Please use this identifier to cite or link to this item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1172356
Full metadata record
DC FieldValueLanguage
dc.contributor.authorFERREIRA, M. A. R.
dc.contributor.authorGOMES, R. A.
dc.contributor.authorSILVA, J. C.
dc.contributor.authorSILVA, J. de J.
dc.contributor.authorFREITAS, M. V. C.
dc.contributor.authorFREITAS, S. T. de
dc.contributor.authorDANTAS, B. F.
dc.date.accessioned2025-02-05T18:49:46Z-
dc.date.available2025-02-05T18:49:46Z-
dc.date.created2025-02-05
dc.date.issued2024
dc.identifier.citationInformativo Abrates, v. 30, n. 1, p. 115, Set. 2024.
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1172356-
dc.descriptionO 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.
dc.language.isopor
dc.rightsopenAccess
dc.subjectTeor de água
dc.subjectMachine-learning
dc.subjectSementes nativas
dc.subjectFloresta seca
dc.subjectEspectrômetro portátil
dc.subjectVis-NIR
dc.titleEspectrometria e tecnologias de aprendizagem de máquina para auxiliar na conservação de sementes nativas de florestas seca
dc.typeResumo em anais e proceedings
dc.subject.thesagroSemente
dc.subject.thesagroGerminação
dc.subject.nalthesaurusSeeds
dc.description.notesEdição dos Resumos do 22º Congresso Brasileiro de Sementes, Foz do Iguaçu, Set. 2024.
riaa.ainfo.id1172356
riaa.ainfo.lastupdate2025-02-05
dc.contributor.institutionMARIA 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.
Appears in Collections:Resumo em anais de congresso (CPATSA)

Files in This Item:
File Description SizeFormat 
ESPECTROMETRIA-E-TECNOLOGIAS-DE-APRENDIZAGEM-DE-MAQUINA-FLORESTA-SECA.pdf728,51 kBAdobe PDFThumbnail
View/Open
Show simple item record

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace