de indivíduos vegetais em um progra- ma de reprodução, dito método compreendendo: a) crescimento de uma população de plantas de indivíduos de preparação; b) execução do método descrito acima para executar a análise de dados com rela- ção à fenotipagem de plantas de plantas isoladas em um campo para a fenotipagem da população de indivíduos de preparação com base no conjunto de dados de análise de alta resolução e geração de um con- junto de dados de preparação de fenótipos; c) associação do conjunto de dados de preparação da fenotipagem com um conjunto de dados de preparação de genótipos compreendendo informações genéticas através do genoma de cada indivíduo de preparação para gerar um conjunto de dados de preparação da associação; d) genotipagem de uma população de indivíduos reprodutores; e) seleção de pares de re- produção da população de plantas de genótipos de plantas baseados em indivíduos reprodutores, utilizando o conjunto de dados de prepa- ração da associação para selecionar pares de reprodução prováveis ou capazes de gerar descendentes com uma ou mais características desejadas; e) opcionalmente, cruzamento dos pares de reprodução para gerar descendentes; e f) opcionalmente, cultivo da prole com um ou mais traços desejados. De preferência, a população de plantas de indivíduos de preparação é geneticamente diversa e/ou a população de plantas de indivíduos reprodutores é geneticamente diversa. A po- pulação pode incluir indivíduos portadores de um ou mais transgenes e/ou indivíduos com DNA editado com mutagênese aleatória ou direci- onada, tal como TILLING, preferivelmente combinada mutagênicos químicos como EMS ou ENU, e tal como modificações com base em TALEN ou CRISPR, assim como modificações mediadas por editor de base. CRISPR pode incluir, em particular, “CRISPR/Cas9, CRISPR/Cpf1 ou CRISPR/Csm1.
[0078] Em uma modalidade preferida, a etapa c) compreende ain- da o uso de um modelo biológico, estimando os efeitos dos marcado- res genotípicos e vinculando a estimativa dos efeitos dos marcadores genotípicos com o modelo biológico para gerar um conjunto de dados de preparação de associação e/ou a etapa e) compreende o uso de um modelo biológico, estimando os efeitos de marcadores genotípicos e vinculando a estimativa de efeitos de marcadores genotípicos com o modelo biológico. A incorporação de informações biológicas nesse mé- todo de previsão genômica pode permitir reconstruir e prever os traços alvo tais como um traço complexo (tolerância à seca), que mostra co- nexões não lineares entre os traços dentro do processo de estimativa de parâmetros (WO 2016/069078 A1). Os traços incluem, mas não são limitados a estes, os traços fisiológicos incluídos nos modelos de cres- cimento de culturas, genes individuais nas redes genéticas, polimor- fismos de DNA nativos editados por genes e transgênicos.
[0079] Exemplos não limitativos de traços que podem ser previstos pelo método de acordo com esta modalidade são a resistência ou a tolerância a pragas de insetos, tais como vermes da raiz, brocas, bro- cas, lagartas, besouros, pulgões, gafanhotos, gorgulhos, ácaros e per- cevejos. Outros traços podem ser resistência ou tolerância a nematói- des, patógenos bacterianos, fúngicos ou virais ou seus vetores. Mais outros traços podem ser o uso mais eficiente de nutrientes, tal como o uso de nitrogênio, e a eficiência fotossintética. Ainda outros traços po- dem ser a tolerância a estressores abióticos tais como temperatura, suprimento de água, salinidade, pH, tolerância com relação aos extre- mos na exposição de luz solar. Traços adicionais podem ser caracte- rísticas relacionadas aos perfis de sabor, aparência, nutricionais ou vitamínicos de partes comestíveis ou alimentares da planta, ou podem estar relacionados à longevidade ou qualidade de armazenamento dessas partes. Finalmente, os traços podem estar relacionados às qualidades agronômicas tais como resistência a acomodação, frag- mentação, tempo de floração, maturação, emergência, colheita, estru- tura vegetal, vigor, tamanho, produtividade e outras características.
[0080] Em outra modalidade preferida do método, dita informação genotípica para o candidato é obtida através da genotipagem utilizan- do marcadores de SNP e/ou através de análises da expressão gênica, concentração de metabolitos ou concentração de proteínas.
[0081] Em outra modalidade preferida do método, os indivíduos reprodutores são haplóides homozigotos ou duplicados.
