@PHDTHESIS{ 2025:637046777,
 	title = {Avaliação e recomendação de espectrômetro-Vis-NIR portátil para o monitoramento da qualidade fisiológica de sementes florestais nativas},
 	year = {2025},
 	url = "http://tede2.uefs.br:8080/handle/tede/1828",
 	abstract = "O uso da espectroscopia na região do visível e infravermelho próximo (Vis-NIR) para avaliar
 a qualidade de sementes possibilita que, antes e durante a coleta, seja obtida uma análise
 inicial das características das sementes, evitando a destruição do material como ocorre no
 método padrão. O Vis-NIR, aliado a técnicas de machine learning (ML), contribui para
 desenvolver modelos que permitam avaliar a qualidade das sementes de espécies florestais
 nativas do bioma Caatinga. Este estudo teve como objetivo desenvolver modelos de
 calibração precisos com algoritmos de aprendizado de máquina para avaliar a qualidade das
 sementes de duas leguminosas florestais nativas do bioma Caatinga, utilizando um
 espectrômetro Vis-NIR portátil. Foram formados sublotes de sementes com diferentes teores
 de água (TA) a partir dos lotes originais, ajustando o teor por meio de hidratação ou
 desidratação controlada. As sementes foram colocadas sobre tela em caixas plásticas tipo
 "gerbox" com 40 mL de água (hidratação) ou sílica em gel (desidratação) por períodos de 24
 ou 72 horas, gerando sublotes com diferentes TA. A avaliação espectral do TA das sementes
 (TANIR) foi feita por leitura individual com o espectrômetro portátil Vis-NIR. Após a coleta
 dos dados espectrais, o TA de referência (TAREF) foi medido com um método 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 germinação em ambas as espécies, com
 25 sementes e quatro repetições por lote. Após a germinação, classificou-se as sementes
 quanto à capacidade de germinação e formação de plântulas (normais, anormais ou sem
 formação). Para determinar o vigor, as leituras também 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 predição do teor de água (TA) das sementes de Anadenanthera
 colubrina e Cenostigma pyramidale com os dados originais. Por outro lado, o RF apresentou
 resultados superiores após a aplicação do filtro de amostragem. No segundo trabalho, A.
 colubrina e C. pyramidale, os algoritmos Random Forest (RF) e J48 apresentaram resultados
 superiores na classificação de germinação, plântulas e vigor. Esses métodos se destacaram ao
 classificar as sementes germinadas, as que não produziram plântulas e as de alto vigor, com as
 maiores taxas de acerto em ambas as espécies. A combinação de Vis-NIR com aprendizado de
 máquina mostrou-se eficaz na discriminação entre as classes de germinação e vigor, sendo
 necessário, no entanto, incluir mais dados para aprimorar a precisão dos modelos.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Doutorado Acadêmico em Recursos Genéticos Vegetais},
 	note = {DEPARTAMENTO DE CIÊNCIAS BIOLÓGICAS}
}