Metodologia para processamento de imagens digitais do

Metodologia para processamento de imagens digitais do sistema radicular

de milho e sorgo utilizando a plataforma Digital Imaging of Root Traits (DIRT)

BOLETIM DE PESQUISA E

DESENVOLVIMENTO

47

ISSN 1677-9266Dezembro/2019

BOLETIM DE PESQUISA E DESENVOLVIMENTO

47

Empresa Brasileira de Pesquisa AgropecuáriaEmbrapa Informática Agropecuária

Ministério da Agricultura, Pecuária e Abastecimento

Embrapa Informática AgropecuáriaCampinas, SP

2019

Metodologia para processamento de imagens digitais do sistema radicular

de milho e sorgo utilizando a plataforma Digital Imaging of Root Traits (DIRT)

Thiago Teixeira SantosSylvia Morais de Sousa TinocoMariana Lourenço CampolinoUbiraci Gomes de Paula Lana

Antonio Marcos Coelho

ISSN 1677-9266Dezembro/2019

Exemplares desta publicação podem ser adquiridos na:

Embrapa Informática Agropecuária Av. André Tosello, nº 209 Campus da Unicamp,

Barão Geraldo - Campinas - SPCEP: 13083-886

Fone: (19) 3211-5700

www.embrapa.brwww.embrapa.br/fale-conosco/sac

Todos os direitos reservados.A reprodução não autorizada desta publicação, no todo ou em parte,

constitui violação dos direitos autorais (Lei nº 9.610).Dados Internacionais de Catalogação na Publicação (CIP)

Embrapa Informática Agropecuária

Comitê Local de Publicações da Unidade Responsável

PresidenteStanley R. de M. Oliveira

Secretária-ExecutivaCarla Cristiane Osawa

MembrosAdriana Farah Gonzalez; Carla Geovana do Nascimento Macário; Jayme Garcia Arnal Barbedo; Kleber Xavier Sampaio de Souza; Luiz Antonio Falaguasta Barbosa; Magda Cruciol; Paula Regina Kuser Falcão; Ricardo Augusto Dante e Sônia Ternes

Suplentes Michel Yamagishi e Goran Nesic

Supervisão editorialKleber X. Sampaio de Souza

Revisão de texto Adriana Farah Gonzalez

Normalização bibliográficaCarla Cristiane Osawa

Projeto gráfico da coleçãoCarlos Eduardo Felice Barbeiro

Editoração eletrônicaThiago Teixeira Santos e Felipe Prado Jaconi sob supervisão de Magda Cruciol

Foto da capaPexels

1ª ediçãoVersão digital (2019)

Metodologia para processamento de imagens digitais no sistema radicular de milho e sorgo utilizando a plataforma Digital Imaging of Root Traits (DIRT) / Thiago Teixeira Santos … [et al.]. -- Campinas : Embrapa Informática Agropecuária, 2019.

PDF 21 p.) : il. color. - (Boletim de pesquisa e desenvolvimento / Embrapa Informática Agropecuária, ISSN 1677-9266 ; 47).

1. Metodologia. 2. Processamento de imagem. 3. Digital Imaging of Root Traits. 4. Raiz de planta. 5. Fósforo. I. Santos, Thiago Teixeira. II. Embrapa Informática Agropecuária. III. Série.

CDD (21. ed.) 006.6

© Embrapa, 2019Carla Cristiane Osawa (CRB-8/10421)

Sumário

Resumo ...............................................................................................5

Abstract ...............................................................................................6

Introdução............................................................................................7

Material e Métodos ..............................................................................9

Resultados e Discussão ....................................................................13

Conclusões ........................................................................................16

Referências .......................................................................................19

5

Metodologia para processamento de imagens di-gitais do sistema radicular de milho e sorgo utili-zando a plataforma DIRTThiago Teixeira Santos1Sylvia Morais de Sousa Tinoco2Mariana Lourenço Campolino3Ubiraci Gomes de Paula Lana4Antonio Marcos Coelho5

Resumo – O fósforo (P) é um dos macronutrientes mais limitantes às culturas emsolos tropicais e com menor eficiência de uso pelas plantas. O melhoramento vegetalnecessita assim de estudos dos sistemas radiculares das plantas e suas respostas àdisponibilidade de P em conjunto com outros fatores bióticos e abióticos como águae microrganismos. Uma metodologia comumente empregada no estudo de sistemasradiculares em condições reais de campo é o emprego do protocolo Shovelomics asso-ciado ao sistema de processamento de imagens DIRT, capaz de computar 70 atributosdiferentes para os sistemas radiculares a partir de imagens coletadas. Contudo, limi-tações nas rotinas de identificação de raízes nas imagens levam a grandes perdas deinformação e ineficiências no processo de análise. Neste trabalho, apresentamos umanova metodologia para segmentação e identificação de itens em imagens, baseada emaprendizado de máquina, que é mais robusta que a metodologia de pré-processamentode imagens originalmente proposta para o DIRT. Quatro experimentos foram conduzi-dos com centenas de amostras de milho e sorgo, cujos atributos foram computadoscom sucesso após a adoção das modificações sugeridas. Apresentamos também duastécnicas simples para visualização dos atributos computados pelo DIRT que auxiliammelhoristas e demais pesquisadores na análise exploratória dos dados obtidos. A me-todologia aqui proposta facilita a adaptação do protocolo Shovelomics/DIRT a outrasconfigurações experimentais, auxiliando no estudo de sistemas radiculares e eficiênciade fósforo em outras culturas de monocotiledôneas e dicotiledôneas.

Termos para indexação: fósforo, fenotipagem, raízes, Shovelomics, árvores dedecisão.

1Cientista da Computação, doutor em Ciências da Computação, pesquisador da Embrapa InformáticaAgropecuária, Campinas, SP.

2Bióloga, doutora. em Biologia Molecular, pesquisadora da Embrapa Milho e Sorgo, Sete Lagoas, MG.3Bióloga, doutoranda em Bioengenharia, Universidade Federal de São João Del Rei, UFSJ, São João Del

Rei, MG.4Químico, doutor em Genética, Analista, Embrapa Milho e Sorgo, Sete Lagoas, MG.5Engenheiro Agrônomo, doutor em Solos e Agricultura de Precisão, pesquisador da Embrapa Milho e

Sorgo, Sete Lagoas, MG.

6

A methodology for digital image processing of themaize and sorghum root system using the DigitalImaging of Root Traits (DIRT) platform

Abstract – Phosphorus (P) is one of the most limiting macro nutrients for crops intropical soils and with the lowest use efficiency by plants. Plant breeding needs to studyplant root systems and their responses to P availability in conjunction with other bioticand abiotic factors such as water andmicroorganisms. Amethodology usually employedin the study of root systems under real field conditions is the Shovelomics protocol as-sociated to the DIRT image processing system, able to compute 70 different attributesfor root systems from collected images. However, restrictions on the root identificationroutines in images lead to large data losses and inefficiencies in the analysis process. Inthis paper, we present a new methodology for segmentation and identification of itemsin images, based on machine learning, which is more robust than the image preproces-sing methodology proposed for DIRT. Four experiments were conducted with hundredsof maize and sorghum samples, such attributed were successfully computed after theadoption of the suggested changes. We also present two simple techniques for visua-lization of DIRT attributes, aiding researchers on exploratory analysis of the data. Themethodology proposed here facilitates the adaptation of the Shovelomics/DIRT protocolto other experimental configurations, helping on the study of root systems and phospho-rus efficiency in other monocotyledon and dicotyledon cultures.

Index terms: Phosphorus, phenotyping, roots, Shovelomics, decision trees.

Metodologia para processamento de imagens do sistema radicular 7

Introdução

Mais de 70% da biomassa terrestre ocorre em solos com baixo conteúdo de fósforo(P), incluindo mais da metade das terras agricultáveis do planeta (Lynch, 2011). O Pé um dos macronutrientes mais limitantes às culturas nos solos tropicais e com menoreficiência de uso pelas plantas. Vários são os mecanismos desenvolvidos pelas plantasquando submetidas à limitação de P, sendo as modificações de atributos morfológicosda raiz uma das principais estratégias de aumento de eficiência no uso de P.

A eficiência no uso de P pelas plantas é uma característica complexa e ainda poucoconhecida, sendo, portanto, pouco utilizada em programas de melhoramento. A Em-brapa vem buscando o aumento da eficiência de aquisição de P em cereais, com enfo-que em milho e sorgo, por meio da exploração da variabilidade genética dos atributosradiculares (Hufnagel et al., 2014; Azevedo et al., 2015; Bernardino et al., 2019), e paratanto os estudos de genética quantitativa requerem protocolos de fenotipagem rápidos,precisos e robustos.

A arquitetura radicular é difícil de ser avaliada diretamente no solo (Trachsel et al.,2011). Já foram relatados diversos processos para se medir raiz em larga escala, po-rém eles se limitam a condições artificiais e as plantas podem ser cultivadas apenaspor um período limitado de tempo. Rolos de papel de germinação foram utilizados parainvestigar a base genética da raiz lateral (Zhu et al., 2005b), raiz seminal (Zhu; Lynch,2004) e pelos radiculares (Zhu et al., 2005a), em resposta à disponibilidade de P. Alémdisso, a nossa equipe vem trabalhando com uma metodologia em pasta para avaliaro sistema radicular em baixo P (Sousa et al., 2012). Em fases posteriores de cresci-mento, vasos podem ser usados para mimetizar condições mais naturais. Liao et al.(2001) investigaram a resposta gravitrópica de ângulos de raiz em resposta à disponi-bilidade de P em vasos. Embora os experimentos em vaso sejam mais representativosdo que os ensaios em solução nutritiva, o crescimento das plantas pode ser limitadopelo volume do solo e disponibilidade de nutrientes. As raízes já foram medidas apósas plantas atingirem a maturidade fisiológica em campo (Laboski et al., 1998; Kato etal., 2006), em caixas com solo (Araki et al., 2000) e em colunas com solo (Araki; Iijima,1998; Hund et al., 2009; Zhu et al., 2010). O cultivo de plantas em colunas ou caixas,contendo solo ou substrato artificial, pode ajudar a reduzir esforços de amostragem emrelação aos estudos em campo e permitir o crescimento sob condições controladas. Noentanto, a escavação das raízes e a determinação de medidas de raiz nesses sistemasainda necessita de mão de obra intensiva, o que não permite que seja realizada emlarga escala. Por outro lado, os sistemas artificiais falharam ao tentar mimetizar a com-plexa interação que existe entre a planta, e parâmetros abióticos e bióticos intrínsecosdo solo e condições ambientais vigentes (Walter et al., 2009). O uso da fenotipagemnão-destrutiva possibilita a identificação de características morfológicas envolvidas nodesempenho das plantas, a análise de características complexas e a caracterização dabase genética e ecofisiológicas responsáveis pela adaptação das plantas ao seu am-biente. Contudo esse tipo de fenotipagem de raízes em plantas adultas, como raio-X

8 BOLETIM DE PESQUISA E DESENVOLVIMENTO

(Mooney et al., 2012) e ressonância magnética (Schulz et al., 2013), ainda tem um customuito alto. No campo, as raízes e parte aéreas são expostas a diferentes condiçõesambientais, especialmente em relação à temperatura, que é um importante reguladordo desenvolvimento do sistema radicular (Hund, 2010). Trachsel et al. (2011) desenvol-veram uma metodologia denominada Shovelomics, que permite a medida de algumascaracterísticas radiculares no campo. Posteriormente, Bucksch et al. (2014) descre-veram uma metodologia de análise de imagem em larga escala de raízes extraídasutilizando o Shovelomics, implementada e disponibilizada posteriormente na forma dosistema DIRT (Digital Imaging of Root Traits) (Das et al., 2015).

