Novos marcadores para avaliar qualidade semente amendoim

PESQUISA ORIGINAL
publicado: 14 de abril de
2022 doi: 10.3389/fpls.2022.849986
Uma Abordagem Usando Tecnologias
Ópticas Emergentes e
Inteligência traz novos marcadores para avaliar a
qualidade da semente de amendoim
Gustavo Roberto Fonseca de Oliveira1* , Clíssia Barboza Mastrangelo2,
Welinton Yoshio Hirai3, Thiago Barbosa Batista1, Julia Marconato Sudki2, Ana
Carolina Picinini Petronilio1, Carlos Alexandre Costa Crusciol1e Edvaldo
Aparecido Amaral da Silva1
1Departamento de Agronomia, Faculdade de Ciências Agrárias, Universidade Estadual Paulista, Botucatu, Brasil,2Laboratório de
Radiobiologia e Meio Ambiente, Centro de Energia Nuclear na Agricultura, Universidade de São Paulo, Piracicaba, Brasil,
3Departamento de Ciências Exatas, Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba, Brasil
Sementes de alta qualidade fisiológica são definidas por sua capacidade germinativa superior e
estabelecimento uniforme de plântulas. Aqui, foi investigado se imagens multiespectrais
combinadas com modelos de aprendizado de máquina podem categorizar eficientemente a
qualidade de lotes de sementes de amendoim. A qualidade das sementes de sete lotes foi avaliada
tradicionalmente (peso da semente, teor de água, germinação e vigor) e por imagens
multiespectrais (área, comprimento, largura, brilho, fluorescência da clorofila, antocianina e
refletância: 365 a 970 nm). As plântulas das sementes de cada lote foram avaliadas quanto à
capacidade fotossintética (fluorescência e índice de clorofila, F0, Fm, e Fv/Fm) e índices de estresse
(antocianina e NDVI). Recursos de inteligência artificial (método QDA) aplicados aos dados extraídos
das imagens de sementes categorizaram lotes com alta e baixa qualidade. Níveis mais elevados de
antocianina foram encontrados nas folhas de plântulas de sementes de baixa qualidade. Portanto,
esta informação é promissora, uma vez que o comportamento inicial das mudas refletiu na
qualidade das sementes. A existência de novos marcadores que efetivamente rastreiam a
qualidade das sementes de amendoim foi confirmada. A combinação de propriedades físicas (área,
comprimento, largura e brilho da pelagem), pigmentos (fluorescência da clorofila e antocianina) e
refletância da luz (660, 690 e 780 nm), é altamente eficiente na identificação de lotes de amendoim
com qualidade superior (98 % precisão).
Editado por:
Ian Stavness,
Universidade de Saskatchewan, Canadá
Revisados pela:
Roxana Vidican,
Universidade de Ciências Agrárias
e Medicina Veterinária de
Cluj-Napoca, Romênia
Dimitrios Fanourakis,
Instituto Educacional Tecnológico
de Creta, Grécia
* Correspondência:
Gustavo Roberto Fonseca de
Oliveira
grfonseca.agro@gmail.com
Seção de especialidades:
Este artigo foi submetido ao
Technical Advances in Plant Science,
uma seção da revista
Frontiers in Plant Science
Recebido:06 de janeiro de 2022
Aceitaram:21 de março de 2022
Publicados:14 de abril de 2022
Palavras-chave:Arachis hypogaeaL., multiespectral, imagens, aprendizado de máquina, fluorescência, refletância, qualidade de sementes
Citação:
Fonseca de Oliveira GR,
Mastrangelo CB, Hirai WY, Batista TB,
Sudki JM, Petronilio ACP,
Crusciol CAC e Amaral da Silva EA (2022)
Uma Abordagem Usando Emergentes
Tecnologias ópticas e artificiais
Inteligência traz novos marcadores para
avaliar a qualidade da semente de amendoim.