[0082] De acordo com um outro aspecto da invenção, é fornecido um método para selecionar uma planta inata, o método compreenden- do: a) avaliar quantitativamente a distribuição de dois ou mais traços em uma população de plantas inatas, em que a avaliação da distribui- ção de pelo menos um traço é executada pelo método descrito acima para executar análise de dados com relação à fenotipagem de plantas de plantas isoladas em um campo; b) construir uma matriz de conexão para cada progenitor da planta inata para os dois ou mais traços de interesse; c) aplicar a matriz de conexão em uma análise multivariada de modelo misto para a população de plantas inatas; d) obter um valor previsto para dita planta inata; e e) selecionar uma ou mais plantas inatas com base no valor previsto.
[0083] Os traços podem compreender uma pluralidade de atributos correlatos. Preferivelmente, a pluralidade de atributos correlatos com- preende rendimento de grãos, teor de umidade, número total de folhas e/ou biomassa.
[0084] Em uma modalidade preferida do método, a população de plantas inatas é separada em linhagens masculinas e femininas.
[0085] Em outra modalidade preferida, o método compreende ain- da determinar a capacidade geral de combinação e/ou a capacidade específica de combinação para dita planta.
[0086] Em uma modalidade adicional, o método compreende ainda o cálculo de um BLUP utilizando o modelo. A avaliação genética de um determinado traço pode ser descrita utilizando Best Linear Un-
biased Prediction (BLUP). A precisão do BLUP depende de vários fato- res, tais como o número de parentes que existem na população sendo avaliada, o número de observações feitas para um indivíduo e/ou seus parentes, e os componentes de variação da população. Geralmente, quanto mais observações são feitas para um indivíduo e/ou seus pa- rentes, tanto melhor será o prognóstico de seu valor genético e, por- tanto, tanto maior a precisão desse prognóstico.
[0087] Na avaliação genética, atributos conhecidos por serem cor- relacionados raramente são analisados de forma individual. Aqui, uma abordagem de modelo misto multivariada é utilizada, com os diferentes atributos analisados simultaneamente. Essa abordagem foi demons- trada de fornecer aumento na precisão do prognóstico em comparação com a abordagem univariada.
[0088] Em uma modalidade, o método ainda compreende o cálculo da precisão do prognóstico para cada dito valor previsto.
[0089] Em outra modalidade preferida, o método ainda compreen- de a seleção de uma planta de progênie híbrida com base nos valores previstos obtidos de duas plantas inatas progenitoras.
[0090] Conforme utilizado nesta invenção, o termo "precisão" ge- ralmente pode se referir à correlação entre o valor genético prognosti- cado (por exemplo, o valor de BLUP) e o valor genético "verdadeiro", e geralmente assume um valor entre O e 1. Quanto mais próxima a pre- cisão estiver de 1, tanto mais próximo o valor prognosticado está do verdadeiro valor genético. Nas modalidades particulares, a precisão em uma linhagem vegetal é determinada com base na variação do er- ro de prognóstico (PEV) (isto é, a variação do valor genético).
[0091] Conforme aqui utilizado com relação aos traços ou atribu- tos, o termo "correlacionado" pode se referir a um grau ou proporção de variação que dois traços compartilham devido a causas genéticas. Pode incluir, por exemplo, e sem limitação, correlação associada com a proximidade de dois genes no mesmo cromossomo, ou correlação associada com os genes que são expressos sob o controle de fatores genéticos, moleculares ou ambientais comuns.
[0092] Como utilizado nesta invenção, o termo "capacidade geral de combinação" pode se referir a uma medida do valor de uma linha- gem inata como um progenitor de um híbrido.
[0093] Conforme aqui utilizado, o termo "análise de modelo misto" pode se referir a um sistema que contém fatores experimentais dos tipos de efeitos tanto fixos quanto aleatórios, com interpretações e análises apropriadamente diferentes para os dois tipos de fatores.
[0094] O termo "multivariado" pode se referir à análise concorrente de duas ou mais variáveis de interesse em um organismo. Essas vari- áveis podem estar associadas com uma determinada característica, fenótipo, gene ou alelo. Em algumas modalidades, essas múltiplas va- riáveis podem ser correlacionadas entre si.
[0095] Como aqui utilizado, o termo "capacidade de combinação específica" pode ser utilizado para estimar o valor de uma linhagem progenitora (por exemplo, um progenitor inato) para gerar uma planta híbrida, onde a estimativa se baseia em uma avaliação da própria planta híbrida. Quanto às vantagens, as modalidades preferidas e de- talhes desses aspectos adicionais e suas modalidades preferidas, é feita referência às vantagens correspondentes, modalidades preferidas e detalhes descritos acima.