A abordagem Shovelomics permite avaliar as características da arquitetura radicu-lar em plantas adultas no campo validando as características genotípicas e fenotípicasencontradas em laboratório, através da escavação dos sistemas radiculares. Os ângu-los das raízes nodais ou o número de raízes seminais e laterais são determinados apartir de raízes escavadas e lavadas por classificação ou contagem. A raiz é escavadaem um raio de 20 cm ao redor do hipocótilo e 20 cm abaixo da superfície do solo. Esteprocesso padronizado captura a maioria da biomassa do sistema radicular dentro daárea de escavação (Trachsel et al., 2011). As características observadas variam entreculturas, mas geralmente se encaixam nas seguintes categorias por profundidade ouclasse: ângulo, número, densidade e diâmetro das raízes (York; Lynch, 2015).

Devido à grande quantidade de dados obtidos a partir de experimentação em campo,a sistema de código aberto DIRT auxilia no processamento de milhares de fotografiasdigitais de raízes através de parâmetros personalizados que visualizam e analisam asaída das características do sistema radicular computadas e associadas às imagensbrutas obtidas pela metodologia Shovelomics, tendo um alto rendimento automáticopara calcular características fenotípicas radiculares de monocotiledôneas e dicotiledô-neas (Bucksch et al., 2014; Das et al., 2015).

A metodologia proposta por Bucksch et al. (2014) é capaz de processar imagensde raízes de monocotiledôneas e dicotiledôneas, obtidas pelo protocolo Shovelomics,e automatizar a extração de atributos (features), sem a necessidade do uso de réguase transferidores como proposto anteriormente por Trachsel et al. (2011). A metodolo-gia proposta por Bucksch et al. (2014) inclui ainda novas características, computadasexplorando-se as facilidades proporcionadas pelo processamento digital de imagens,sendo uma delas o ângulo de tecido de raiz (root tissue angle – RTA).

O protocolo de imageamento das raízes proposto por Bucksch et al. (2014) consisteem disponibilizar a coroa da raiz e a raiz principal sobre um anteparo escuro, paraleloao sensor da câmera. Junto às amostras de raízes é colocado com marcador circularbranco que atua como referência de escala e uma etiqueta (tag) que identifica o es-pécime em análise, como pode ser observado na Figura 1. Para que os quatro itens(coroa, raiz seccionada, marcador e etiqueta) sejam corretamente identificados, nãodeve haver sobreposição entre eles.

Os algoritmos propostos por Bucksch et al. (2014) são capazes de extrair as ca-racterísticas da coroa e da raiz principal, ajustadas conforme a referência de escalafornecida pelo marcador circular, uma vez que esses três itens (coroa, raiz e marcador)


Figura 1: Exemplos de imagens coletas pela metodologia Shovelomics/DIRT.

tenham sido corretamente segmentados e identificados na imagem. Assim, uma etapade preliminar de processamento de imagens é conduzida com o fim de isolar os pi-xeis do anteparo, uma processo conhecido na literatura de processamento de imagenscomo subtração de fundo, seguida da segmentação e identificação de cada item.

Porém, em nossos experimentos, observamos repetidas falhas nos resultados desegmentação e identificação obtidos pela implementação original de Bucksch et al.(2014) e Das et al. (2015). Quando tais falhas de identificação e segmentação ocorrem,as características computadas são completamente inválidas e devem ser descartadas.

O presente trabalho apresenta duas contribuições. A primeira delas é um métodode segmentação e identificação de itens mais robusta que a proposta originalmente noDIRT. A segunda contribuição é o emprego de técnicas de visualização e agrupamentode dados que auxiliam as análises das características obtidas pelo DIRT, tornando maisfácil a análise exploratória comparativa das amostras.

Material e Métodos

Cultivo de milho e sorgo e coleta do sistema radicular

Quatro genótipos de milho (BRS1055, 1M1752, AG8088 e DKB390) e quatro de sorgo(BRS330, BRS373, DK540, 1G100) foram cultivados independentemente no campoexperimental da Embrapa Milho e Sorgo (solo sob plantio direto desde 2000), em La-tossolo, textura argilosa (64% de argila), deficiente em P nas safras de 2016/2017 e2017/2018. Foram utilizadas três fontes de P: totalmente solúvel (superfosfato triplo);parcialmente solúvel (fosfato reativo - Bayóvar) e pouco solúvel (fosfato de rocha - Ita-


fós) aplicadas em diferentes doses: 0, 50 e 100 Kg de P2O5 ha-1. Foi utilizado o deli-neamento experimental de blocos ao acaso com três repetições, com os tratamentosdispostos em parcelas sub-subdivididas, dispondo nas parcelas fontes de P, nas sub-parcelas as doses de P subdivididas ainda entre os genótipos de milho e sorgo. Cadaparcela foi constituída de quatro linhas de 6 m de comprimento e espaçamento de 0,50(Campolino et al., 2018).

As plantas foram coletadas no período de florescimento, sendo coletado o sistemaradicular de quatro plantas de milho e quatro de sorgo de cada sub-subparcela nas filei-ras mais externas das sub-subparcelas. A parte mais robusta dos sistemas radicularesfoi lavada para a remoção total do solo conforme descrito por Shovelomics (Trachsel etal., 2011) e fotografada segundo Bucksch et al. (2014).

Processamento de imagens

O pré-processamento é dividido em duas partes. Na subtração de fundo é realizadauma classificação binária de cada pixel, que é atribuído a ou a classes figura (fore-ground) ou a classe fundo (background). Os pixeis classificados são então agrupadosem componentes conexas, conjuntos de pixeis conectados entre si apenas por pixeisforeground. Finalmente, os itensmarcador, etiqueta, coroa e raiz são identificados entreas componentes conexas existentes. A seguir, descrevemos a implementação originalproposta por Bucksch et al. (2014), suas limitações e as modificações propostas.

Subtração de fundo baseada em K-médias no espaço CIELAB

Bucksch et al. (2014) propõem a conversão da imagem RGB original em uma imagemem tons de cinza, seguida por uma subtração de fundo baseada em limiarização (th-resholding). Um limiar T é computado pelo método proposto por (Otsu, 1979), queminimiza a variância interna nas classes figura e fundo. Em seguida um algoritmo delimiarização adaptativa é aplicado à imagem, na qual o limiar T é ajustado de acordocom a variância observada na região ao redor do pixel6.

Substituímos o método original por uma classificação binária baseada no algoritmoK-médias, conduzida nos valores dos pixeis no espaço de cor perceptualmente uni-forme CIELAB. Este método usa toda a informação do pixel disponível (intensidadee cor) na subtração de fundo, ao invés de restringir-se à intensidade apenas (comono método original, que converte a informação RGB para o valor de intensidade). Oalgoritmo K-médias irá se adaptar a cada imagem, minimizando a variância intraclas-ses de forma que, se fundo for distinto dos demais elementos, mesmo que apresenteuma distribuição de cor mais complexa (com variações de cor ao longo da imagem, por

6Após analisar o código original do DIRT (commit 3c6a3d), acreditamos que a implementação original nãocorresponda ao descrito por Bucksch et al. (2014). No código, o limiar de Otsu parece ser erroneamenteempregado como o desvio padrão de um filtro espacial Gaussiano, conceitualmente incorreto e distinto doproposto no artigo original.


exemplo), será identificado com sucesso como uma das classes. Consequentemente,os pixeis pertencentes ao foreground serão agrupados na outra classe.

A Figura 2 apresenta um conjunto de imagens, a subtração de fundo obtida pela im-plementação original do DIRT e pelo método proposto aqui. É possível ver diferençasnos resultados sobretudo nas regiões do caule e das raízes que apresentam pixeis es-curos – como o método original discrimina os pixeis apenas por intensidade, ele atribuierroneamente pixeis mais escuros da planta como pertencentes ao fundo. Uma van-tagem do método proposto neste trabalho é que o anteparo utilizado não precisará sernecessariamente preto ou escuro: um fundo azul ou vermelho, por exemplo, poderiaser utilizado, desde que difira suficientemente das raízes, do marcador e da etiqueta.

Classificação de objetos por árvore de decisão

Bucksch et al. (2014) utilizam uma heurística simples para identificação das compo-nentes conexas encontradas após a subtração de fundo. A coroa seria a componenteconexa com mais pixeis e o marcador circular a componente com relação altura/larguramais próxima a 1.0. Já a raiz seccionada seria o segundo maior componente e discer-nida pela razão foreground/background observada em seu fecho retangular7. A etiquetaé assumida como a componente com uma proporção mais alta foreground/backgroundque a raiz e deve ser o segundo menor componente em termos de número geral depixeis. Essas premissas são frágeis e sujeitas a erros diversos, causando falhas fre-quentes na identificação dos elementos, que são confundidos entre si. Considere, porexemplo, o posicionamento da raiz seccionada: a área do fecho retangular varia con-forme a inclinação da raiz, ou seja, a característica utilizada para identificá-la varia con-forme sua disposição na imagem. Em nossos experimentos, outra fonte expressiva deerros foi o uso de etiquetas que tinham dimensões relativas à coroa maiores que asvistas nos trabalhos de Bucksch et al. (2014) e Das et al. (2015).

Para obter um classificador mais robusto, treinamos uma árvore de decisão, avali-ando diversas características dos componentes, e encontramos um classificador sim-ples e compreensível, baseado em apenas duas características (área e solidez) queé capaz de identificar os itens de forma mais eficaz que a metodologia original. Ár-vores de decisão são modelos facilmente interpretáveis, isto é, são modelos obtidospor aprendizado de máquina que podem ser facilmente compreendidos em termos desuas representações de informação e operações sobre essas representações. Em ou-tras palavras, de uma árvore de decisão é possível extrair uma sequência simples deregras para a classificação dos elementos.

Foi criada uma base de dados contendo 328 imagens de coroas, 321 imagens demarcadores circulares, 296 etiquetas e 267 raízes seccionadas. Oito diferentes carac-terísticas foram testadas: área, área do fecho convexo, solidez8, extensão, número de

7O fecho retangular (bounding box) é o menor retângulo que contém a componente e cujos lados estãosão paralelos às bordas de imagem.

8A solidez é a razão entre o número de pixeis da componente e o número de pixeis de seu fecho convexo.Importante notar que o fecho convexo não varia com a posição da componentes na cena.


Figura 2: Subtração de fundo pelo método de Otsu, como na implementação originalde DIRT, e pelo método de K-médias no espaço CIELAB proposto neste trabalho.


Euler, comprimento do eixo principal e comprimento do eixo secundário. Identificamosque uma árvore de decisão de apenas 3 níveis utilizando duas características, área esolidez, foi capaz de identificar com sucesso todas as amostras.

