Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1177282
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorFERREIRA, M. A. R.
dc.contributor.authorGOMES, R. A.
dc.contributor.authorALVES, J. da S.
dc.contributor.authorFREITAS, S. T. de
dc.contributor.authorDANTAS, B. F.
dc.date.accessioned2025-07-13T06:49:28Z-
dc.date.available2025-07-13T06:49:28Z-
dc.date.created2025-07-12
dc.date.issued2024
dc.identifier.citationIn: JORNADA DE INTEGRAÇÃO DA PÓS-GRADUAÇÃO DA EMBRAPA SEMIÁRIDO, 6., 2023, Petrolina. Anais... Petrolina: Embrapa Semiárido, 2024.
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1177282-
dc.descriptionA avaliação do teor de água (TA) permite a escolha dos procedimentos mais apropriados para garantir a vida útil das sementes. A utilização do espectrômetro Vis-NIR para avaliar TA das sementes permite que, antes e durante a coleta, já se tenha o conhecimento inicial desta característica sem a destruição do material, como ocorre no método padrão. Objetivou-se com este estudo desenvolver um modelo para a avaliação do TA de sementes utilizando-se um espectrômetro Vis-NIR portátil e comparar três algoritmos de machine learning. As sementes de catingueira- verdadeira de diferentes populações foram hidratadas (atmosfera úmida) ou desidratadas (sílica-gel) para a formação de sublotes de diferentes TA. Para avaliação espectral do TA das sementes, foi realizada a leitura individual das sementes com espectrômetro portátil F-750 (Felix Instruments, EUA) para obtenção do TA de referência, a partir do método tradicional adaptado para sementes individuais. Foi realizada a validação externa e interna do modelo a partir da divisão do conjunto de dados para as etapas de treinamento (70%), com o emprego do método da validação cruzada, com dez dobras, e teste (30%). Os dados espectrais foram processados no software Weka 3.8.6. Os algoritmos discriminativos aplicados foram dos grupos function (Support Vector Machine e Multilayer Perceptron) e trees (Random Forest). Os algoritmos avaliados obtiveram coeficientes de correlação de calibração (Rc) e de predição (Rp) acima de 0,80. As raízes do erro quadrático médio de calibração (RMSEC), predição (RMSEP) foram abaixo de 5,3. O algoritmo Multilayer Perceptron demonstrou os melhores resultados com Rc= 0,88, Rp=0,92, RMSEC=4,14 e RMSEP=3,82, sendo o melhor algoritmo para predição do TA das sementes. Diante disso, o uso da espectroscopia do infravermelho com aplicação de algoritmo pode ser utilizado para predição do TA de sementes nativas florestais.
dc.language.isopor
dc.rightsopenAccess
dc.subjectMachine learning
dc.subjectGrau de umidade
dc.titleEspectrômetro Vis-NIR portátil e uso da técnica de machine learning para avaliação do teor de água de sementes de catingueira-verdadeira (Cenostigma pyramidale (Tul.) Gagnon & G.P.Lewis).
dc.typeResumo em anais e proceedings
dc.subject.thesagroSemente
dc.subject.thesagroEspectrometria
dc.subject.thesagroCaatinga
dc.subject.thesagroEspécie Nativa
dc.subject.nalthesaurusNatural resources
dc.format.extent2p. 29.
riaa.ainfo.id1177282
riaa.ainfo.lastupdate2025-07-12
dc.contributor.institutionMARIA APARECIDA RODRIGUES FERREIRA, UNIVERSIDADE ESTADUAL DE FEIRA DE SANTANA; RAQUEL ARAÚJO GOMES, UNIVERSIDADE ESTADUAL DE FEIRA DE SANTANA; JASCIANE DA SILVA ALVES, UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO; SERGIO TONETTO DE FREITAS, CPATSA; BARBARA FRANCA DANTAS, CPATSA.
Aparece nas coleções:Resumo em anais de congresso (CPATSA)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Espectrometro-Vis-NIR-portatil-e-uso-da-tecnica-de-machine-learning-Catingueira-verdadeira.pdf112.31 kBAdobe PDFThumbnail
Visualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace