Resumo: A espectrometria aliada à aprendizagem de máquinas pode ser um método não destrutivo eficaz para avaliar a qualidade de sementes florestais nativas para projetos de restauração. O objetivo deste estudo foi desenvolver modelos para a avaliação do teor de água (TA) de sementes utilizando um espectrômetro Vis-NIR portátil e comparar quatro algoritmos de aprendizagem de máquina. As sementes de catingueira-verdadeira e angico-de-caroço de diferentes populações foram hidratadas (atmosfera úmida) ou desidratadas (sílica-gel) para formação de sub lotes com diferentes TA. Para avaliação espectral do TA das sementes, foi realizada a leitura individual das sementes com espectrômetro portátil F-750 (Felix Instruments, EUA). O TA de referência foi obtido após secagem a 105 oC/ 24h, pesando-se as sementes individualmente. A validação externa e interna do modelo foi realizada, a partir da divisão do conjunto de dados para as etapas de treinamento (70%; validação cruzada com 10 dobras) e de 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 Gaussian Processes) e trees (Random Forest). O algoritmo Multilayer Perceptron demonstrou os melhores resultados para as duas espécies com R= 0.80 e RMSE=5.58 e MAE=3.90 (angico-de-caroço) e R=0.92, RMSE=3.83 e MAE=3.25 (catingueira-verdadeira) para o TA das sementes. Deste modo, o uso da espectroscopia do infravermelho próximo com aplicação do algoritmo Multilayer Perceptron é eficiente para a determinação do TA de sementes nativas florestais.

Ano de publicação: 2024

Tipo de publicação: Resumo em anais e proceedings

Unidade: Embrapa Semiárido