A Figura 3 mostra a árvore de decisão aprendida e como ela classifica a base dedados. Na figura, é possível ver o índice Gini, uma medida de pureza que mensura ograu de mistura entre classes de um subconjunto de amostras. Uma árvore de decisãodeve idealmente atingir um Gini de zero para uma classificação perfeita em suas folhas– cada folha representa subconjunto atribuído a um certa classe.

A árvore na Figura 3 mostra que a área pode ser usada inicialmente para segmen-tar a coroa, o que corrobora o critério proposto originalmente por Bucksch et al. (2014).A partir desse ponto, a solidez é empregada para discriminar as três classes restan-tes: marcador, etiqueta e raiz. O critério final, identificado facilmente na árvore, é maissimples e mais robusto do que o proposto originalmente. Uma vantagem adicional éa possibilidade de treinar novamente o classificador para conjuntos de dados que te-nham características específicas (outras culturas, ou outros formatos de etiqueta, porexemplo). Isto é algo que decorre da formulação do problema dentro do paradigmaaprendizado de máquina: ao invés de se codificar um novo programa para cada situa-ção, gera-se um novo código (um novo modelo) automaticamente para novas situaçõesque são similares à original mas apresentam variações de distribuição que quebram aspremissas do programa original. A Figura 4 exibe um exemplo de classificação obtidopelo método proposto.

Implementação

As alterações descritas na Seção 2 foram implementadas na forma de edições signi-ficativas no código de pré-processamento do sistema DIRT. O código original usa alinguagem Python e as modificações foram realizadas com o uso de código e bibliote-cas para essa linguagem. A conversão de cores de RGB para CIELAB, a identificaçãode componentes conexas e o cômputo de características como área e solidez foi reali-zado com o uso da biblioteca de processamento de imagens Scikit-image (van der Waltet al., 2014). A subtração de fundo com foi realizada com o uso da implementação deK-médias disponível na biblioteca Scikit-learn (Pedregosa et al., 2011).

Resultados e DiscussãoA Tabela 1 exibe um comparativo entre o pré-processamento original e o método pro-posto neste trabalho para um conjunto de 149 raízes de milho. O método original falhouneste comparativo a uma taxa acima de 70% . Altas taxas de falha também foram ob-servadas em outros experimentos durante o projeto. A principal fonte de erro foi aidentificação incorreta da etiqueta como sendo a raiz principal. Acreditamos que issose deva em parte a escolha do fecho retangular pelos autores do DIRT, uma caracterís-


Figura 3: Árvore de decisão para classificação dos objetos: coroa (crown), raiz secio-nada (excised), marcador circular (circle) e etiqueta (tag). Apenas duas característicassão utilizadas: área e solidez (solidity).

tica que não é invariante a pose e também varia abruptamente com a curvatura da raizseccionada: duas raízes de mesmo tamanho podem exibir fechos retangulares muitodistintos se uma delas, por exemplo, exibir um formato em L. A área do fecho convexo,utilizada para determinar a característica solidez no método proposto aqui, é invarianteà pose e sujeita a variações menores devidas a diferenças de curvatura. Outra fontede erro é a divisão da coroa em duas componentes principais, uma falha no processode segmentação de fundo. O novo método proposto também é menos propenso a estetipo de erro por utilizar uma técnica superior de segmentação de fundo. Porém, estetipo de erro foi responsável pelas quatro falhas observadas para o método proposto(Tabela 1), em que o segmento menor da coroa foi confundido com a raiz seccionada.

A Figura 5 exibe alguns exemplos de resultado de segmentação. O classificadordesenvolvido e exibido na Figura 3 foi usado com sucesso no pré-processamento deimagens para 4 experimentos distintos: experimentos com milho e sorgo conduzidosem 2017 e 2018 (em cada ano, um experimento para cada espécie). Contudo, é im-portante notar que novos classificadores podem ser facilmente treinados para outras


Figura 4: Exemplo classificação: coroa (amarelo), raiz seccionada (púrpura), marcadorcircular (vermelho) e etiqueta (azul).

Tabela 1: Comparativo entre dois métodos de pré-processamento na identificação deraízes para um conjunto de 149 amostras de milho.

Coroas perdidas Raizes seccionadas perdidasOriginal (DIRT) 4 108Este trabalho 0 4

configurações, bastando a montagem de uma nova base de dados para treinamento.Uma vez que as raízes (coroa e raiz seccionada) e o marcador circular (ajuste de

escala) tenham sido identificados com sucesso, o sistema DIRT computa 70 diferentesatributos para a amostra. Considerando que cada experimento continha mais de 300amostras, a visualização e análise exploratória desses dados pode ser desafiadora. AFigura 6 exibe um mapa de calor (heatmap) para os atributos D10 a D90 computadospelo DIRT. Esses atributos são associados à distribuição de massa da coroa de acordocom a profundidade da raiz. Exibidos na forma de um mapa de calor, esses valorespodem ser analisados pelos melhoristas de forma mais conveniente do em tabelas, aomenos em uma análise exploratória inicial, uma vez que a comparação entre amostrasse torna direta e visual.

A Figura 7 exibe um aglomerado hierárquico (hierarchichal clustering) (Müllner, 2011)para o experimento de milho de 2018. Note que são agrupadas não só as amostras queexibem atributos similares mas também os atributos que apresentam comportamentosimilar entre amostras, o que pode auxiliar os melhoristas na identificação de traits cor-relacionados.


Figura 5: Exemplo de classificação em oito amostras diferentes: coroa (amarelo), raizseccionada (púrpura), marcador circular (vermelho) e etiqueta (azul).

ConclusõesAs modificações na etapa de pré-processamento de imagens, responsável pela identi-ficação das raízes nas imagens, tornaram as análises via plataforma DIRT menos sus-cetíveis a erros permitindo a caracterização de genótipos de milho e sorgo quanto aosatributos radiculares relacionados à eficiência na aquisição de fósforo. As melhoriasrealizadas, incluindo o uso de técnicas de visualização de dados baseadas em mapasde calor e aglomerados hierárquicos, podem ser utilizadas na montagem de painéisde diversidade e estudo de populações biparentais, dentre outros, e para análise docomportamento do sistema radicular em diferentes sistemas de produção, condiçõesde fertilização e água.