Frente. Planta Sci. 13:849986.
doi: 10.3389/fpls.2022.849986
INTRODUÇÃO
Amendoim (Arachis hypogaeaL.) é uma oleaginosa de grande relevância na agricultura (Perseguidor e
Wilson, 2016). Nações como China, Índia, Nigéria e Estados Unidos produzem a maior parte do amendoim
consumido no mundo e contribuem para a segurança alimentar global.Perseguidor e Wilson, 2016;USDA,
2020b). As sementes de amendoim são ricas em óleo e proteínas (Arya et al., 2016), além de propriedades
químicas que desempenham um papel essencial na saúde humana e no combate à desnutrição (Temba et
al., 2016;Bessada et al., 2019). Considerando que a cadeia produtiva do amendoim se estende por seis
continentes (USDA, 2020a), explorar fatores que favorecem a produtividade de grãos faz parte
Fronteiras na Ciência Vegetal | www.frontiersin.org 1 abril de 2022 | Volume 13 | Artigo 849986
Traduzido do Inglês para o Português - www.onlinedoctranslator.com

Fonseca de Oliveira et al. Ferramentas ópticas para avaliar a qualidade da semente de amendoim
de uma estratégia global global de segurança alimentar. Levando em conta essa
estratégia, as tecnologias pós-colheita podem aumentar a qualidade das sementes, o
que, por sua vez, representaria um aumento no rendimento de grãos.
Sementes de alta qualidade fisiológica são o insumo básico para a
agricultura. Eles têm alto vigor, o que significa melhor capacidade de
promover o rápido estabelecimento da cultura sob amplas condições
ambientais, com uma contribuição direta para o estabelecimento e o
rendimento da planta.Finch-Savage e Bassel, 2016;Ebone et al., 2020).
Sementes de alta qualidade têm vida útil prolongada, o que garante a
retenção de seu vigor até a semeadura (Sano et al., 2016;Basso et al., 2018
). Devido a fatores como imaturidade da colheita (Okada et al., 2021), danos
mecânicos no processamento (Barbosa et al., 2014), fungos de
armazenamento (Ding et al., 2015) e condições de transporte inadequadas
(Groot et al., 2022), as sementes de amendoim perdem sua qualidade no
processo de produção. Poucos estudos fornecem soluções para maximizar
a qualidade das sementes de amendoim na pós-colheita. Para outras
espécies de interesse agrícola, tecnologias não destrutivas que geram
dados a partir de imagens multiespectrais têm sido utilizadas com sucesso
para avaliar a qualidade das sementes.Elmasry et al., 2019a;Mortensen et
al., 2021). Considerando essa possibilidade, a semente de amendoim pode
apresentar marcadores espectrais inexplorados que permitem a avaliação
eficiente dessa qualidade.
A possibilidade de avaliar a qualidade das sementes por meio de
imagens multiespectrais tem sido demonstrada para leguminosas
como a soja.Baek et al., 2019), feijão frade (Elmasry et al., 2019b) e seis
outras espécies (Hu et al., 2020). No caso de culturas como tomate e
cenoura (Galletti et al., 2020), baixa refletância de sementes em
comprimentos de onda curtos e fluorescência reduzida da clorofila
foram identificados como marcadores de sua qualidade. A refletância
permite investigar o comportamento espectral dos tecidos vegetais
através do padrão de luz refletida em diferentes comprimentos de
onda.Meireles et al., 2020). As propriedades de refletância da luz
também são afetadas pelo estado fisiológico das plantas sob
condições desfavoráveis, como estresse hídrico.Caturegli et al., 2020).
A aplicação de reflectância em estudos de sementes permite a
avaliação da incidência de fungos (França-Silva et al., 2020;Rego et al.,
2020), cor (Wang X. et al., 2021) e variações de composição química (
Barboza da Silva et al., 2021a;Bianchini et al., 2021). Sob outro
princípio, a fluorescência é detectada pela excitação de clorofilas (a/b)
em tecidos vegetais em bandas específicas do espectro.Murchie e
Lawson, 2013). A dinâmica da fluorescência da clorofila no domínio da
semente pode estar associada à sua maturidade.Galletti et al., 2020)
ou envelhecimento (Barboza da Silva et al., 2021b). No domínio de
plântulas, por outro lado, o comportamento da fluorescência da
clorofila tem a ver com o funcionamento fotossintético.Herritt et al.,
2020;Oliveira et al., 2021). Assim, sementes e mudas de amendoim
podem apresentar características que podem ser úteis para a
indústria de sementes.