[0096] As modalidades preferidas da invenção devem agora ser descritas com referência aos desenhos anexos, nos quais Fig. 1: mostra um fluxograma esquemático de um método exemplar para executar a análise de dados com relação à fenotipagem de plan- tas de plantas isoladas em um campo; Fig. 2: mostra um GeoTIFF registrado por um dispositivo aéreo que é coberto com as informações correspondentes do plano de campo;
Fig. 3: mostra a fusão de dados de imagem capturados e dados térmi- cos; Fig. 4: mostra um exemplo de medições de uma infecção por patóge- nos; Fig. 5A: mostra a fusão de dados espectrais com dados RGB para medir a infecção por patógenos de acordo com a Fig. 4; Fig. 5B: mostra uma comparação espectral de doença foliar, folha saudável e solo de acordo com a Fig. 4 e Fig. 5; Fig. 6: mostra um exemplo para uma análise de planta isolada; e Fig. 7: mostra uma medição da cobertura de folhas e/ou uma biomas- sa.
[0097] Nas figuras, os elementos com as mesmas funções ou fun- ções comparáveis são indicados com os mesmos números de referên- cia.
[0098] A Figura 1 mostra um fluxograma esquemático do método para executar a análise de dados com relação à fenotipagem de plan- tas de plantas isoladas em um campo. O diagrama de fluxo descreve o processamento de dados após a captura desses dados 1a. O proces- samento pode ser executado na plataforma móvel, em uma estação agrícola e/ou em um servidor principal. Em particular, o pré- processamento, que faz parte do processamento, pode ser executado na plataforma móvel, em que a parte remanescente do processamento pode ser executada na estação agrícola e/ou no servidor principal e/ou na estação agrícola, em que a parte remanescente do processamento pode ser executada no servidor principal.
[0099] O método descreve etapas de processamento após a cap- tura de dados de georreferência 1.1 através de uma unidade de medi- ção inercial, dados de imagem 1.2 através de um sensor de imagem e dados espectrais 1.3 através de um sensor de formação de imagem hiperespectral. A primeira etapa de acordo com a Fig. 1 é a espaciali-
zação dos dados de imagem 2.1, 2.2 e a espacialização dos dados espectrais 3.1, 3.2, 3.3. A espacialização dos dados de imagem 2.1,
2.2 compreende atribuir coordenadas espaciais aos dados de imagem
2.1 e corrigir espacialmente os dados de imagem 2.2 para gerar dados de imagem georreferenciados 2a e um modelo digital de superfície 2b utilizando os dados de georreferência 1.1. A espacialização dos dados espectrais 3.1, 3.2, 3.3 compreende a atribuição de coordenadas es- paciais aos dados espectrais 3.1, uma correção radiométrica 3.3 e a correção espacial 3.2 dos dados espectrais 1.3. Para gerar dados es- pectrais georreferenciados 3a, os dados espectrais 1.3 foram espacia- lizados através do uso. A próxima etapa do método de acordo com a Fig. 1 compreende sobrepor os dados de imagem georreferenciados 2a e os dados espectrais georreferenciados 3a com as informações do plano de campo 4 para gerar um conjunto de dados de análise de alta resolução mediante a atribuição das informações do pedaço de terra de acordo com as coordenadas geográficas 4a, 4b. Em uma análise de fenotipagem 5, o conjunto de dados de análise de alta resolução é analisado para identificar os traços das plantas. Por exemplo, o con- junto de dados de análise de alta resolução pode ser caracterizado e os traços da planta podem ser determinados por meio de uma análise de banco de dados.
[00100] A Fig. 2 mostra um setor de campo 20.1 no formato Geo- TIFF 20 registrado por um dispositivo aéreo, que é coberto com as in- formações correspondentes do plano de campo 4 para analisar plantas isoladas neste setor de campo 20.1. As informações do plano de cam- po 4 são mapeadas como um shapefile que define os locais do pedaço de terra, assim como as dimensões e pedaços de terra de cobertura que não fazem parte do GeoFITT. Além disso, os eixos 21, 22 das in- formações do plano de campo 4 indicam a posição norte/sul e les- te/oeste dos pedaços de terra e região, que são cobertos pela ima-
gem. A escala do eixo leste 21 e do eixo norte 22 está a metros de uma distância de uma linha de ponto de referência. De acordo com a Fig. 2, as informações do plano de campo 4 definem um campo que se divide em pedaços de campo 23 que possuem dimensões para garan- tir a captura de dados de alta resolução. Esses pedaços de campo 23 formam uma grade do campo. Além disso, as informações do plano de campo 4 mostram os blocos 25 que compreendem várias linhas 24 dos pedaços de campo 23, em que cada linha 24 compreende vários pedaços de campo 23.