D10 D20 D30 D40 D50 D60 D70 D80 D90

S1G100FI100R1_02

S1G100FI100R1_04

S1G100FI100R2_01

S1G100FI100R2_02

S1G100FI100R2_03

S1G100FI100R2_04

S1G100FI100R3_01

S1G100FI100R3_02

S1G100FI100R3_03

S1G100FI100R3_04

S1G100FI50R1_01

S1G100FI50R1_02

S1G100FI50R1_03

S1G100FI50R2_01

S1G100FI50R2_02

S1G100FI50R2_03

S1G100FI50R2_04

S1G100FI50R3_01

S1G100FI50R3_02

S1G100FI50R3_03

S1G100FI50R3_04

S1G100FR100R1_01

S1G100FR100R1_02

S1G100FR100R1_03

S1G100FR100R1_04

S1G100FR100R2_01

S1G100FR100R2_02

S1G100FR100R2_03

S1G100FR100R2_04

S1G100FR100R3_01

S1G100FR100R3_02

S1G100FR100R3_03

S1G100FR100R3_04

S1G100FR50R1_01

S1G100FR50R1_02

S1G100FR50R1_03

S1G100FR50R1_04

S1G100FR50R2_01

S1G100FR50R2_02

S1G100FR50R2_03

S1G100FR50R2_04

S1G100FR50R3_01

S1G100FR50R3_02

S1G100FR50R3_03

S1G100FR50R3_04

S1G100ST100R1_01

S1G100ST100R1_02

S1G100ST100R1_03

S1G100ST100R1_04

S1G100ST100R2_01

S1G100ST100R2_02

S1G100ST100R2_03

S1G100ST100R2_04

S1G100ST100R3_01

S1G100ST100R3_03

S1G100ST100R3_04

S1G100ST50R1_01

S1G100ST50R1_02

S1G100ST50R1_03

S1G100ST50R1_04

S1G100ST50R2_01

S1G100ST50R2_02

S1G100ST50R2_03

S1G100ST50R2_04

S1G100ST50R3_01

S1G100ST50R3_02

S1G100ST50R3_03

S1G100ST50R3_04

S1G100TESTER1_01

S1G100TESTER1_02

S1G100TESTER1_03

S1G100TESTER1_04

S1G100TESTER2_01

S1G100TESTER2_02

S1G100TESTER2_03

S1G100TESTER2_04

S1G100TESTER3_01

S1G100TESTER3_02

S1G100TESTER3_03

S1G100TESTER3_04

SBRS330FI100R1_01

SBRS330FI100R1_02

SBRS330FI100R1_03

SBRS330FI100R1_04

SBRS330FI100R2_01

SBRS330FI100R2_02

SBRS330FI100R2_03

SBRS330FI100R2_04

SBRS330FI100R3_01

SBRS330FI100R3_02

SBRS330FI100R3_03

SBRS330FI100R3_04

SBRS330FI50R1_01

SBRS330FI50R1_02

SBRS330FI50R1_03

SBRS330FI50R1_04

SBRS330FI50R2_01

SBRS330FI50R2_02

SBRS330FI50R2_03

SBRS330FI50R2_04

SBRS330FI50R3_01

SBRS330FI50R3_02

SBRS330FI50R3_03

SBRS330FI50R3_04

SBRS330FR100R1_01

SBRS330FR100R1_02

SBRS330FR100R1_03

SBRS330FR100R1_04

SBRS330FR100R2_01

SBRS330FR100R2_02

SBRS330FR100R2_03

SBRS330FR100R2_04

SBRS330FR100R3_01

SBRS330FR100R3_02

SBRS330FR100R3_03

SBRS330FR100R3_04

Sam

ple

0.17 0.25 0.31 0.39 0.47 0.56 0.65 0.74 0.81

0.21 0.33 0.43 0.51 0.59 0.67 0.75 0.84 0.92

0.15 0.24 0.33 0.42 0.50 0.56 0.62 0.67 0.76

0.33 0.42 0.48 0.54 0.61 0.67 0.74 0.79 0.86

0.29 0.40 0.50 0.58 0.64 0.70 0.75 0.79 0.85

0.15 0.24 0.32 0.39 0.46 0.52 0.59 0.65 0.71

0.28 0.38 0.46 0.52 0.58 0.63 0.68 0.75 0.81

0.31 0.41 0.49 0.56 0.62 0.68 0.73 0.79 0.86

0.22 0.30 0.37 0.43 0.50 0.56 0.62 0.69 0.81

0.21 0.29 0.36 0.42 0.47 0.52 0.57 0.62 0.71

0.33 0.46 0.54 0.60 0.65 0.70 0.75 0.81 0.87

0.17 0.26 0.34 0.41 0.48 0.54 0.60 0.66 0.74

0.18 0.28 0.36 0.43 0.49 0.57 0.65 0.72 0.80

0.20 0.30 0.38 0.45 0.51 0.57 0.62 0.70 0.79

0.25 0.33 0.40 0.46 0.51 0.57 0.62 0.69 0.81

0.26 0.34 0.41 0.48 0.55 0.63 0.70 0.77 0.84

0.29 0.38 0.45 0.51 0.57 0.64 0.70 0.78 0.86

0.25 0.35 0.43 0.49 0.55 0.61 0.67 0.73 0.79

0.24 0.33 0.39 0.46 0.51 0.56 0.63 0.71 0.81

0.22 0.27 0.32 0.38 0.44 0.50 0.58 0.66 0.76

0.20 0.30 0.37 0.45 0.53 0.61 0.69 0.77 0.86

0.14 0.22 0.29 0.35 0.41 0.47 0.52 0.59 0.65

0.17 0.27 0.35 0.43 0.51 0.58 0.66 0.76 0.86

0.28 0.39 0.47 0.54 0.60 0.65 0.72 0.78 0.86

0.16 0.24 0.30 0.35 0.40 0.45 0.49 0.53 0.57

0.37 0.45 0.52 0.58 0.65 0.70 0.74 0.80 0.88

0.22 0.33 0.42 0.48 0.54 0.61 0.68 0.75 0.81

0.18 0.29 0.37 0.45 0.51 0.57 0.63 0.68 0.76

0.31 0.40 0.49 0.56 0.62 0.69 0.75 0.82 0.89

0.22 0.31 0.38 0.45 0.50 0.56 0.62 0.70 0.78

0.26 0.38 0.47 0.55 0.63 0.70 0.77 0.85 0.92

0.20 0.31 0.40 0.48 0.55 0.62 0.70 0.79 0.89

0.25 0.36 0.42 0.49 0.55 0.62 0.69 0.76 0.84

0.23 0.31 0.38 0.45 0.51 0.57 0.62 0.68 0.76

0.19 0.29 0.38 0.45 0.52 0.60 0.68 0.77 0.86

0.17 0.27 0.36 0.44 0.51 0.58 0.65 0.72 0.83

0.19 0.31 0.40 0.48 0.55 0.62 0.69 0.78 0.88

0.19 0.28 0.35 0.43 0.51 0.58 0.66 0.73 0.80

0.26 0.36 0.44 0.50 0.56 0.61 0.66 0.71 0.79

0.21 0.30 0.36 0.41 0.46 0.52 0.58 0.65 0.75

0.25 0.34 0.42 0.49 0.54 0.59 0.62 0.67 0.74

0.30 0.38 0.46 0.52 0.59 0.65 0.71 0.78 0.85

0.25 0.34 0.42 0.49 0.55 0.61 0.68 0.74 0.82

0.24 0.37 0.44 0.50 0.55 0.60 0.65 0.71 0.79

0.16 0.27 0.37 0.46 0.56 0.65 0.74 0.83 0.89

0.13 0.20 0.26 0.32 0.37 0.41 0.46 0.51 0.57

0.19 0.29 0.37 0.45 0.52 0.59 0.66 0.73 0.80

0.25 0.36 0.46 0.53 0.60 0.66 0.73 0.80 0.86

0.19 0.28 0.35 0.42 0.48 0.53 0.59 0.67 0.76

0.29 0.41 0.48 0.55 0.63 0.72 0.79 0.85 0.93

0.20 0.31 0.40 0.49 0.56 0.64 0.72 0.80 0.88

0.17 0.25 0.31 0.37 0.43 0.49 0.55 0.60 0.69

0.16 0.24 0.30 0.36 0.41 0.46 0.52 0.58 0.64

0.29 0.41 0.49 0.55 0.60 0.65 0.72 0.80 0.88

0.27 0.38 0.47 0.54 0.60 0.66 0.73 0.80 0.88

0.23 0.33 0.41 0.48 0.54 0.61 0.69 0.76 0.86

0.14 0.22 0.29 0.36 0.42 0.48 0.54 0.61 0.70

0.22 0.32 0.41 0.47 0.52 0.57 0.64 0.71 0.78

0.32 0.45 0.53 0.61 0.67 0.74 0.79 0.84 0.89

0.15 0.23 0.31 0.37 0.43 0.51 0.59 0.68 0.81

0.31 0.42 0.51 0.57 0.62 0.66 0.70 0.76 0.81

0.16 0.25 0.33 0.40 0.46 0.53 0.60 0.67 0.75

0.14 0.23 0.30 0.37 0.43 0.51 0.58 0.64 0.72

0.27 0.35 0.41 0.48 0.55 0.60 0.67 0.74 0.84

0.34 0.42 0.50 0.57 0.64 0.71 0.79 0.86 0.93

0.31 0.42 0.50 0.57 0.62 0.68 0.72 0.77 0.81

0.21 0.31 0.40 0.46 0.51 0.56 0.60 0.65 0.72

0.22 0.35 0.43 0.51 0.59 0.66 0.73 0.80 0.91

0.17 0.27 0.35 0.41 0.46 0.52 0.61 0.71 0.82

0.18 0.27 0.34 0.41 0.48 0.54 0.61 0.71 0.80

0.21 0.32 0.40 0.47 0.53 0.58 0.63 0.69 0.77

0.16 0.29 0.37 0.46 0.54 0.60 0.65 0.72 0.84

0.26 0.33 0.40 0.45 0.50 0.55 0.59 0.64 0.69

0.22 0.31 0.40 0.47 0.55 0.62 0.68 0.74 0.81

0.31 0.44 0.50 0.59 0.66 0.72 0.78 0.83 0.87

0.36 0.48 0.55 0.60 0.64 0.68 0.72 0.76 0.81

0.18 0.27 0.35 0.42 0.49 0.57 0.65 0.74 0.83

0.30 0.41 0.50 0.58 0.65 0.71 0.78 0.85 0.92

0.25 0.34 0.42 0.50 0.58 0.66 0.73 0.80 0.86

0.28 0.39 0.46 0.53 0.58 0.65 0.72 0.78 0.85

0.14 0.20 0.28 0.34 0.39 0.44 0.49 0.55 0.60

0.19 0.31 0.40 0.48 0.55 0.63 0.70 0.77 0.85

0.17 0.26 0.33 0.39 0.45 0.52 0.58 0.65 0.74

0.17 0.26 0.33 0.40 0.47 0.54 0.62 0.72 0.82

0.28 0.43 0.51 0.57 0.62 0.67 0.73 0.79 0.85

0.31 0.41 0.49 0.55 0.62 0.68 0.75 0.81 0.89

0.25 0.32 0.39 0.45 0.51 0.58 0.63 0.69 0.74

0.34 0.45 0.52 0.59 0.66 0.72 0.77 0.85 0.92

0.21 0.32 0.40 0.48 0.54 0.60 0.66 0.72 0.79

0.32 0.40 0.47 0.52 0.59 0.64 0.71 0.78 0.85

0.36 0.49 0.55 0.60 0.66 0.71 0.76 0.80 0.86

0.29 0.43 0.51 0.57 0.62 0.68 0.73 0.79 0.85

0.17 0.26 0.34 0.42 0.51 0.59 0.66 0.74 0.83

0.21 0.32 0.37 0.41 0.47 0.51 0.56 0.63 0.70

0.12 0.21 0.30 0.37 0.44 0.52 0.60 0.67 0.75

0.20 0.31 0.39 0.46 0.52 0.58 0.65 0.72 0.80

0.28 0.41 0.50 0.56 0.63 0.69 0.75 0.82 0.89

0.30 0.41 0.48 0.55 0.60 0.65 0.71 0.77 0.84

0.33 0.43 0.47 0.52 0.59 0.66 0.73 0.82 0.90

0.23 0.33 0.40 0.47 0.53 0.59 0.66 0.72 0.78

0.33 0.42 0.49 0.56 0.63 0.70 0.76 0.82 0.88

0.24 0.32 0.39 0.45 0.51 0.58 0.64 0.70 0.78

0.29 0.34 0.40 0.45 0.49 0.53 0.61 0.70 0.82

0.34 0.44 0.51 0.57 0.61 0.66 0.71 0.76 0.82

0.21 0.31 0.39 0.46 0.52 0.59 0.65 0.73 0.81

0.14 0.20 0.26 0.31 0.36 0.40 0.45 0.51 0.69

