Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional

Detalhes bibliográficos
Autor(a) principal: MARCIO ALVES FERNANDES
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFMS
Texto Completo: https://repositorio.ufms.br/handle/123456789/8884
Resumo: The quality of seeds is crucial for agricultural productivity, and conventional testing methods can be time-consuming and subjective. Therefore, the use of machine learning offers an efficient approach to predicting germination. The objective of this study is to find an algorithm that, together with tetrazolium test data, results in an efficient prediction of soybean seed germination. The following machine learning algorithms were tested: REPTree, M5P Decision Tree, Random Forest, Logistic Regression, Artificial Neural Networks, and Support Vector Machine. The data analysis used correlation coefficient (r) and mean absolute error (MAE) as parameters for algorithm accuracy. The inputs tested were viability data, vigor data, and vigor + viability data. The results highlighted SVM as the most effective algorithm in predicting germination, with the inputs of viability and vigor + viability showing the best results. This study suggests that integrating computational intelligence techniques with the tetrazolium test can make the evaluation of soybean seed quality more efficient, contributing to quick and accurate decision-making in agriculture.
id UFMS_e0cef1e5e4dc2ef376b0af52a1360f86
oai_identifier_str oai:repositorio.ufms.br:123456789/8884
network_acronym_str UFMS
network_name_str Repositório Institucional da UFMS
repository_id_str 2124
spelling 2024-06-28T17:29:05Z2024-06-28T17:29:05Z2024https://repositorio.ufms.br/handle/123456789/8884The quality of seeds is crucial for agricultural productivity, and conventional testing methods can be time-consuming and subjective. Therefore, the use of machine learning offers an efficient approach to predicting germination. The objective of this study is to find an algorithm that, together with tetrazolium test data, results in an efficient prediction of soybean seed germination. The following machine learning algorithms were tested: REPTree, M5P Decision Tree, Random Forest, Logistic Regression, Artificial Neural Networks, and Support Vector Machine. The data analysis used correlation coefficient (r) and mean absolute error (MAE) as parameters for algorithm accuracy. The inputs tested were viability data, vigor data, and vigor + viability data. The results highlighted SVM as the most effective algorithm in predicting germination, with the inputs of viability and vigor + viability showing the best results. This study suggests that integrating computational intelligence techniques with the tetrazolium test can make the evaluation of soybean seed quality more efficient, contributing to quick and accurate decision-making in agriculture.A qualidade das sementes é crucial para a produtividade agrícola, e os testes convencionais podem ser demorados e subjetivos. Portanto, a utilização de aprendizagem de máquina oferece uma abordagem eficiente para a predição da germinação. O objetivo deste trabalho é encontrar algoritmo que juntamente com dados de teste de tetrazólio resultem em predição eficiente da germinação de semente de soja. Foram testados: algoritmos de aprendizado de máquina: REPTree, Árvore de Decisão M5P, Floresta Aleatória, Regressão Logística, Redes Neurais Artificiais e Máquina de Vetor de Suporte. A análise dos dados utilizou como parâmetro de acurácia dos algoritmos coeficiente de correlação (r) e erro absoluto médio (MAE). Os inputs testados foram dados de viabilidade, vigor e vigor + viabilidade. Os resultados destacaram o SVM como o algoritmo mais eficaz na predição da germinação, com os inputs de viabilidade e vigor + viabilidade mostrando os melhores resultados. Este estudo sugere que a integração de técnicas de inteligência computacional com o teste de tetrazólio pode tornar mais eficiente a avaliação da qualidade das sementes de soja, contribuindo para a tomada de decisões rápidas e precisas na agricultura.Fundação Universidade Federal de Mato Grosso do SulUFMSBrasilPrediçãoSojaTetrazólioInteligência computacional.Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacionalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisCharline Zaratin AlvesMARCIO ALVES FERNANDESinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMSinstname:Universidade Federal de Mato Grosso do Sul (UFMS)instacron:UFMSORIGINALDissertação_Marcio Alves Fernandes.pdfDissertação_Marcio Alves Fernandes.pdfapplication/pdf848680https://repositorio.ufms.br/bitstream/123456789/8884/-1/Disserta%c3%a7%c3%a3o_Marcio%20Alves%20Fernandes.pdfdb8204a412314010f9903a4c0ea2ae75MD5-1123456789/88842024-06-28 13:29:06.052oai:repositorio.ufms.br:123456789/8884Repositório InstitucionalPUBhttps://repositorio.ufms.br/oai/requestri.prograd@ufms.bropendoar:21242024-06-28T17:29:06Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)false
dc.title.pt_BR.fl_str_mv Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
title Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
spellingShingle Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
MARCIO ALVES FERNANDES
Predição
Soja
Tetrazólio
Inteligência computacional.
title_short Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
title_full Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
title_fullStr Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
title_full_unstemmed Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
title_sort Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
author MARCIO ALVES FERNANDES
author_facet MARCIO ALVES FERNANDES
author_role author
dc.contributor.advisor1.fl_str_mv Charline Zaratin Alves
dc.contributor.author.fl_str_mv MARCIO ALVES FERNANDES
contributor_str_mv Charline Zaratin Alves
dc.subject.por.fl_str_mv Predição
Soja
Tetrazólio
Inteligência computacional.
topic Predição
Soja
Tetrazólio
Inteligência computacional.
description The quality of seeds is crucial for agricultural productivity, and conventional testing methods can be time-consuming and subjective. Therefore, the use of machine learning offers an efficient approach to predicting germination. The objective of this study is to find an algorithm that, together with tetrazolium test data, results in an efficient prediction of soybean seed germination. The following machine learning algorithms were tested: REPTree, M5P Decision Tree, Random Forest, Logistic Regression, Artificial Neural Networks, and Support Vector Machine. The data analysis used correlation coefficient (r) and mean absolute error (MAE) as parameters for algorithm accuracy. The inputs tested were viability data, vigor data, and vigor + viability data. The results highlighted SVM as the most effective algorithm in predicting germination, with the inputs of viability and vigor + viability showing the best results. This study suggests that integrating computational intelligence techniques with the tetrazolium test can make the evaluation of soybean seed quality more efficient, contributing to quick and accurate decision-making in agriculture.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-06-28T17:29:05Z
dc.date.available.fl_str_mv 2024-06-28T17:29:05Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufms.br/handle/123456789/8884
url https://repositorio.ufms.br/handle/123456789/8884
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Fundação Universidade Federal de Mato Grosso do Sul
dc.publisher.initials.fl_str_mv UFMS
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Fundação Universidade Federal de Mato Grosso do Sul
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMS
instname:Universidade Federal de Mato Grosso do Sul (UFMS)
instacron:UFMS
instname_str Universidade Federal de Mato Grosso do Sul (UFMS)
instacron_str UFMS
institution UFMS
reponame_str Repositório Institucional da UFMS
collection Repositório Institucional da UFMS
bitstream.url.fl_str_mv https://repositorio.ufms.br/bitstream/123456789/8884/-1/Disserta%c3%a7%c3%a3o_Marcio%20Alves%20Fernandes.pdf
bitstream.checksum.fl_str_mv db8204a412314010f9903a4c0ea2ae75
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)
repository.mail.fl_str_mv ri.prograd@ufms.br
_version_ 1815448003080617984