[00101] “Como pode ser visto na Fig. 3, a segmentação 32 para se- parar entre uma planta 33 e um ambiente 34 pode ser feita pela fusão dos dados capturados. Durante o processamento, os dados captura- dos através de diferentes unidades de sensores são preferivelmente fundidos. Por meio disso, diferenças de tamanho, escalas que muitas vezes se origina do uso de lentes e/ou unidades de sensores diferen- tes, alterações na posição física, assim como interferências que se originam de diferentes condições ambientais, por exemplo, luz solar, nuvens, temperatura, etc., podem ser eliminadas. A Fig. 3 mostra uma termografia 30.1 e uma imagem RGB 30.2 de uma planta de milho 33 que é fundida 31 e segmentada 32. Essa segmentação 32 separa a planta de milho 33 do ambiente 34 para atribuir as folhas 35 da planta 33 e, de preferência, para determinar a qualidade e/ou quantidade de infecções ou seca ou estresse osmótico.
[00102] Com referência às Figuras 4, 5a e 5b, uma medição de uma infecção por patógeno é feita por fusão.
[00103] A Fig.4 mostra uma imagem de um campo 40 após fundir os dados espectrais capturados e dados RGB capturados como des- crito acima. Devido à alta resolução do solo e às informações conheci- das dos sensores geoespaciais, é possível obter informações sobre plantas isoladas. As informações recebidas de um processo de captu-
ra de dados podem ser utilizadas para configurar uma série resolvida no tempo da planta e/ou desenvolvimento de traços durante um perío- do de vegetação. Uma indicação visual de, por exemplo, diferentes traços da planta 41, 42, fornece uma análise de fenotipagem de alta resolução e menos subjetiva. Devido às indicações visuais, o solo, fo- lhas saudáveis e doenças foliares podem ser diferenciadas. Os traços das plantas, assim como o solo, frequentemente possuem impressões digitais únicas no espectro eletromagnético. Conhecidas como assina- turas espectrais, essas impressões digitais permitem a identificação dos traços das plantas isoladas do campo.
[00104] NarFig.5a,o solo 50, folhas saudáveis 51 e doenças folia- res 52 são marcadas. A detecção dos traços da planta pode ser alcan- çada através da comparação de cada espectro de pixels com um ban- co de dados, no qual os espectros de referência de diferentes traços da planta são depositados. Os dados espectrais permitem uma dife- renciação de pixels por sua composição química subjacente. Plantas, parte das plantas ou outros alvos podem apresentar a mesma cor vi- sual enquanto possuem componentes químicos completamente dife- rentes, por exemplo, um solo marrom e um tecido foliar necrótico mar- rom.
[00105] “Como pode ser visto na Fig. 5b, uma comparação espectral mostra que se uma similaridade dos espectros for alta o suficiente, o pixel poderá ser classificado como pixel de “doença foliar”. Ao contrá- rio, se a semelhança dos espectros não for alta o suficiente, o pixel poderá ser classificado como pixel de “folha saudável”. Portanto, uma escala do eixo x 55 é o comprimento de onda em nm e uma escala do eixo y 56 é uma intensidade normalizada. Após a classificação de to- dos os pixels de uma planta e/ou parte da planta, os pixels de "doença foliar" e "folha saudável" podem ser utilizados para calcular uma rela- ção que descreve a quantidade de infestação.
[00106] A Fig. 6 mostra um exemplo de uma análise de planta iso- lada. O método captura contornos 60 e pontos médios 61 da distribui- ção de biomassa 62 de plantas individuais. Portanto, o método fornece a possibilidade de medir a biomassa para plantas isoladas. Além dis- so, uma taxa de crescimento de plantas isoladas pode ser calculada com base nas medições de biomassa de séries temporais.
[00107] Com referência à Fig. 7, uma cobertura foliar e/ou biomassa pode ser medida em comparação com os dados capturados e fundidos de plantas isoladas em um lote experimental com uma escala de refe- rência espectral 70. A figura mostra plantas isoladas em diferentes es- tágios de desenvolvimento. Em comparação com a parte inferior do pedaço de terra experimental 72, a parte superior do lote experimental 71 compreende um dossel entre plantas vizinhas que já foi parcialmen- te fechado. O dossel é frequentemente um parâmetro importante para as plantas. O fechamento do dossel, que descreve que uma lacuna entre as plantas vizinhas está fechada, é crucial para o controle de er- vas daninhas, porque as ervas daninhas que crescem entre as plantas competem frequentemente com as plantas por nutrientes e luz solar. Dessa forma, o fechamento do dossel pode muitas vezes dificultar sig- nificativamente o crescimento de ervas daninhas.