0.24 0.37 0.48 0.56 0.63 0.69 0.75 0.82 0.88

0.19 0.31 0.41 0.48 0.56 0.63 0.69 0.75 0.83

0.29 0.39 0.46 0.53 0.60 0.66 0.72 0.79 0.88

0.17 0.34 0.42 0.47 0.52 0.56 0.63 0.69 0.75

0.36 0.47 0.53 0.59 0.65 0.69 0.75 0.83 0.91

0.28 0.39 0.46 0.52 0.58 0.63 0.69 0.75 0.82

0.28 0.36 0.43 0.50 0.56 0.61 0.68 0.75 0.82

0.19 0.28 0.37 0.43 0.49 0.56 0.65 0.71 0.82

0.16 0.25 0.32 0.39 0.47 0.56 0.66 0.75 0.84

0.23 0.32 0.39 0.46 0.54 0.61 0.69 0.77 0.86

0.15

0.30

0.45

0.60

0.75

0.90

D10 D20 D30 D40 D50 D60 D70 D80 D90

SBRS330FR50R1_01

SBRS330FR50R1_02

SBRS330FR50R1_03

SBRS330FR50R2_01

SBRS330FR50R2_02

SBRS330FR50R2_03

SBRS330FR50R2_04

SBRS330FR50R3_01

SBRS330FR50R3_02

SBRS330FR50R3_03

SBRS330FR50R3_04

SBRS330ST100R1_01

SBRS330ST100R1_02

SBRS330ST100R1_03

SBRS330ST100R1_04

SBRS330ST100R2_01

SBRS330ST100R2_02

SBRS330ST100R2_03

SBRS330ST100R2_04

SBRS330ST100R3_01

SBRS330ST100R3_02

SBRS330ST100R3_03

SBRS330ST100R3_04

SBRS330ST50R1_02

SBRS330ST50R1_03

SBRS330ST50R2_01

SBRS330ST50R2_02

SBRS330ST50R2_03

SBRS330ST50R2_04

SBRS330ST50R3_01

SBRS330ST50R3_02

SBRS330ST50R3_03

SBRS330ST50R3_04

SBRS330TESTER1_01

SBRS330TESTER1_02

SBRS330TESTER1_03

SBRS330TESTER1_04

SBRS330TESTER2_01

SBRS330TESTER2_02

SBRS330TESTER2_03

SBRS330TESTER2_04

SBRS339TESTER3_01

SBRS339TESTER3_02

SBRS339TESTER3_03

SBRS339TESTER3_04

SBRS373FI100R1_01

SBRS373FI100R1_02

SBRS373FI100R1_03

SBRS373FI100R1_04

SBRS373FI100R2_01

SBRS373FI100R2_02

SBRS373FI100R2_03

SBRS373FI100R2_04

SBRS373FI100R3_01

SBRS373FI100R3_02

SBRS373FI100R3_03

SBRS373FI100R3_04

SBRS373FI50R102

SBRS373FI50R103

SBRS373FI50R104

SBRS373FI50R2_01

SBRS373FI50R2_02

SBRS373FI50R3_01

SBRS373FI50R3_02

SBRS373FI50R3_03

SBRS373FI50R3_04

SBRS373FR100R1_01

SBRS373FR100R1_02

SBRS373FR100R1_03

SBRS373FR100R1_04

SBRS373FR100R2_01

SBRS373FR100R2_02

SBRS373FR100R2_03

SBRS373FR100R2_04

SBRS373FR100R3_01

SBRS373FR100R3_02

SBRS373FR100R3_03

SBRS373FR100R3_04

SBRS373FR50R1_01

SBRS373FR50R1_02

SBRS373FR50R1_03

SBRS373FR50R1_04

SBRS373FR50R2_01

SBRS373FR50R2_02

SBRS373FR50R2_03

SBRS373FR50R2_04

SBRS373FR50R3_01

SBRS373FR50R3_02

SBRS373FR50R3_03

SBRS373FR50R3_04

SBRS373ST100R1_01

SBRS373ST100R1_02

SBRS373ST100R1_04

SBRS373ST100R2_02

SBRS373ST100R2_03

SBRS373ST100R2_04

SBRS373ST100R3_01

SBRS373ST100R3_02

SBRS373ST100R3_03

SBRS373ST100R3_04

SBRS373ST50R1_01

SBRS373ST50R1_02

SBRS373ST50R1_04

SBRS373ST50R2_01

SBRS373ST50R2_02

SBRS373ST50R2_03

SBRS373ST50R2_04

SBRS373ST50R3_01

SBRS373ST50R3_02

SBRS373ST50R3_04

SBRS373TESTER1_01

SBRS373TESTER1_02

SBRS373TESTER1_03

SBRS373TESTER1_04

SBRS373TESTER2_01

SBRS373TESTER2_02

Sam

ple

0.23 0.36 0.46 0.53 0.58 0.65 0.71 0.78 0.86

0.14 0.23 0.31 0.38 0.45 0.53 0.60 0.68 0.76

0.22 0.32 0.40 0.49 0.57 0.65 0.71 0.78 0.88

0.20 0.35 0.41 0.46 0.53 0.59 0.65 0.71 0.78

0.16 0.25 0.34 0.41 0.49 0.56 0.64 0.72 0.81

0.30 0.39 0.47 0.54 0.62 0.69 0.75 0.81 0.86

0.35 0.46 0.54 0.61 0.67 0.73 0.79 0.84 0.90

0.33 0.43 0.50 0.57 0.65 0.72 0.79 0.85 0.91

0.32 0.41 0.47 0.52 0.56 0.62 0.68 0.74 0.83

0.34 0.42 0.48 0.54 0.59 0.64 0.69 0.75 0.82

0.28 0.39 0.47 0.53 0.59 0.65 0.72 0.79 0.85

0.18 0.27 0.36 0.44 0.51 0.56 0.62 0.67 0.73

0.32 0.46 0.55 0.62 0.68 0.74 0.80 0.86 0.92

0.38 0.52 0.57 0.62 0.66 0.72 0.78 0.85 0.92

0.25 0.33 0.40 0.46 0.51 0.57 0.62 0.68 0.75

0.31 0.42 0.50 0.56 0.63 0.70 0.78 0.85 0.93

0.23 0.32 0.39 0.45 0.51 0.56 0.61 0.69 0.77

0.26 0.35 0.42 0.48 0.54 0.59 0.64 0.70 0.77

0.25 0.35 0.41 0.46 0.50 0.54 0.59 0.65 0.76

0.26 0.33 0.41 0.49 0.56 0.63 0.69 0.76 0.83

0.26 0.36 0.45 0.51 0.58 0.64 0.70 0.78 0.88

0.26 0.38 0.47 0.53 0.60 0.66 0.74 0.81 0.89

0.22 0.31 0.38 0.44 0.50 0.56 0.65 0.82 0.89

0.29 0.38 0.47 0.54 0.60 0.66 0.72 0.79 0.88

0.31 0.42 0.52 0.60 0.66 0.72 0.77 0.82 0.87

0.25 0.32 0.37 0.42 0.47 0.51 0.57 0.62 0.74

0.30 0.41 0.47 0.53 0.58 0.62 0.68 0.74 0.82

0.23 0.43 0.51 0.56 0.62 0.66 0.69 0.73 0.79

0.24 0.35 0.45 0.53 0.60 0.67 0.75 0.83 0.91

0.20 0.29 0.36 0.43 0.49 0.54 0.60 0.68 0.77

0.31 0.41 0.47 0.52 0.57 0.62 0.69 0.75 0.83

0.31 0.40 0.48 0.55 0.61 0.68 0.74 0.82 0.89

0.32 0.41 0.48 0.54 0.59 0.65 0.71 0.77 0.89

0.35 0.46 0.53 0.58 0.63 0.68 0.74 0.80 0.85

0.20 0.31 0.40 0.48 0.56 0.63 0.71 0.78 0.87

0.29 0.46 0.53 0.60 0.66 0.70 0.74 0.80 0.85

0.35 0.50 0.59 0.66 0.72 0.77 0.81 0.86 0.90

0.26 0.37 0.45 0.52 0.60 0.65 0.70 0.76 0.84

0.18 0.24 0.29 0.35 0.41 0.46 0.50 0.56 0.62

0.26 0.36 0.44 0.51 0.57 0.64 0.70 0.77 0.84

0.34 0.41 0.48 0.54 0.60 0.66 0.75 0.84 0.92

0.25 0.35 0.42 0.48 0.54 0.59 0.65 0.71 0.78

0.29 0.39 0.45 0.51 0.56 0.61 0.66 0.72 0.82

0.31 0.47 0.53 0.59 0.63 0.68 0.72 0.77 0.83

0.32 0.43 0.51 0.59 0.66 0.72 0.77 0.83 0.89

0.11 0.19 0.26 0.32 0.38 0.44 0.49 0.55 0.62

0.23 0.32 0.39 0.46 0.53 0.59 0.64 0.72 0.80

0.20 0.31 0.39 0.48 0.56 0.63 0.69 0.76 0.83

0.14 0.23 0.31 0.36 0.41 0.46 0.51 0.57 0.64

0.12 0.23 0.35 0.45 0.53 0.60 0.68 0.76 0.83

0.18 0.27 0.35 0.41 0.46 0.51 0.60 0.67 0.73

0.23 0.34 0.42 0.48 0.55 0.61 0.67 0.76 0.83

0.20 0.31 0.40 0.49 0.57 0.65 0.72 0.80 0.89

0.27 0.38 0.46 0.53 0.58 0.64 0.69 0.75 0.83

0.29 0.38 0.46 0.53 0.60 0.66 0.73 0.78 0.84

0.28 0.40 0.48 0.54 0.59 0.64 0.70 0.77 0.85

0.21 0.29 0.34 0.38 0.45 0.53 0.60 0.69 0.77

0.20 0.31 0.41 0.50 0.58 0.65 0.70 0.78 0.86

0.22 0.32 0.41 0.48 0.55 0.60 0.65 0.70 0.77

0.13 0.22 0.31 0.38 0.45 0.53 0.60 0.67 0.77

0.21 0.32 0.37 0.42 0.47 0.51 0.57 0.63 0.71

0.13 0.20 0.27 0.34 0.41 0.49 0.58 0.66 0.74

0.21 0.31 0.39 0.45 0.50 0.55 0.60 0.67 0.78

0.25 0.36 0.43 0.48 0.54 0.60 0.66 0.72 0.79

0.23 0.32 0.39 0.45 0.50 0.55 0.60 0.65 0.69

0.26 0.37 0.42 0.47 0.53 0.57 0.64 0.70 0.77

0.16 0.24 0.30 0.37 0.43 0.49 0.55 0.61 0.68

0.27 0.35 0.43 0.51 0.58 0.64 0.72 0.80 0.88

0.16 0.26 0.34 0.41 0.48 0.54 0.60 0.66 0.75

0.32 0.42 0.49 0.55 0.60 0.66 0.72 0.77 0.81

0.16 0.25 0.32 0.39 0.47 0.54 0.59 0.65 0.74

0.21 0.31 0.39 0.46 0.52 0.57 0.61 0.66 0.83

0.30 0.40 0.47 0.53 0.59 0.66 0.72 0.79 0.88

0.21 0.29 0.36 0.42 0.47 0.53 0.59 0.65 0.70

0.16 0.24 0.32 0.38 0.44 0.49 0.56 0.65 0.75

0.27 0.38 0.46 0.55 0.62 0.69 0.76 0.83 0.89

0.27 0.39 0.48 0.55 0.60 0.64 0.68 0.76 0.85

0.24 0.34 0.41 0.48 0.54 0.60 0.65 0.73 0.85

0.20 0.32 0.42 0.50 0.57 0.64 0.71 0.77 0.84

0.21 0.30 0.38 0.46 0.52 0.58 0.64 0.69 0.74

0.19 0.30 0.40 0.48 0.55 0.61 0.66 0.71 0.78

0.16 0.26 0.34 0.42 0.49 0.55 0.63 0.71 0.79

0.21 0.32 0.40 0.47 0.55 0.62 0.67 0.72 0.80

0.18 0.26 0.35 0.40 0.45 0.49 0.53 0.59 0.70

0.29 0.38 0.45 0.52 0.57 0.63 0.69 0.74 0.81

0.21 0.29 0.37 0.43 0.48 0.54 0.60 0.67 0.76

0.32 0.44 0.53 0.61 0.68 0.75 0.82 0.87 0.93

0.18 0.29 0.38 0.47 0.53 0.60 0.67 0.74 0.82

0.24 0.32 0.39 0.45 0.51 0.57 0.64 0.72 0.81

0.22 0.31 0.40 0.48 0.56 0.63 0.70 0.77 0.84

0.17 0.27 0.33 0.39 0.45 0.51 0.56 0.63 0.69

0.27 0.35 0.42 0.46 0.50 0.56 0.61 0.65 0.76

0.20 0.29 0.36 0.42 0.48 0.52 0.57 0.64 0.71

