Predição da germinação de sementes de soja utilizando teste de tetrazólio e inteligência computacional
Autor(a) principal: | |
---|---|
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 |