LISTA DE SINAIS DE REFERÊNCIA 1a dados de uma plataforma móvel 11 dados de georreferência
1.2 dados da imagem 13 dados espectrais 21 atribuição das coordenadas espaciais para dados espec- trais
2.2 correção espacial dos dados espectrais 2a dados de imagem georreferenciados 2b modelo digital de superfície
31 atribuição das coordenadas espaciais para dados espec- trais
3.2 correção espacial dos dados espectrais
3.3 correção radiométrica dos dados espectrais 3a dados espectrais georreferenciados 4 informações do plano de campo 4a, 4b atribuição de informações do pedaço de terra de acordo com coordenadas geográficas análise de fenotipagem GeoTIFF
20.1 setor de campo 21 eixo x, leste [m] 22 Eixo y, norte [m] 23 pedaço de campo 24 linha de pedaços de campo 23 bloco
30.1 imagem termográfica
30.2 imagem RGB 31 fusão 32 segmentação 33 planta / planta de milho 34 ambiente folhas de atribuição 40 campo 41,42 traços da planta 50 solo 51 folhas saudáveis 52 doenças foliares 55 eixo x, comprimento de onda em nm B53eixo y, intensidade normalizada
60 contornos 61 ponto médio 62 distribuição de biomassa 70 escala de referência espectral, número de pixels 71 parte superior do lote de experiência 72 parte inferior do lote de experiência
Claims (30)
1. Método para executar a análise de dados com relação à fenotipagem de plantas de plantas isoladas em um campo, caracteri- zado pelo fato de que compreende as etapas de: — capturar os dados espectrais através de um sensor de formação de imagem hiperespectral (1.3), — capturar os dados de imagem através de um sensor de imagem (1.2), — capturar os dados de georreferência através de uma uni- dade de medida inercial (1.1), — espacializar os dados da imagem (2.1, 2.2) para gerar dados de imagem georreferenciados (2a) e um modelo digital de su- perfície (2b), — espacializar os dados espectrais (3.1, 3.2), — gerar dados espectrais georreferenciados (3a) com base nos dados espectrais espacializados e no modelo digital de superfície (2b) e — sobrepor os dados de imagem georreferenciados e os dados espectrais georreferenciados com informações do plano de campo (4a, 4b) para gerar um conjunto de dados de análise de alta resolução.
2. Método de acordo com a reivindicação precedente, ca- racterizado pelo fato de que o sensor de imagem é um sensor RGB.
3. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que a espacialização dos dados da imagem compreende atribuir coordenadas espaciais aos da- dos da imagem e, de preferência, corrigir espacialmente os dados de imagem.
4. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que a espacialização dos dados espectrais compreende — uma primeira etapa de espacialização dos dados espec- trais, que compreende o atribuir coordenadas espaciais aos dados espectrais e o preferivelmente corrigir radiometricamente os dados es- pectrais e — preferivelmente uma segunda etapa de espacialização dos dados espectrais, que compreende a correção espacial dos dados espectrais.
5. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que as informações do plano de campo compreendem informações de campo para definir lo- calizações e dimensões de campo, em particular informações do pe- daço de campo para definir localizações e dimensões do pedaço de campo.
6. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que a sobreposição dos dados espectrais georreferenciados e dos dados de imagem georrefe- renciados com as informações do plano de campo compreende uma atribuição de informações do pedaço de campo de acordo com as co- ordenadas de georreferência.
7. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que compreende a etapa de captura de dados adicionais por meio de pelo menos um sensor adicional, de preferência por meio de um sensor térmico e/ou um sen- sor eletromagnético.
8. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que a geração do modelo digital de superfície compreende — gravação múltipla de um elemento da imagem individual através da captura dos dados da imagem e — combinação dos referidos múltiplos elementos da imagem individuais gravados com uma imagem tridimensional.
9. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que compreende a etapa de utilizar um algoritmo de computador para a fenotipagem que de pre- ferência identifica traços diretos e/ou doenças foliares e/ou danos de insetos e/ou infecções por vírus através de sintomas e/ou efeitos do estresse abiótico.
10. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que o sensor de forma- ção de imagem hiperespectral para capturar dados espectrais e o sen- sor de imagem para capturar dados de imagem e a unidade de medi- ção inercial para capturar dados de georreferência estão dispostos em uma plataforma móvel, em que a plataforma móvel é um dispositivo terrestre e/ou aéreo, de preferência uma plataforma móvel autônoma.
11. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que compreende o pré- processamento e/ou o processamento dos dados na plataforma móvel e/ou uma estação agrícola e/ou uma estação principal durante o pro- cesso operacional e/ou em uma etapa separada offline.
12. Método de acordo com pelo menos uma das reivindica- ções precedentes, caracterizado pelo fato de que os dados capturados e/ou os dados pré-processados e/ou os dados processados são trans- feridos da plataforma móvel para o servidor principal e/ou da estação agrícola para servidor principal por meio de uma conexão com fio e/ou uma conexão sem fio.
