Avaliação não destrutiva da qualidade de sementes florestais nativas por meio de aprendizado de máquina.

FERREIRA, M. A. R.; GOMES, R. A.; SILVA, J. de J.; FREITAS, S. T. de; DANTAS, B. F.

Avaliação não destrutiva da qualidade de sementes florestais nativas por meio de aprendizado de máquina.

Autores

Descripción

A espectroscopia no infravermelho próximo (Vis-NIR), aliada a técnicas de aprendizado de máquina (AM), oferece uma alternativa não destrutiva para avaliar a qualidade de sementes florestais, em contraste com os métodos convencionais. Este estudo objetivou desenvolver modelos de calibração para prever a qualidade de sementes de duas leguminosas da Caatinga, utilizando um espectrômetro Vis-NIR portátil. No primeiro experimento, sublotes de sementes com diferentes teores de água (TA) foram analisados individualmente para medir o teor de água por espectroscopia Vis- NIR (TAVIS-NIR) e comparados ao teor de água de referência (TAREF) obtido pelo método tradicional, com um filtro de amostragem para aprimorar os modelos. No segundo experimento foram realizadas leituras espectrais e testes de germinação em 25 sementes por lote, com quatro repetições. Avaliaram- se a germinação (germinadas e não germinadas), a formação de plântulas (normais, anormais ou sem formação) e o vigor das sementes, classificado como alto, baixo ou nulo. Para construir os modelos, foi utilizada a faixa espectral de 400 a 1.100 nm, com dados processados no software Weka 3.9, divididos em 70% para calibração e 30% para validação. Quatro algoritmos foram testados: Multilayer Perceptron (MP), Random Forest (RF), J48 e Support Vector Machine. O MP mostrou melhor desempenho na predição do TA nas sementes de Anadenanthera colubrina e Cenostigma pyramidale em dados originais (R² = 0,90 e 0,95, RMSE = 2.83 e 2.05 e MAE=1.68 e 1.18), enquanto o RF se destacou em dados ajustados (R² = 0,70 e 0,94, RMSE= 4.66 e 2.15, MAE=2.54 e 0.99). No segundo experimento, RF e J48 apresentaram o melhor desempenho para todas as classes de qualidade das duas espécies, com precisão acima de 60%. A combinação de Vis-NIR e AM provou ser eficaz na previsão da qualidade das sementes, com potencial de aumento da precisão mediante o aumento do número de sementes.