Title:	Espectrometria e tecnologias de aprendizagem de máquina para auxiliar na conservação de sementes nativas de florestas seca
Authors:	FERREIRA, M. A. R. GOMES, R. A. SILVA, J. C. SILVA, J. de J. FREITAS, M. V. C. FREITAS, S. T. de DANTAS, B. F.
Affiliation:	MARIA APARECIDA RODRIGUES FERREIRA, UNIVERSIDADE ESTADUAL DE FEIRA DE SANTANA; RAQUEL ARAUJO GOMES, UNIVERSIDADE ESTADUAL DE FEIRA DE SANTANA; JAMILLE CARDEAL SILVA, UNIVERSIDADE ESTADUAL DE FEIRA DE SANTANA; JAILTON DE JESUS SILVA, UNIVERSIDADE ESTADUAL DE FEIRA DE SANTANA; MARCOS VINICIUS CARVALHO FREITAS, UNIVERSIDADE FEDERAL DO VALE DO SÃO FRANCISCO; SERGIO TONETTO DE FREITAS, CPATSA; BARBARA FRANCA DANTAS, CPATSA.
Date Issued:	2024
Citation:	Informativo Abrates, v. 30, n. 1, p. 115, Set. 2024.
Description:	O armazenamento de sementes nativas desempenha um papel crítico na conservação, enriquecimento e restauração de ambientes degradados. A avaliação tradicional da qualidade das sementes armazenadas depende de testes destrutivos para avaliar a viabilidade, a germinação e o teor de água (TA). O objetivo deste trabalho foi desenvolver um método fácil e não destrutivo para avaliar o TA e a qualidade fisiológica de sementes, utilizando um espectrômetro portátil Vis-NIR com um modelo de algoritmo de aprendizado de máquina ajustado para essa análise. Sementes de diferentes populações de duas Fabaceae foram avaliadas individualmente quanto à germinação, teor de água com espectrômetro portátil F-750 (Felix Instruments, EUA). O TA de referência foi obtido após secagem a 105°C/24h, pesando-se as sementes individualmente. Para classificação da germinação, após a leitura individual das sementes no espectrômetro foi realizado o teste de germinação para as duas espécies, com quatro repetições de 25 sementes para cada lote. Foi realizada, também, avaliação individual das sementes quanto à germinação (SIM- germinada ou NÃO- não germinada). A validação externa e interna dos modelos foi obtida dividindo os dados em etapas de treinamento (70%) e de teste (30%), utilizando validação cruzada 10x. Os dados espectrais obtidos pelo espectrômetro foram processados utilizando o software Weka 3.8.6. Os algoritmos discriminativos aplicados foram Support Vector Machine, Multilayer Perceptron, Random Forest e J48. O algoritmo Randon Forest obteve o melhor ajuste tanto para avaliação do TA (R>0,90 e RMSE<2,5) quanto para classificação da germinação (acurácia e precisão>90%), que os demais algoritmos, no entanto, ainda necessitam de estudos de pré-processamento de dados. A avaliação da qualidade de sementes pode ser rápida, precisa, não destrutiva e acessível por meio da utilização de espectrômetro portátil e de modelos bem ajustados.
Thesagro:	Semente Germinação
NAL Thesaurus:	Seeds
Keywords:	Teor de água Machine-learning Sementes nativas Floresta seca Espectrômetro portátil Vis-NIR
Notes:	Edição dos Resumos do 22º Congresso Brasileiro de Sementes, Foz do Iguaçu, Set. 2024.
Type of Material:	Resumo em anais e proceedings
Access:	openAccess
Appears in Collections:	Resumo em anais de congresso (CPATSA)