13. Sistema de aquisição e avaliação de dados para execu- tar a análise de dados com relação à fenotipagem de plantas de plan- tas isoladas em um campo, caracterizado pelo fato de que compreen-
de: — um sensor de formação de imagem hiperespectral para capturar dados espectrais (1.3), — um sensor de imagem para capturar dados de imagem (1.2), — uma unidade de medição inercial para capturar dados de georreferência (1.1) e — uma unidade de controle que é adaptada para: o espacializar os dados de imagem (2.1, 2.2) para gerar dados de imagem georreferenciados (2a) e um modelo digital de su- perfície (2b), o espacializar os dados espectrais (3.1, 3.2), o gerar dados espectrais georreferenciados (3a) com base nos dados espectrais espacializados e no modelo digital de superfície (2b), o sobrepor os dados de imagem georreferenciados e os dados espectrais georreferenciados com as informações do plano de campo (4a, 4b) para gerar um conjunto de dados de análise de alta resolução.
14. Plataforma móvel para uso em um método como defini- do em pelo menos uma das reivindicações 1 a 12, e/ou em um sistema de aquisição e avaliação de dados como definido na reivindicação pre- cedente, caracterizado pelo fato de que compreende — um sensor de formação de imagem hiperespectral para capturar dados espectrais (1.3), — um sensor de imagem para capturar dados de imagem (1.2)e — uma unidade de medição inercial para capturar dados de georreferência (1.1).
15. Uso de uma plataforma móvel como definida nas rei-
vindicações precedentes, caracterizado pelo fato de que em um méto- do como definido em pelo menos uma das reivindicações 1 a 14 e/ou em um sistema de aquisição e avaliação de dados como definido na reivindicação 13.
16. Método para a seleção de uma planta, caracterizado pelo fato de que compreende: a) crescimento de uma população de plantas; b) execução do método como definido em qualquer uma das reivindicações de 1 a 12 para a fenotipagem da população de plantas com base no conjunto de dados de análise de alta resolução; e c) seleção de uma planta da população tendo um fenótipo desejado.
17. Método para a seleção de indivíduos vegetais em um programa de reprodução, caracterizado pelo fato de que compreende: a) crescimento de uma população de plantas de indivíduos de preparação; b) execução do método como definido em qualquer uma das reivindicações e 1 a 12 para a fenotipagem da população de indi- víduos de preparação com base no conjunto de dados de análise de alta resolução e geração de um conjunto de dados de preparação do fenótipo; Cc) associação do conjunto de dados de preparação do fenó- tipo com um conjunto de dados de preparação do genótipo compreen- dendo informações genéticas através do genoma de cada indivíduo de preparação; d) genotipagem de uma população de indivíduos de repro- dução; e) seleção de pares de reprodução da população de indiví- duos de reprodução com base em genótipos vegetais utilizando o con- junto de dados de preparação da associação para selecionar pares de reprodução prováveis ou capazes de gerar descendentes com um ou mais traços desejados; f) opcionalmente, cruzamento dos pares de reprodução pa- ra gerar descendentes; e cultivo da prole com o um ou mais traços de- sejados.
18. Método de acordo com a reivindicação 17, caracteriza- do pelo fato de que a dita informação genotípica para o candidato é obtida através da genotipagem utilizando marcadores SNP.
19. Método de acordo com a reivindicação 17 ou 18, carac- terizado pelo fato de que a dita informação genotípica para o candidato é obtida através de análises de expressão gênica, concentração de metabólitos ou concentração de proteínas.
20. Método de acordo com qualquer uma das reivindica- ções 17 a 19, caracterizado pelo fato de que ditos indivíduos reprodu- tores são homozigotos.
21. Método de acordo com qualquer uma das reivindica- ções 17 a 20, caracterizado pelo fato de que ainda compreende uma população geneticamente diversificada que inclui indivíduos portado- res de um ou mais transgenes ou uma população geneticamente di- versa que inclui indivíduos com DNA editado com mutagênese aleató- ria ou direcionada.
22. Método de acordo com qualquer uma das reivindica- ções 17 a 21, caracterizado pelo fato de que a dita população de plan- tas de indivíduos de preparação e/ou dita população de indivíduos re- produtores é geneticamente diversa.
23. Método para a seleção de uma planta inata, o método caracterizado pelo fato de que compreende: a) avaliar quantitativamente a distribuição de dois ou mais traços em uma população de plantas inatas, em que a avaliação da distribuição de pelo menos um traço é executada com base no conjun-
to de dados de análise de alta resolução gerado pelo método como definido em qualquer uma das reivindicações 1 a 12; b) construir uma matriz de conexão para cada planta inata progenitora para os dois ou mais traços de interesse; Cc) aplicar a matriz de conexão em uma análise multivariada de modelo misto para a população de plantas inatas; d) obter um valor previsto para a dita planta inata; e e) selecionar uma ou mais plantas inatas com base no valor previsto.
