@PHDTHESIS{ 2025:2097557961,
 	title = {Avalia??o e recomenda??o de espectr?metro-Vis-NIR port?til para o monitoramento da qualidade fisiol?gica de sementes florestais nativas},
 	year = {2025},
 	url = "http://tede2.uefs.br:8080/handle/tede/1828",
 	abstract = "O uso da espectroscopia na regi?o do vis?vel e infravermelho pr?ximo (Vis-NIR) para avaliar
 a qualidade de sementes possibilita que, antes e durante a coleta, seja obtida uma an?lise
 inicial das caracter?sticas das sementes, evitando a destrui??o do material como ocorre no
 m?todo padr?o. O Vis-NIR, aliado a t?cnicas de machine learning (ML), contribui para
 desenvolver modelos que permitam avaliar a qualidade das sementes de esp?cies florestais
 nativas do bioma Caatinga. Este estudo teve como objetivo desenvolver modelos de
 calibra??o precisos com algoritmos de aprendizado de m?quina para avaliar a qualidade das
 sementes de duas leguminosas florestais nativas do bioma Caatinga, utilizando um
 espectr?metro Vis-NIR port?til. Foram formados sublotes de sementes com diferentes teores
 de ?gua (TA) a partir dos lotes originais, ajustando o teor por meio de hidrata??o ou
 desidrata??o controlada. As sementes foram colocadas sobre tela em caixas pl?sticas tipo
 "gerbox" com 40 mL de ?gua (hidrata??o) ou s?lica em gel (desidrata??o) por per?odos de 24
 ou 72 horas, gerando sublotes com diferentes TA. A avalia??o espectral do TA das sementes
 (TANIR) foi feita por leitura individual com o espectr?metro port?til Vis-NIR. Ap?s a coleta
 dos dados espectrais, o TA de refer?ncia (TAREF) foi medido com um m?todo tradicional
 adaptado para sementes individuais. Os dados espectrais originais foram utilizados, e um
 filtro de amostragem foi aplicado para ajuste dos modelos. No segundo trabalho, as leituras
 espectrais das sementes foram seguidas pelo teste de germina??o em ambas as esp?cies, com
 25 sementes e quatro repeti??es por lote. Ap?s a germina??o, classificou-se as sementes
 quanto ? capacidade de germina??o e forma??o de pl?ntulas (normais, anormais ou sem
 forma??o). Para determinar o vigor, as leituras tamb?m foram feitas individualmente, com as
 sementes incubadas em B.O.D. a 30 ?C, sendo o vigor classificado em alto, baixo ou nulo.
 Foram avaliados quatro algoritmos discriminativos: Multilayer Perceptron (MP), Random
 Forest (RF), J48 e Support Vector Machine. O algoritmo Gaussian Processes foi utilizado
 apenas no primeiro trabalho, enquanto o J48 foi aplicado exclusivamente no segundo
 trabalho. O MP se destacou na predi??o do teor de ?gua (TA) das sementes de Anadenanthera
 colubrina e Cenostigma pyramidale com os dados originais. Por outro lado, o RF apresentou
 resultados superiores ap?s a aplica??o do filtro de amostragem. No segundo trabalho, A.
 colubrina e C. pyramidale, os algoritmos Random Forest (RF) e J48 apresentaram resultados
 superiores na classifica??o de germina??o, pl?ntulas e vigor. Esses m?todos se destacaram ao
 classificar as sementes germinadas, as que n?o produziram pl?ntulas e as de alto vigor, com as
 maiores taxas de acerto em ambas as esp?cies. A combina??o de Vis-NIR com aprendizado de
 m?quina mostrou-se eficaz na discrimina??o entre as classes de germina??o e vigor, sendo
 necess?rio, no entanto, incluir mais dados para aprimorar a precis?o dos modelos.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Doutorado Acad?mico em Recursos Gen?ticos Vegetais},
 	note = {DEPARTAMENTO DE CI?NCIAS BIOL?GICAS}
}