Com o desenvolvimento da capacidade de processamento de dados,
algoritmos de aprendizado de máquina são ferramentas promissoras para
categorizar de forma autônoma a qualidade do lote de sementes. Essa
abordagem foi explorada para identificar padrões de sementes associados
a características físicas, fisiológicas e de saúde com alta precisão.Medeiros
et al., 2020b;Barboza da Silva et al., 2021b;Bianchini et al., 2021). Esta
abordagem também tem sido empregada para a identificação de
variedades de sementes (Taheri-Garavand et al., 2021b). Em diferentes
espécies, a combinação de imagens multiespectrais e algoritmos tem sido
altamente eficaz para avaliação de sementes (Elmasry et al., 2019b;Hu et
al., 2020). A ideia desta pesquisa é que as sementes de amendoim tenham
marcadores de sua qualidade detectáveis por essas tecnologias. Aqui, foi
investigado se imagens multiespectrais combinadas com modelos de
aprendizado de máquina podem categorizar eficientemente a qualidade de
lotes de sementes de amendoim.
MATERIAIS E MÉTODOS
Material vegetal
Sete lotes de amendoim (Arachis hypogaeaEU.; cv. IAC OL3; Virginia
group) sementes produzidas em 2019/2020 na região oeste do Estado
de São Paulo, Brasil pela COPERCANA1e COPLANA2
empresas de sementes, foram utilizadas para a pesquisa. Os frutos foram
colhidos e depois secos à sombra. Após isso, as sementes foram extraídas
manualmente. As sementes obtidas de cada lote foram homogeneizadas
retirando-se manualmente sementes quebradas ou malformadas
(cotilédones seccionados ou danificados) e sementes sem tegumento. Os
lotes foram armazenados em câmara seca a 12◦C/55% de umidade relativa
(UR) até o início dos experimentos, após aproximadamente 90 dias de
armazenamento.
Projeto de teste
Inicialmente, foram realizados testes convencionais para avaliar a
qualidade dos lotes de sementes por meio do teor de água, massa fresca,
germinação e vigor. Então, a partir de um estudo usando imagens
multiespectrais, descobriu-se que certas características espectrais das
sementes se correlacionavam fortemente com sua qualidade. A partir das
características encontradas por meio dessas imagens, a qualidade dos
lotes foi classificada (análise de componentes principais) em grupos de
baixo vigor (lotes 1, 2 e 3) e alto vigor (lotes 4, 5, 6 e 7). Com essas
informações qualitativas (dois grupos), modelos de aprendizado de
máquina (método de análise discriminante quadrática) foram usados para
reconhecer de forma autônoma esses comportamentos (alto e baixo vigor).
Por fim, as plântulas das sementes de cada lote foram avaliadas quanto à
capacidade fotossintética e indicadores de estresse por meio de imagens
multiespectrais. Além disso, outros dois estudos foram realizados com
sementes expostas a condições de estresse (alta temperatura e alta UR). As
plântulas dessas sementes também foram avaliadas quanto à capacidade
fotossintética e indicadores de estresse. Detalhes sobre as variáveis
medidas, método e número de sementes utilizadas em cada teste de
pesquisa estão disponíveis para consulta nos arquivos complementares (
Tabelas Suplementares 1, 2).
Caracterização da Qualidade Fisiológica de
Sementes
O teor de água das sementes foi determinado pelo método do forno a
105±3◦C por 24 h (ISTA, 2020), utilizando quatro repetições de 10
sementes. Para a determinação da massa fresca das sementes, quatro
repetições de 100 sementes foram pesadas em balança analítica com
precisão de 0,001 g. Posteriormente, uma parte das sementes de cada
lote (cerca de 500 g) foi tratada com fungicidas (Carbendazim e
Thiram; 2 mL kg−1). Este procedimento visava inibir a
1https://copercana.com.br
2http://www.coplana.com

ocorrência de fungos durante a execução dos testes e reduzir qualquer
interferência de microrganismos patogênicos nos resultados de qualidade
das sementes. As demais sementes não foram submetidas ao tratamento
com fungicidas. Considerou-se que qualquer produto aplicado na
superfície das sementes poderia alterar suas características espectrais e
comprometer a qualidade dos dados gerados.