24. Método de acordo com a reivindicação 23, caracteriza- do pelo fato de que a população de plantas inatas é separada em |i- nhagens masculinas e femininas.
25. Método de acordo com a reivindicação 23 ou 24, carac- terizado pelo fato de que os traços compreendem uma pluralidade de atributos correlacionados.
26. Método de acordo com a reivindicação 25, caracteriza- do pelo fato de que a pluralidade de atributos correlacionados compre- ende rendimento de grãos, teor de umidade, número total de folhas e/ou biomassa.
27. Método de acordo com a reivindicação 23, caracteriza- do pelo fato de que ainda compreende a determinação da capacidade geral de combinação e/ou da capacidade específica de combinação para dita planta.
28. Método de acordo com qualquer uma das reivindica- ções 23 a 27, caracterizado pelo fato de que ainda compreende o cál- culo de um BLUP utilizando o modelo.
29. Método de acordo com qualquer uma das reivindica- ções 23 a 28, caracterizado pelo fato de que ainda compreende: o cál- culo da precisão de prognóstico para cada dito valor previsto.
30. Método de acordo com qualquer uma das reivindica-
ções 23 a 29, caracterizado pelo fato de que ainda compreende a se- leção de uma planta de progênie híbrida com base nos valores previs- tos obtidos de duas plantas inatas progenitoras.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP17194841.7 | 2017-10-04 | ||
| EP17194841.7A EP3467702A1 (en) | 2017-10-04 | 2017-10-04 | Method and system for performing data analysis for plant phenotyping |
| PCT/EP2018/077060 WO2019068835A1 (en) | 2017-10-04 | 2018-10-04 | METHOD AND SYSTEM FOR DATA ANALYSIS FOR PLANT PHENOTYPING |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112020005986A2 true BR112020005986A2 (pt) | 2020-09-29 |
Family
ID=60190536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112020005986-2A BR112020005986A2 (pt) | 2017-10-04 | 2018-10-04 | método e sistema para a execução da análise de dados com relação à fenotipagem |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20200294620A1 (pt) |
| EP (2) | EP3467702A1 (pt) |
| CN (1) | CN111357009B (pt) |
| BR (1) | BR112020005986A2 (pt) |
| CA (1) | CA3077713A1 (pt) |
| WO (1) | WO2019068835A1 (pt) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2795499B2 (es) * | 2019-05-21 | 2021-12-17 | Ambling Ingenieria Y Servicios S L | Método y sistema mejorados para la determinación de características de frutos mediante imágenes hiperespectrales |
| JP6953474B2 (ja) * | 2019-06-05 | 2021-10-27 | 野崎 眞次 | 精密農業支援システムおよび精密農業支援方法 |
| US11238283B2 (en) * | 2019-10-04 | 2022-02-01 | The Climate Corporation | Hybrid vision system for crop land navigation |
| CN112215169B (zh) * | 2020-10-10 | 2022-11-08 | 华中农业大学 | 基于无人机被动遥感的作物株高及生物量自适应解算方法 |
| CN112359124A (zh) * | 2020-11-10 | 2021-02-12 | 沈阳农业大学 | 一种依据植物双亲基因型信息虚拟合成杂种基因型的方法及应用 |
| CN112712038B (zh) * | 2020-12-31 | 2024-05-28 | 武汉珈和科技有限公司 | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 |
| CN113065589B (zh) * | 2021-03-26 | 2023-08-15 | 北京林业大学 | 基于叶片特征预判样本是否存在潜在亲本关系的方法及装置 |
| CN113155192B (zh) * | 2021-04-19 | 2022-09-16 | 河南省农业科学院农业经济与信息研究所 | 一种智能化作物表型实时采集装置 |
| US20220398415A1 (en) * | 2021-06-10 | 2022-12-15 | X Development Llc | Localization of individual plants based on high-elevation imagery |
| US20220405962A1 (en) * | 2021-06-22 | 2022-12-22 | X Development Llc | Localization of individual plants based on high-elevation imagery |
| DE102021207009A1 (de) | 2021-07-05 | 2023-01-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Erkennen eines Pflanzengesundheitszustands von Pflanzen für eine Landmaschine |
| CN114140691B (zh) * | 2021-11-25 | 2024-04-23 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5467271A (en) * | 1993-12-17 | 1995-11-14 | Trw, Inc. | Mapping and analysis system for precision farming applications |
| USRE49105E1 (en) * | 2002-09-20 | 2022-06-14 | Vi Technologies, Llc | Self-calibrated, remote imaging and data processing system |
| US20090271719A1 (en) * | 2007-04-27 | 2009-10-29 | Lpa Systems, Inc. | System and method for analysis and display of geo-referenced imagery |
