Título:	Avaliação da espectroscopia no infravermelho próximo na determinação do teor de matéria seca em grãos de soja.
Autoria:	HASEGAWA, F. S. PORTO, V. A. PICCHI, C. M. C. FERREIRA, A. U. de C.
Afiliação:	FELIPE SHIN HASEGAWA, UNIVERSIDADE FEDERAL DE SÃO CARLOS; VANESSA APARECIDA PORTO, UNIVERSIDADE FEDERAL DE SÃO CARLOS; CRISTINA MARIA CIRINO PICCHI, CPPSE; AVELARDO URANO DE CARVALHO FERREIRA, CPPSE.
Ano de publicação:	2025
Referência:	In: JORNADA CIENTÍFICA EMBRAPA DE SÃO CARLOS, 17., 2025, São Carlos, SP. Anais... São Carlos, SP: 2025. p. 25.
Conteúdo:	O teor de matéria seca representa um parâmetro essencial na avaliação da qualidade de grãos de soja (Glycine max), uma vez que afeta diretamente a aceitação comercial, o processamento, o armazenamento e a qualidade do produto. A análise de referência é medida por método gravimétrico, com secagem em estufa a 105 ºC por 16 horas. A espectroscopia no infravermelho próximo (NIRS) surge como alternativa promissora, permitindo análises rápidas, econômicas, não destrutiva, sem uso de reagentes ou geração de resíduos. Este estudo avaliou a viabilidade da espectroscopia NIRS na determinação do teor de matéria seca em grãos de soja. Foram coletadas 96 amostras provenientes de experimentos conduzidos na Embrapa Pecuária Sudeste. Os valores de referência foram obtidos em duplicata pelo método gravimétrico, com teores de matéria seca entre 91,57% e 94,11%. A coleta dos espectros foi realizada em quadruplicata, em placa de Petri, no espectrômetro NIRFLEX N500 solids (Büchi), operando na região de 900 a 2500 nm, com 32 varreduras por espectro. Utilizou-se fonte de halogênio e detector de arseniato de índio e gálio. Os pré-processamentos espectrais e modelos de regressão foram desenvolvidos no software NIRCAL (Büchi). Para minimizar interferências espectrais como espalhamento de luz, ruídos instrumentais e variações na intensidade global da radiação incidente, aplicaram-se diferentes combinações dos pré-processamentos: alisamento por filtro de Savitzky-Golay (polinômio de 2ª ordem, janela de 9 pontos), primeira derivada, segunda derivada, normalização, padronização normal de sinal (Standard Normal Variate – SNV) e correção multiplicativa de espalhamento (Multiplicative Scatter Correction – MSC). A combinação que apresentou o melhor desempenho, com maior coeficiente de determinação (R²), menor erro padrão de predição (SEP) e menor raiz do erro quadrático médio de predição (RMSEP), foi composta por alisamento de Savitzky-Golay, seguido de SNV e primeira derivada. Os modelos foram ajustados por regressão de mínimos quadrados parciais (Partial Least Squares – PLS), com validação cruzada (75% calibração; 25% validação externa). O melhor modelo NIRS gerado apresentou R2pred = 0,18, SEP = 0,67% e RMSEP = 0,66%. Nas condições adotadas para o desenvolvimento do modelo, o desempenho preditivo foi insatisfatório. A faixa de variação do teor de matéria seca entre as amostras foi limitada, o que comprometeu a robustez do modelo. Para a construção de um modelo mais aplicável, é necessário ampliar o número de amostras e garantir uma amplitude maior de teores de matéria seca.
Thesagro:	Grão Soja Glycine Max Raio Infravermelho Matéria Seca
Palavras-chave:	NIRS
Série:	(Embrapa Pecuária Sudeste. Eventos Técnicos & Científicos, 4)
ISSN:	2966-0289
Notas:	Financiamento: CNPq | PIBIC/PIBIT (01.23.0574.00)
Tipo do material:	Resumo em anais e proceedings
Acesso:	openAccess
Aparece nas coleções:	Resumo em anais de congresso (CPPSE)