A germinação foi avaliada em papel toalha enrolado e substratos de
areia. Quatro repetições de 25 sementes foram colocadas entre as toalhas
de papel e umedecidas com água deionizada a 2,5 vezes a massa do papel
seco. As toalhas de papel enroladas foram mantidas a uma temperatura
constante de 25◦C no escuro. Para o substrato areia, foi utilizada uma areia
texturizada média estéril em caixas plásticas (34,0×21,7×7,0 cm), e o
substrato foi molhado a 60% de sua capacidade de retenção. Em seguida,
quatro repetições de 25 sementes de cada lote foram semeadas a uma
profundidade de 5,0 cm. As caixas com as sementes permaneceram em
câmara de crescimento a 25◦C e 80% UR. A porcentagem de plântulas
normais (com todas as suas estruturas essenciais, como parte aérea,
hipocótilo e radícula bem desenvolvida, completas, proporcionais e sadias)
produzidas no teste de germinação com papel toalha e areia foi obtida no
10º dia (pontuação final) após a semeadura inicial (ISTA, 2020).
O vigor foi inicialmente determinado pelo tempo necessário
para 50% de germinação (t50). Foram utilizadas quatro repetições
de 25 sementes de cada lote de acordo com as condições
descritas para o experimento de germinação entre papel toalha
enrolado. Vinte e quatro horas após o início do experimento
avaliou-se a germinação, com radículas com≥2 mm de
comprimento usado como critério. As medidas foram realizadas a
cada 4 horas. O cálculo de t50 foi realizado usando o software
Germinator (Joosen et al., 2010).
As sementes de cada lote também foram avaliadas quanto à
capacidade de emergência de plântulas. Foram utilizadas quatro repetições
de 25 sementes cada, com areia como substrato para o teste. As sementes
foram semeadas a uma profundidade de 5,0 cm em canteiro suspenso sob
condições ambientais não controladas. O substrato foi umedecido após a
semeadura e durante todo o experimento. As plântulas emergidas
(cotilédones e epicótilo aparentes na superfície do substrato) foram
contadas diariamente e no mesmo horário até a estabilização do número
de plântulas emergidas (Krzyzanowski et al., 2020). O vigor das sementes
foi expresso em porcentagem de plântulas emergidas.
Outro teste de vigor foi realizado com base no desempenho das
plântulas. Para isso, foram utilizadas quatro repetições de 10
sementes, semeadas equidistantes umas das outras no terço superior
da superfície do papel toalha, utilizando as mesmas condições
descritas para germinação entre papel toalha enrolado. Após 5 dias,
mediu-se o comprimento da parte aérea e da radícula de plântulas
normais. Em seguida, a parte aérea e as radículas foram segmentadas
e colocadas em estufa a 60◦C por 72 h para avaliar o peso seco (
Krzyzanowski et al., 2020).
850, 880, 940 e 970 nm (os últimos quatro comprimentos de onda na
região do infravermelho próximo), usando um VideometerLab4MT
instrumento (Videometer A/S, Herlev, Dinamarca; versão de software
3.14.9) conforme descrito porGalletti et ai. (2020). Este sistema pode
capturar e combinar imagens multiespectrais de alta resolução (2192×2192
pixels). Antes de adquirir as imagens de sementes, a configuração da luz
foi ajustada para otimizar a intensidade em cada largura de banda,
resultando em uma melhor relação sinal-ruído para que as imagens
capturadas pudessem ser diretamente comparáveis. A configuração da luz
foi ajustada usando uma amostra representativa e, em seguida, o tempo
de strobe de cada tipo de iluminação foi otimizado em relação a essa área.