| CN101881726B (zh) * | 2010-06-18 | 2011-11-02 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| US8855937B2 (en) * | 2010-10-25 | 2014-10-07 | Trimble Navigation Limited | Crop characteristic estimation |
| US8965060B2 (en) * | 2011-10-13 | 2015-02-24 | Pioneer Hi-Bred International, Inc. | Automatic detection of object pixels for hyperspectral analysis |
| US10031116B2 (en) * | 2012-05-30 | 2018-07-24 | Agrigenetics, Inc. | Multivariate genetic evaluation of maize for grain yield and moisture content |
| WO2015006675A2 (en) * | 2013-07-11 | 2015-01-15 | Blue River Technology, Inc. | Method for automatic phenotype measurement and selection |
| EP3211989A4 (en) | 2014-10-27 | 2018-09-26 | Pioneer Hi-Bred International, Inc. | Improved molecular breeding methods |
| US20160205917A1 (en) * | 2015-01-15 | 2016-07-21 | Elwha Llc | Weed eradication method and apparatus |
| CN107064931A (zh) * | 2016-12-11 | 2017-08-18 | 天津市矩辉数据科技有限公司 | 基于遥感数据与地理信息系统的农田参照点筛选方法 |
| CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
-
2017
- 2017-10-04 EP EP17194841.7A patent/EP3467702A1/en not_active Withdrawn
-
2018
- 2018-10-04 CA CA3077713A patent/CA3077713A1/en active Pending
- 2018-10-04 CN CN201880075019.9A patent/CN111357009B/zh active Active
- 2018-10-04 BR BR112020005986-2A patent/BR112020005986A2/pt unknown
- 2018-10-04 EP EP18778956.5A patent/EP3692464A1/en active Pending
- 2018-10-04 WO PCT/EP2018/077060 patent/WO2019068835A1/en unknown
- 2018-10-04 US US16/753,044 patent/US20200294620A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3467702A1 (en) | 2019-04-10 |
| CN111357009B (zh) | 2024-06-14 |
| EP3692464A1 (en) | 2020-08-12 |
| CN111357009A (zh) | 2020-06-30 |
| WO2019068835A1 (en) | 2019-04-11 |
| CA3077713A1 (en) | 2019-04-11 |
| US20200294620A1 (en) | 2020-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112020005986A2 (pt) | método e sistema para a execução da análise de dados com relação à fenotipagem | |
| Feng et al. | Yield estimation in cotton using UAV-based multi-sensor imagery | |
| Hassan et al. | A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform | |
| Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
| Xie et al. | Crop height estimation based on UAV images: Methods, errors, and strategies | |
| Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
| Moriya et al. | Mapping mosaic virus in sugarcane based on hyperspectral images | |
| GB2598012A (en) | System and method for crop monitoring | |
| Langstroff et al. | Opportunities and limits of controlled-environment plant phenotyping for climate response traits | |
| Sarkar et al. | High‐throughput measurement of peanut canopy height using digital surface models | |
| Wu et al. | Predicting Zea mays flowering time, yield, and kernel dimensions by analyzing aerial images | |
| Bian et al. | Closing the gap between phenotyping and genotyping: review of advanced, image-based phenotyping technologies in forestry | |
| US20220307971A1 (en) | Systems and methods for phenotyping | |
| Stutsel et al. | Detecting plant stress using thermal and optical imagery from an unoccupied aerial vehicle | |
| Zhang et al. | Development of an automated high-throughput phenotyping system for wheat evaluation in a controlled environment | |
| Sarkar et al. | Is precision agriculture worth it? Yes, may be | |
| Wang et al. | Combining vegetation, color, and texture indices with hyperspectral parameters using machine-learning methods to estimate nitrogen concentration in rice stems and leaves | |
| CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
| Yu et al. | Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands | |
| Yamanura et al. | NDVI derived LAI model: a novel tool for crop monitoring. | |
| Bhandari | High-Throughput Field Phenotyping in Wheat Using Unmanned Aerial Systems (UAS) | |
| Kumari et al. | Crop Phenomics and High-Throughput Phenotyping | |
| Hatton et al. | Comparison of aerial and ground remote sensing to quantify sudden death syndrome in soybeans | |
| Singh et al. | Phenomics | |
| Yasen | UAV-Based Sorghum Growth Monitoring Using LiDar, Photogrammetry, and Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] |