0.12 0.22 0.29 0.35 0.41 0.46 0.59 0.67 0.72

0.22 0.31 0.39 0.46 0.53 0.58 0.64 0.70 0.77

0.25 0.36 0.45 0.52 0.59 0.65 0.72 0.79 0.87

0.28 0.38 0.45 0.50 0.53 0.60 0.65 0.71 0.77

0.15 0.23 0.31 0.37 0.43 0.50 0.59 0.71 0.84

0.28 0.34 0.39 0.46 0.55 0.62 0.68 0.76 0.86

0.23 0.34 0.44 0.55 0.64 0.72 0.79 0.86 0.92

0.20 0.33 0.41 0.48 0.53 0.57 0.61 0.65 0.77

0.10 0.18 0.25 0.31 0.37 0.44 0.51 0.57 0.63

0.17 0.27 0.37 0.45 0.52 0.58 0.66 0.74 0.86

0.24 0.34 0.41 0.49 0.57 0.66 0.75 0.84 0.92

0.23 0.32 0.39 0.45 0.51 0.56 0.61 0.66 0.71

0.19 0.30 0.40 0.49 0.57 0.65 0.74 0.83 0.91

0.13 0.21 0.28 0.35 0.42 0.48 0.56 0.66 0.77

0.30 0.40 0.47 0.54 0.60 0.67 0.73 0.79 0.86

0.16 0.22 0.27 0.31 0.36 0.41 0.47 0.52 0.63

0.29 0.39 0.46 0.53 0.61 0.67 0.74 0.80 0.88

0.24 0.35 0.41 0.48 0.55 0.62 0.70 0.77 0.83

0.29 0.40 0.50 0.58 0.65 0.72 0.80 0.86 0.93

0.36 0.44 0.50 0.56 0.60 0.65 0.69 0.74 0.80

0.23 0.34 0.43 0.52 0.60 0.68 0.75 0.82 0.89

0.14 0.22 0.28 0.35 0.42 0.48 0.58 0.69 0.81

0.22 0.31 0.37 0.43 0.48 0.54 0.60 0.66 0.75

0.15

0.30

0.45

0.60

0.75

0.90

D10 D20 D30 D40 D50 D60 D70 D80 D90

SBRS373TESTER2_03

SBRS373TESTER2_04

SBRS373TESTER3_01

SBRS373TESTER3_03

SBRS373TESTER3_04

SDK540FI100R1_01

SDK540FI100R1_02

SDK540FI100R1_03

SDK540FI100R1_04

SDK540FI100R2_01

SDK540FI100R2_02

SDK540FI100R2_03

SDK540FI100R2_04

SDK540FI100R3_01

SDK540FI100R3_02

SDK540FI100R3_03

SDK540FI100R3_04

SDK540FI50R1_01

SDK540FI50R1_02

SDK540FI50R1_03

SDK540FI50R1_04

SDK540FI50R2_01

SDK540FI50R2_02

SDK540FI50R2_03

SDK540FI50R2_04

SDK540FI50R3_01

SDK540FI50R3_02

SDK540FI50R3_03

SDK540FI50R3_04

SDK540FR100R1_01

SDK540FR100R1_03

SDK540FR100R1_04

SDK540FR100R2_01

SDK540FR100R2_02

SDK540FR100R2_03

SDK540FR100R2_04

SDK540FR100R3_01

SDK540FR100R3_02

SDK540FR100R3_03

SDK540FR100R3_04

SDK540FR50_01

SDK540FR50_02

SDK540FR50_03

SDK540FR50_04

SDK540FR50R2_01

SDK540FR50R2_02

SDK540FR50R2_03

SDK540FR50R2_04

SDK540FR50R3_01

SDK540FR50R3_02

SDK540FR50R3_03

SDK540FR50R3_04

SDK540ST100R1_01

SDK540ST100R1_02

SDK540ST100R1_03

SDK540ST100R1_04

SDK540ST100R2_01

SDK540ST100R2_02

SDK540ST100R2_03

SDK540ST100R2_04

SDK540ST100R3_01

SDK540ST100R3_02

SDK540ST100R3_03

SDK540ST100R3_04

SDK540ST50R1_01

SDK540ST50R1_02

SDK540ST50R1_03

SDK540ST50R1_04

SDK540ST50R2_01

SDK540ST50R2_02

SDK540ST50R2_03

SDK540ST50R2_04

SDK540ST50R3_01

SDK540ST50R3_02

SDK540ST50R3_03

SDK540ST50R3_04

SDK540TESTER1_01

SDK540TESTER1_02

SDK540TESTER1_03

SDK540TESTER1_04

SDK540TESTER2_01

SDK540TESTER2_02

SDK540TESTER2_03

SDK540TESTER2_04

SDK540TESTER3_01

SDK540TESTER3_02

SDK540TESTER3_03

SDK540TESTER3_04

Sam

ple

0.30 0.41 0.50 0.57 0.64 0.71 0.78 0.85 0.92

0.15 0.23 0.29 0.33 0.37 0.40 0.43 0.47 0.50

0.17 0.26 0.32 0.39 0.47 0.54 0.62 0.69 0.80

0.29 0.39 0.46 0.52 0.57 0.63 0.70 0.78 0.87

0.23 0.35 0.43 0.49 0.56 0.62 0.68 0.73 0.80

0.10 0.19 0.28 0.36 0.43 0.50 0.56 0.63 0.70

0.21 0.32 0.41 0.48 0.54 0.63 0.71 0.79 0.89

0.17 0.25 0.31 0.36 0.42 0.47 0.53 0.61 0.73

0.19 0.30 0.40 0.49 0.57 0.64 0.72 0.82 0.91

0.21 0.33 0.42 0.52 0.61 0.70 0.78 0.85 0.93

0.31 0.42 0.50 0.55 0.60 0.64 0.69 0.75 0.82

0.25 0.36 0.45 0.53 0.59 0.66 0.73 0.80 0.87

0.24 0.33 0.40 0.45 0.51 0.57 0.62 0.68 0.76

0.26 0.36 0.43 0.51 0.59 0.67 0.74 0.81 0.89

0.32 0.42 0.50 0.54 0.59 0.65 0.72 0.79 0.89

0.31 0.41 0.49 0.55 0.61 0.65 0.70 0.77 0.83

0.22 0.31 0.38 0.45 0.51 0.58 0.65 0.73 0.81

0.21 0.33 0.41 0.49 0.56 0.62 0.69 0.76 0.84

0.27 0.36 0.43 0.50 0.57 0.63 0.70 0.77 0.85

0.15 0.23 0.31 0.38 0.45 0.51 0.57 0.63 0.68

0.22 0.31 0.38 0.43 0.48 0.53 0.58 0.62 0.67

0.21 0.31 0.40 0.48 0.54 0.62 0.68 0.73 0.83

0.24 0.34 0.41 0.47 0.52 0.59 0.65 0.73 0.82

0.31 0.41 0.47 0.52 0.58 0.64 0.70 0.76 0.83

0.21 0.32 0.41 0.49 0.55 0.61 0.69 0.75 0.82

0.29 0.37 0.46 0.54 0.61 0.68 0.75 0.83 0.90

0.24 0.35 0.43 0.49 0.55 0.60 0.66 0.74 0.83

0.14 0.23 0.29 0.36 0.42 0.48 0.53 0.61 0.73

0.27 0.37 0.46 0.54 0.61 0.67 0.74 0.81 0.89

0.12 0.19 0.27 0.35 0.43 0.50 0.57 0.63 0.76

0.18 0.29 0.36 0.43 0.51 0.60 0.67 0.74 0.85

0.14 0.26 0.37 0.45 0.54 0.61 0.69 0.77 0.85

0.35 0.44 0.50 0.56 0.62 0.68 0.74 0.80 0.86

0.30 0.38 0.46 0.52 0.59 0.65 0.72 0.79 0.88

0.29 0.38 0.44 0.50 0.54 0.59 0.64 0.73 0.81

0.14 0.23 0.28 0.34 0.39 0.43 0.47 0.51 0.54

0.31 0.43 0.51 0.59 0.65 0.72 0.78 0.84 0.91

0.20 0.31 0.37 0.43 0.49 0.54 0.59 0.64 0.68

0.21 0.35 0.42 0.48 0.53 0.60 0.67 0.74 0.79

0.25 0.36 0.43 0.50 0.58 0.65 0.73 0.81 0.90

0.22 0.31 0.37 0.42 0.46 0.50 0.54 0.57 0.66

0.25 0.35 0.45 0.53 0.60 0.68 0.76 0.83 0.90

0.33 0.47 0.56 0.61 0.67 0.72 0.76 0.80 0.85

0.09 0.15 0.21 0.26 0.32 0.37 0.42 0.48 0.57

0.30 0.42 0.52 0.59 0.66 0.71 0.76 0.81 0.85

0.13 0.21 0.30 0.37 0.45 0.53 0.62 0.71 0.80

0.16 0.23 0.30 0.37 0.43 0.50 0.57 0.65 0.74

0.15 0.23 0.31 0.39 0.46 0.51 0.59 0.67 0.76

0.22 0.33 0.43 0.51 0.59 0.67 0.77 0.85 0.92

0.12 0.20 0.27 0.33 0.38 0.45 0.50 0.56 0.64

0.20 0.28 0.36 0.42 0.48 0.56 0.65 0.73 0.81

0.20 0.30 0.38 0.45 0.53 0.60 0.68 0.75 0.84

0.23 0.32 0.41 0.49 0.57 0.63 0.70 0.77 0.86

0.32 0.41 0.48 0.55 0.61 0.67 0.74 0.81 0.89

0.32 0.44 0.53 0.59 0.66 0.72 0.77 0.83 0.91

0.35 0.46 0.54 0.60 0.65 0.70 0.74 0.79 0.84

0.27 0.41 0.48 0.54 0.60 0.67 0.75 0.82 0.90

0.22 0.31 0.39 0.47 0.54 0.61 0.68 0.75 0.82

0.16 0.27 0.36 0.44 0.51 0.56 0.62 0.69 0.77

0.31 0.40 0.47 0.54 0.60 0.66 0.72 0.77 0.83

0.35 0.47 0.55 0.61 0.67 0.73 0.79 0.86 0.93

0.26 0.34 0.41 0.47 0.53 0.59 0.65 0.72 0.79

0.27 0.36 0.43 0.50 0.56 0.62 0.69 0.75 0.83

0.28 0.38 0.46 0.53 0.59 0.65 0.71 0.77 0.83

0.21 0.32 0.41 0.48 0.54 0.62 0.69 0.76 0.85

0.22 0.31 0.38 0.46 0.53 0.59 0.67 0.74 0.82

0.28 0.47 0.55 0.61 0.67 0.73 0.79 0.85 0.92

0.23 0.33 0.43 0.50 0.58 0.65 0.72 0.79 0.89

0.17 0.27 0.35 0.42 0.48 0.53 0.58 0.63 0.78

0.21 0.30 0.36 0.43 0.49 0.54 0.59 0.64 0.75

0.22 0.30 0.37 0.44 0.51 0.58 0.65 0.72 0.83

0.21 0.30 0.38 0.46 0.52 0.57 0.63 0.72 0.81

0.29 0.39 0.46 0.53 0.59 0.65 0.73 0.80 0.87

0.24 0.34 0.43 0.51 0.58 0.64 0.72 0.80 0.89

0.23 0.33 0.42 0.50 0.59 0.67 0.74 0.82 0.88

0.33 0.47 0.57 0.65 0.72 0.78 0.84 0.90 0.95

0.13 0.19 0.26 0.31 0.35 0.40 0.46 0.51 0.57

0.21 0.33 0.41 0.48 0.55 0.61 0.66 0.71 0.77

0.15 0.22 0.28 0.33 0.37 0.42 0.46 0.50 0.57

0.28 0.38 0.43 0.49 0.56 0.63 0.70 0.76 0.81

0.25 0.32 0.37 0.42 0.48 0.54 0.62 0.70 0.78

0.27 0.38 0.47 0.54 0.59 0.65 0.71 0.77 0.84

0.16 0.25 0.33 0.41 0.48 0.54 0.60 0.67 0.75

0.22 0.29 0.37 0.44 0.51 0.59 0.67 0.74 0.82

0.25 0.34 0.40 0.46 0.52 0.58 0.64 0.70 0.78

0.29 0.39 0.47 0.54 0.60 0.65 0.71 0.77 0.85

0.27 0.37 0.45 0.51 0.59 0.66 0.74 0.82 0.90

0.22 0.31 0.39 0.46 0.53 0.59 0.66 0.73 0.81

0.15

0.30

0.45

0.60

0.75

0.90

Figura 6: Mapa de calor (heatmap) exibindo os valores de D10 a D90 para o experi-mento de Sorgo de 2017. Dx é a porcentagem da largura acumulada a x% da profun-didade e é computada pelo DIRT, ver (Bucksch et al., 2014) para detalhes.