As sementes foram segmentadas com base no limiar e as seguintes
variáveis foram extraídas de sementes individuais: área, comprimento,
largura e brilho medidos pelo CIELabeu∗(Oliveira et al., 2021), fluorescência
da clorofilauma(excitação/emissão de 630/700 nm) e clorofilab(excitação/
emissão de 405/600 nm). Além disso, foram coletados os valores de
reflectância das sementes de cada lote de 365 a 970 nm, e a concentração
de clorofilaa/brazão foi calculada. As imagens de sementes foram
transformadas por um algoritmo de análise discriminante canônica
normalizada (nCDA), em que os valores de pixel são calculados com base
na média aparada de 10% para fornecer uma imagem mais realista.
Imagens multiespectrais também foram capturadas usando um
SeedReporterMTinstrumento (PhenoVation BV, Wageningen, Holanda)
para calcular o índice de antocianinas das sementes. Antes da
aquisição da imagem, a intensidade da luz foi ajustada para evitar
sobrecarga. As imagens de refletância foram adquiridas em poucos
segundos, gerando imagens multiespectrais com dimensão espacial
de 2448×2448 pixels (3,69µm/pixel). Uma luz branca branca de banda
larga (3000 K) em uma faixa de 450 a 780 nm foi usada para iluminar
as sementes, e os dados de refletância foram coletados usando três
filtros ópticos em 540, 710 e 770 nm (Gitelson et al., 2009). O índice de
antocianina foi calculado por SeedReporterMTversão de software 5.5.1.
usando a equação apresentada porOliveira et ai. (2021).
Aprendizado de Máquina - Análise
Discriminante Quadrática
O método de Análise Discriminante Quadrática (QDA) foi utilizado
para a classificação dos lotes de alto e baixo vigor. A escolha deste
método baseou-se nos seguintes aspectos: (i) QDA é uma das
metodologias mais utilizadas para casos onde a variável resposta é
qualitativa (Hastie et al., 2009;James et al., 2021) e (ii) permite análises
eficazes com dados que não possuem distribuição normal e possuem
variância não homogênea e estrutura de matriz de covariância (Clarke
et al., 1979). A modelagem de classificação foi utilizada com base no
conjunto de dados extraído das imagens multiespectrais das
sementes. Quatro modelos de aprendizado de máquina baseados em
QDA foram gerados para diferentes conjuntos de dados. Dessa forma,
a capacidade desses modelos de inferir a acurácia (sensibilidade e
especificidade) das variáveis espectrais quanto ao vigor dos lotes (n=
1190) foi testado. Os modelos de aprendizagem obtidos pelo método
QDA foram ajustados e testados por validação cruzada usando dados
relacionados aos descritores ópticos físicos dos lotes (primeiro
modelo: área, comprimento, largura e CIELabeu∗), pigmentos
(segundo modelo:
Aquisição de imagens multiespectrais de sementes
Imagens multiespectrais foram adquiridas de um total de 170 sementes para
cada lote. As sementes foram colocadas em placas de Petri de vidro de 9,0 cm.
Imagens multiespectrais foram capturadas em 19 comprimentos de onda – 365
(UV), 405 (violeta), 430 (índigo), 450 (azul), 470 (azul), 490 (ciano), 515 (verde), 540
(verde), 570 ( amarelo), 590 (âmbar), 630 (vermelho), 645 (vermelho), 660
(vermelho), 690 (vermelho escuro), 780 (vermelho escuro),

fluorescência da clorofila e antocianinas), refletância (terceiro modelo
- bandas que melhor discriminaram os lotes: 660, 690, 780, 850 e 970
nm) e a soma de todas essas variáveis (quarto modelo: descritores
ópticos físicos, pigmentos e refletância). Ao todo, foram construídos
quatro modelos de previsão, e os dados foram divididos em 70% para
treinamento e 30% para teste. Os detalhes dos procedimentos
matemáticos utilizados estão descritos em um arquivo suplementar (
Metodologia Complementar 1).
b, brilho (CIELABeu∗) e índice de antocianina como descrito
anteriormente. Essas variáveis também foram medidas em sementes
de outra cultivar (IAC 503) expostas às mesmas condições de estresse.