RDIS

TR_Y

ANG_

TOP

STA_

DOM

_IST

A_DO

M_II

RDIS

TR_X

CP_D

IA25

DIA_

STM

HYP_

DIA

RTA_

RANG

ERT

A_M

AXNR

_RTP

_SEG

_IAD

VT_C

OUNT

NR_R

TP_S

EG_II

Skel

eton

Ver

tices

RTP_

COUN

TAN

G_BT

MW

IDTH

_MAX

SKL_

WID

THAR

EAW

IDTH

_MED

DIA_

STM

_SIM

PLE

SKL_

DEPT

HDR

OP_5

0D1

0D2

0D3

0D8

0D9

0D4

0D5

0D6

0D7

0M

AX_D

IA_9

0AV

G_DE

NSIT

YTA

P_DI

ACP

_DIA

50CP

_DIA

75TD

_AVG

CP_D

IA90

NODA

L_LE

NNO

DAL_

AVG_

DIA

RTA_

MIN

LT_A

VG_L

ENLT

_ANG

_RAN

GELT

_DIS

T_FI

RST

STA_

RANG

EST

A_M

AXLT

_MAX

_ANG

TD_M

EDLT

_MED

_DIA

ADVT

_ANG

STA_

25_I

STA_

25_II

BASA

L_AN

GST

A_50

_IST

A_50

_IIST

A_75

_IRT

A_M

EDRT

A_DO

M_I

STA_

90_I

STA_

75_II

RTA_

DOM

_IIST

A_90

_IILT

_AVG

_ANG

LT_M

IN_A

NGLT

_BRA

_FRQ

LT_A

VG_D

IABA

SAL_

COUN

TST

A_M

INST

A_M

ED

M1M1752FR100-4_04M1M1752FR100-4_03MAG8088FR50-3_01MDKB390FR100-3_02MDKB390ST100-4_03MAG8088TEST-4_02M1M1752FR50-4_04MAG8088FR50-4_03MAG8088FI100-4_01MAG8088TEST-2_02MDKB390ST50-2_02MBRS1055FI50-3_04M1M1752TEST-3_02MDKB390ST100-3_01MBRS1055ST100-2_04MBRS1055TEST-3_03M1M1752FI50-4_02MBRS1055ST50-4_04MDKB390FR100-3_03MAG8088ST100-4_04MAG8088ST100-2_04MBRS1055FR50-3_02MBRS1055FI100-3_01MBRS1055ST100-3_01MAG8088FR50-4_02MBRS1055FR100-4_01MAG8088TEST-4_04MAG8088FR100-4_01MDKB390FI100-4_03MAG8088TEST-3_04MAG8088FI100-4_03MDKB390ST50-4_03MDKB390ST100-3_02M1M1752FI100-4_04MBRS1055FR50-4_01MBRS1055FI100-2_04MBRS1055FR50-3_03MBRS1055ST50-2_02MBRS1055ST100-3_02M1M1752FI100-2_01M1M1752FI50-2_04M1M1752FI100-2_04MBRS1055FI50-4_03MBRS1055FR50-4_02MBRS1055FI100-4_03MBRS1055TEST-3_01MBRS1055FR50-3_04M1M1752ST50-4_01MBRS1055FR100-2_03MBRS1055FR100-4_04M1M1752FI50-4_03MBRS1055FR50-2_02MBRS1055TEST-2_02M1M1752ST100-2_01M1M1752FI100-2_03M1M1752TEST-2_02MBRS1055FI50-4_01MDKB390FR100-3_01MDKB390FR50-2_01MAG8088FI50-4_02MAG8088ST100-3_01MAG8088FI100-2_04MDKB390FI100-4_01MAG8088FR100-2_04MBRS1055FI100-4_04MDKB390FR100-4_04MAG8088TEST-2_03MAG8088FI100-3_01MAG8088ST100-2_03MDKB390TESTE4_01M1M1752TEST-4_04MAG8088FI100-4_02MAG8088FI50-4_04MAG8088FR50-4_04MBRS1055ST50-4_02M1M1752ST100-4_04MAG8088FI50-2_04MAG8088FI50-2_02MAG8088ST100-2_02MAG8088FI50-3_04MBRS1055ST50-3_03M1M1752FI50-3_03M1M1752ST50-4_03M1M1752FR100-4_02MAG8088TEST-2_04M1M1752ST50-2_02MAG8088FI100-3_04MAG8088TEST-3_01MAG8088FR50-3_02MAG8088ST50-3_02MDKB390FR50-3_03MAG8088FI100-3_03MAG8088FI50-3_02MAG8088FI50-2_03MDKB390TESTE4_03MDKB390ST50-3_03MDKB390TEST-2_04MDKB390TESTE4_04MAG8088FR100-3_02MAG8088ST100-4_02MDKB390FR100-4_02MAG8088ST50-4_01M1M1752ST100-4_03MAG8088TEST-4_01MDKB390TEST-2_02MDKB390TEST-2_03MAG8088FI50-4_03MAG8088ST100-4_03MBRS1055FI100-2_03MAG8088FR100-2_02MAG8088FR100-4_04MAG8088ST50-3_03MAG8088FR50-2_04MDKB390ST50-2_03MAG8088FI50-3_01MDKB390TEST-3_01MAG8088FI50-3_03MAG8088FR100-4_03M1M1752FI50-2_01M1M1752ST100-4_01M1M1752ST50-2_01MDKB390ST50-4_01MAG8088FI100-2_01M1M1752FR100-3_01M1M1752TEST-4_01M1M1752FI50-3_02M1M1752FR100-4_01M1M1752FR50-4_03M1M1752FR50-4_02MBRS1055FI100-4_02MBRS105STESTE4_04MAG8088FI50-2_01MAG8088ST100-3_04M1M1752FR100-3_02M1M1752FR50-4_01M1M1752ST50_304MAG8088ST50-2_04MAG8088FR50-4_01MDKB390ST100-4_02M1M1752FR100-2_03M1M1752TEST-3_03M1M1752ST100-3_04M1M1752FI100-3_04M1M1752FR100-3_04MAG8088FR100-3_01MBRS1055ST100-4_03MDKB390FR50-2_04M1M1752FI100-4_02M1M1752ST100-3_01MDKB390FI50-3_01MBRS1055FI50-4_02MBRS1055ST50-3_02M1M1752FI50-3_01MAG8088FR50-2_02MBRS1055FR100-3_03MAG8088FR100-4_02MAG8088ST50-2_01MDKB390FR100-2_04MDKB390TEST-3_04M1M1752TEST-4_02MAG8088FI100-4_04MDKB390FI50-2_02M1M1752TEST-2_03MBRS105STESTE4_01MDKB390FR100-2_01MDKB390TEST-3_03M1M1752FR50-2_01M1M1752ST50_303M1M1752FI50-2_02MDKB390FI50-2_01MAG8088ST50-3_01MAG8088ST50-2_03MAG8088ST50-4_04MAG8088FR100-3_03MDKB390FR50-4_04MAG8088TEST-2_01M1M1752FI100-3_03MAG8088FI100-3_02M1M1752TEST-2_01MAG8088ST50-2_02MBRS1055ST100-4_04M1M1752FR50-3_02MAG8088FR50-2_03MDKB390ST100-4_01MAG8088FR50-2_01MDKB390ST50-4_02MAG8088ST50-3_04MBRS1055FI50-201M1M1752ST100-3_03MDKB390FR100-3_04MBRS1055ST100-4_01MBRS1055ST100-2_03M1M1752FR50-3_03M1M1752ST50-2_03M1M1752FR50-3_04M1M1752ST50-2_04MDKB390ST100-2_03M1M1752ST100-2_02M1M1752ST100-2_04MDKB390TEST-3_02MDKB390FI50-3_04MDKB390FR50-4_01MBRS1055ST100-2_01MDKB390FR50-2_03MDKB390FI100-3_03MDKB390FI100-2_03MDKB390FR50-3_04MBRS1055ST100-3_04MDKB390FI100-2_04MDKB390FI100-3_04MDKB390FR100-2_02MAG8088ST100-2_01MDKB390ST100-2_02M1M1752FR50-2_02MBRS1055FR50-2_04MBRS1055FI100-2_01MBRS1055FR100-4_02M1M1752FI50-2_03M1M1752FR100-2_04MBRS1055ST50-3_04M1M1752ST50_302MDKB390FI100-2_01MBRS1055ST50-2_04M1M1752FR100-2_01MAG8088FI100-2_02MBRS1055TEST-2_04MDKB390ST50-4_04MDKB390FR50-2_02MBRS1055ST50-2_01MDKB390ST100-2_04MBRS1055FI50-204MBRS1055FR50-3_01MBRS1055ST50-4_01MAG8088FR100-2_01MDKB390TEST-2_01MAG8088FR50-3_04MDKB390ST50-3_01MBRS1055FR100-2_02MDKB390FR50-3_02MBRS1055FR50-4_03MDKB390FI100-3_02MBRS1055FI100-3_03MDKB390FI100-4_04MAG8088TEST-3_03MAG8088TEST-3_02MBRS1055FR50-2_01MDKB390ST50-2_01MDKB390FR50-3_01MAG8088ST50-4_02MDKB390ST100-4_04MDKB390FR50-4_03MAG8088ST100-3_02MBRS1055FI100-2_02MBRS1055FI50-203MAG8088ST100-3_03MDKB390FI100-3_01MDKB390FI50-2_04MDKB390FI50-3_02M1M1752FI100-4_03MDKB390FR100-2_03MAG8088FR100-2_03MBRS1055FR100-3_02MDKB390ST50-3_04MBRS1055FR100-3_01M1M1752TEST-2_04MAG8088FR50-3_03MDKB390FI50-3_03MBRS1055TEST-2_01MBRS1055ST50-2_03MDKB390ST100-3_04MDKB390FR100-4_01MDKB390ST100-2_01M1M1752ST100-3_02M1M1752ST100-2_03MBRS1055FI100-3_02MBRS1055FR100-2_04M1M1752ST50_301MBRS1055ST50-3_01MBRS1055FR100-4_03MBRS1055FI100-3_04MBRS1055FI50-202MBRS1055FR50-2_03MBRS1055TEST-3_04MDKB390FI50-2_03MBRS1055FI50-3_02MBRS1055TEST-3_02MDKB390ST50-2_04MBRS1055FI50-3_03MAG8088FI100-2_03M1M1752FR100-2_02M1M1752FR50-2_04MDKB390FI50-4_02MDKB390FI50-4_03MAG8088FR100-3_04M1M1752FR100-3_03MDKB390FI100-2_02M1M1752FI100-3_01M1M1752TEST-3_04MBRS1055FR100-3_04MBRS1055FI100-4_01MBRS1055FI50-3_01MDKB390ST100-3_03MBRS1055ST100-2_02MDKB390ST50-3_02MBRS1055FR50-4_04MBRS1055FR100-2_01MBRS1055ST100-3_03M1M1752FR50-2_03M1M1752FI100-2_02M1M1752TEST-3_01M1M1752FI100-3_02MBRS1055TEST-2_03M1M1752TEST-4_03MBRS105STESTE4_02MDKB390FI100-4_02MDKB390FR100-4_03MAG8088FI50-4_01MAG8088ST50-4_03M1M1752ST50-4_02MBRS1055ST50-4_03MBRS1055ST100-4_02M1M1752FR50-3_01MBRS105STESTE4_03MDKB390FR50-4_02MBRS1055FI50-4_04MDKB390TESTE4_02MAG8088TEST-4_03MAG8088ST100-4_01MDKB390FI50-4_04M1M1752FI100-4_01MDKB390FI50-4_01M1M1752FI50-3_04M1M1752FI50-4_01M1M1752FI50-4_04M1M1752ST100-4_02M1M1752ST50-4_04

Sam

ple

3

2

1

0

1

2

3

Figura 7: Aglomerado hierárquico (hierarchichal clustering).


ReferênciasARAKI, H.; HIRAYAMA, M.; HIRASAWA, H.; IIJIMA, M. Which Roots Penetrate theDeepest in Rice and Maize Root Systems? Plant Production Science, v. 3, n. 3, p.281–288, jan 2000. DOI:10.1626/pps.3.281.

ARAKI, H.; IIJIMA, M. Rooting Nodes of Deep Roots in Rice and Maize Grown in aLong Tube. Plant Production Science, CROP SCIENCE SOCIETY OF JAPAN, v. 1,n. 4, p. 242–247, jan 1998. DOI:10.1626/pps.1.242.

AZEVEDO, G. C.; CHEAVEGATTI-GIANOTTO, A.; NEGRI, B. F.; HUFNAGEL, B.;SILVA, L. d. C. e; MAGALHAES, J. V.; GARCIA, A. A. F.; LANA, U. G.; SOUSA, S. M.de; GUIMARAES, C. T. Multiple interval QTL mapping and searching for PSTOL1homologs associated with root morphology, biomass accumulation and phosphoruscontent in maize seedlings under low-P. BMC Plant Biology, v. 15, p. 1-17, 2015.DOI:10.1186/s12870-015-0561-y.

BERNARDINO, K. C.; PASTINA, M. M.; MENEZES, C. B.; SOUSA, S. M. de; MACIEL,L. S.; JR, G. C.; GUIMARãES, C. T.; BARROS, B. A.; da Costa e Silva, L.; CARNEIRO,P. C. S.; SCHAFFERT, R. E.; KOCHIAN, L. V.; MAGALHãES, J. V. The geneticarchitecture of phosphorus efficiency in sorghum involves pleiotropic QTL for rootmorphology and grain yield under low phosphorus availability in the soil. BMC PlantBiology, v. 19, p. 1-15, 2019. DOI:10.1186/s12870-019-1689-y.

BUCKSCH, A.; BURRIDGE, J.; YORK, L. M.; DAS, A.; NORD, E.; WEITZ, J. S.;LYNCH, J. P. Image-based high-throughput field phenotyping of crop roots. PlantPhysiology, v. 166, n. 2, p. 470–486, Oct 2014. DOI:10.1104/pp.114.243519.

CAMPOLINO, M.; LANA, U. d. P.; GOMES, E.; COELHO, A.; SOUSA, S. de.Diversidade genética da comunidade de microrganismos da rizosfera degenótipos de milho e sorgo cultivados em condições de campo sob diferentesfontes e níveis de fósforo. Sete Lagoas: Embrapa Milho e Sorgo, 2018. 29 p.(Embrapa Milho e Sorgo. Boletim de Pesquisa e Desenvolvimento, 169).

DAS, A.; SCHNEIDER, H.; BURRIDGE, J.; ASCANIO, A. K. M.; WOJCIECHOWSKI,T.; TOPP, C. N.; LYNCH, J. P.; WEITZ, J. S.; BUCKSCH, A. Digital imaging of root traits(DIRT): a high-throughput computing and collaboration platform for field-based rootphenomics. Plant Methods, v. 11, n. 1, p. 51, 2015. DOI:10.1186/s13007-015-0093-3.

HUFNAGEL, B.; SOUSA, S. M. de; ASSIS, L.; GUIMARAES, C. T.; LEISER,W.; AZEVEDO, G. C.; NEGRI, B.; LARSON, B. G.; SHAFF, J. E.; PASTINA,M. M.; BARROS, B. A.; WELTZIEN, E.; RATTUNDE, H. F. W.; VIANA, J. H.;CLARK, R. T.; FALCÃO, A.; GAZAFFI, R.; GARCIA, A. A. F.; SCHAFFERT, R. E.;KOCHIAN, L. V.; MAGALHAES, J. V. Duplicate and conquer: multiple homologs ofPHOSPHORUS-STARVATION TOLERANCE1 enhance phosphorus acquisition and


sorghum performance on low-phosphorus soils. Plant physiology, v. 166, n. 2, p.659–77, Oct 2014. DOI:10.1104/pp.114.243949.

HUND, A. Genetic variation in the gravitropic response of maize roots to lowtemperatures. Plant Root, v. 4, p. 22–30, 2010. DOI:10.3117/plantroot.4.22.

HUND, A.; TRACHSEL, S.; STAMP, P. Growth of axile and lateral roots of maize: Idevelopment of a phenotying platform. Plant and Soil, v. 325, n. 1-2, p. 335–349, Dec.2009. DOI:10.1007/s11104-009-9984-2.

KATO, Y.; ABE, J.; KAMOSHITA, A.; YAMAGISHI, J. Genotypic Variation in RootGrowth Angle in Rice (Oryza sativa L.) and its Association with Deep Root Developmentin Upland Fields with Different Water Regimes. Plant and Soil, v. 287, n. 1-2, p.117–129, Sept. 2006. DOI:10.1007/s11104-006-9008-4.

LABOSKI, C.; DOWDY, R.; ALLMARAS, R.; LAMB, J. Soil strength and water contentinfluences on corn root distribution in a sandy soil. Plant and Soil, v. 203, n. 2, p.239–247, 1998. DOI:10.1023/A:1004391104778.

LIAO, H.; RUBIO, G.; YAN, X.; CAO, A.; BROWN, K. M.; LYNCH, J. P. Effect ofphosphorus availability on basal root shallowness in common bean. Plant and Soil,v. 232, n. 1/2, p. 69–79, 2001. DOI:10.1023/A:1010381919003.

LYNCH, J. P. Root phenes for enhanced soil exploration and phosphorus acquisition:tools for future crops. Plant physiology, v. 156, n. 3, p. 1041–9, jul 2011.DOI:10.1104/pp.111.175414.

MOONEY, S. J.; PRIDMORE, T. P.; HELLIWELL, J.; BENNETT, M. J. Developing X-rayComputed Tomography to non-invasively image 3-D root systems architecture in soil.Plant and Soil, v. 352, n. 1-2, p. 1–22, Mar. 2012. DOI:10.1007/s11104-011-1039-9.

MÜLLNER, D. Modern hierarchical, agglomerative clustering algorithms. [S. l.],2011, p. 1-29. Disponível em: <https://arxiv.org/pdf/1109.2378.pdf>. Acesso em: 12Dez. 2019.

OTSU, N. A Threshold Selection Method from Gray-Level Histograms. IEEETransactions on Systems, Man, and Cybernetics, v. 9, n. 1, p. 62–66, Jan. 1979.DOI:10.1109/TSMC.1979.4310076.

PEDREGOSA, F.; VAROQUAUX, G.; GRAMFORT, A.; MICHEL, V.; THIRION, B.;GRISEL, O.; BLONDEL, M.; PRETTENHOFER, P.; WEISS, R.; DUBOURG, V.;VANDERPLAS, J.; PASSOS, A.; COURNAPEAU, D.; BRUCHER, M.; PERROT,M.; DUCHESNAY, E. Scikit-learn: machine learning in Python. Journal of MachineLearning Research, v. 12, p. 2825–2830, 2011.

SCHULZ, H.; POSTMA, J. A.; DUSSCHOTEN, D. van; SCHARR, H.; BEHNKE, S. PlantRoot System Analysis from MRI ImagesIn: INTERNATIONAL JOINT CONFERENCE,


7., 2012, Rome. Computer vision, imaging and computer graphics: theory andapplication. Berlin: Springer, 2013. p. 411–425. (Communications in computer andinformation science, 359). DOI:10.1007/978-3-642-38241-3_28.

SOUSA, S. M. de; CLARK, R. T.; MENDES, F. F.; Carlos de Oliveira, A.; Vilaçade Vasconcelos, M. J.; PARENTONI, S. N.; KOCHIAN, L. V.; GUIMARÃES, C. T.;MAGALHÃES, J. V. A role for root morphology and related candidate genes in Pacquisition efficiency in maize. Functional Plant Biology, v. 39, n. 11, p. 925–935,2012. DOI:10.1071/FP12022.

TRACHSEL, S.; KAEPPLER, S. M.; BROWN, K. M.; LYNCH, J. P. Shovelomics: Highthroughput phenotyping of maize (Zea mays L.) root architecture in the field. Plant andSoil, v. 341, n. 1-2, p. 75–87, Apr. 2011. DOI:10.1007/s11104-010-0623-8.

VAN DER WALT, S.; SCHÖNBERGER, J. L.; NUNEZ-IGLESIAS, J.; BOULOGNE, F.;WARNER, J. D.; YAGER, N.; GOUILLART, E.; YU, T. scikit-image: image processingin Python. PeerJ, v. 2, p. 1-18, 2014. DOI:10.7717/peerj.453.

WALTER, A.; SILK, W. K.; SCHURR, U. Environmental Effects on Spatial and TemporalPatterns of Leaf and Root Growth. Annual Review of Plant Biology, v. 60, p. 279–304,2009. DOI:10.1146/annurev.arplant.59.032607.092819.

YORK, L. M.; LYNCH, J. P. Intensive field phenotyping of maize (Zea mays L.) rootcrowns identifies phenes and phene integration associated with plant growth andnitrogen acquisition. Journal of Experimental Botany, v. 66, n. 18, p. 5493–5505,Sept. 2015. DOI:10.1093/jxb/erv241.

ZHU, J.; BROWN, K. M.; LYNCH, J. P. Root cortical aerenchyma improves the droughttolerance of maize (Zea mays L.). Plant, Cell & Environment, v. 33, n. 5, p. 740–749,May 2010. DOI:10.1111/j.1365-3040.2009.02099.x.

ZHU, J.; KAEPPLER, S. M.; LYNCH, J. P. Mapping of QTLs for lateral rootbranching and length in maize (Zea mays L.) under differential phosphorussupply. Theoretical and Applied Genetics, v. 111, n. 4, p. 688–695, Aug. 2005a.DOI:10.1007/s00122-005-2051-3.

ZHU, J.; KAEPPLER, S. M.; LYNCH, J. P. Topsoil foraging and phosphorus acquisitionefficiency in maize (Zea mays). Functional Plant Biology, v. 32, n. 8, p. 749-762,2005b. DOI:10.1071/FP05005.

ZHU, J.; LYNCH, J. P. The contribution of lateral rooting to phosphorus acquisitionefficiency in maize (Zea mays) seedlings. Functional Plant Biology, v. 31, n. 10,p. 949, 2004. DOI:10.1071/FP04046.

CG

PE 1

5708

Documents

Metodologia para processamento de imagens digitais do