Sementes pertencentes ao lote de pesquisa e expostas ao estresse
(IAC OL3; lote 7) também foram utilizadas para produção de mudas
seguindo as mesmas condições descritas anteriormente. Aos 14 dias
após a semeadura, a clorofilaumae índices de antocianina, NDVI, F0, F
m, clorofilaumafluorescência e Fv/Fmforam calculados para cada muda
usando o SeedReporterMTProgramas.
Antocianina e Clorofila em
Mudas
Desenho Estatístico
Os dados obtidos nos testes convencionais realizados para os sete
lotes foram submetidos à análise de variância – ANOVA (Fteste;p≤0,05)
com quatro repetições (n=28). A comparação das médias foi realizada
pelo teste de Tukey (p≤0,05). Os dados obtidos das imagens
multiespectrais de 170 sementes de cada lote foram submetidos à
ANOVA e ao teste de Tukey (cada semente como repetição;n=170). Os
dados obtidos das imagens multiespectrais das mudas das sementes
de cada lote foram submetidos a ANOVA e teste de Tukey com quatro
repetições (n=28). Os mesmos procedimentos de análise foram
adotados para os dados obtidos nos demais experimentos. A partir
dos dados de refletância (de 365 a 970 nm) observados para as
sementes de cada lote (n=170), uma análise interativa do processo (
para loop) foi realizado para selecionar as 20 combinações de 5
bandas que melhor discriminavam os lotes (660, 690, 780, 850 e 970
nm). Os detalhes dos procedimentos computacionais utilizados estão
descritos em um arquivo suplementar (Metodologia Suplementar 2).
Análise de componentes principais (PCA) e correlação foram
realizadas com os dados observados em testes convencionais e
imagens multiespectrais das sementes. O teste de Permanova e o
índice de similaridade de Bray-Curtis (software Canoco 5) foram
utilizados para identificar a significância do comportamento
observado na PCA entre lotes (FTeste;p≤0,05). A análise de
correlação foi calculada pelo método de Spearman, devido à não
normalidade das variáveis. Além disso, quando as variáveis
foram um número diferente de repetições, a média foi calculada
para que uma observação equilibrada pudesse ser feita. O pacote
“ExpDes.pt” do software R foi utilizado para realizar a análise de
variância (delineamento inteiramente casualizado) e o teste de
Tukey (Equipe R Core, 2021). A análise QDA foi realizada com a
biblioteca MASS (Venables e Ripley, 2002) com a função
MASS:qda(), e os resultados da matriz de confusão e medição de
precisão foram coletados pela biblioteca e acento circunflexo:
confusionMatrix() (Kuhn, 2017).
Quatro repetições de 10 sementes por lote foram semeadas em vasos
de poliestireno de 500 mL (8 vasos por lote), preenchidos com uma
mistura de casca de pinus, turfa e vermiculita. Cada vaso continha 5
sementes. As mudas foram cultivadas em condições controladas de
temperatura (25◦C), RH (50–70%) e luz branca (900 mm, lâmpadas LED,
13 W) (Condado de Ilum., São Paulo, Brasil) com fotoperíodo de 16/8 h
claro/escuro. Os vasos foram irrigados conforme a necessidade.
Quando as mudas estavam bem estabelecidas, 7 dias após a
semeadura, o número de mudas por vaso foi reduzido para duas,
reduzindo a sobreposição. As medições foram feitas considerando a
copa formada pelas duas mudas em cada vaso, que totalizou oito
copas de mudas por lote, realizadas 14 dias após a semeadura.
A clorofilaumaíndice (Chlumaíndice), índice de antocianina e o
índice de vegetação de diferença normalizada (NDVI) foram
calculados por um SeedReporterMTinstrumento (PhenoVation BV,
Wageningen, Holanda). O Chlumaíndice foi estimado com base na
refletância em 710 e 770 nm (Gitelson et al., 2003), e o índice de
antocianina da refletância em 540, 710 e 770 nm (Gitelson et al.,
2009). O NDVI foi calculado com base na refletância em 640 e 770
nm (Yengoh et al., 2015).
A fluorescência inicial (F0), fluorescência máxima (Fm), clorofila
médiaumafluorescência e eficiência quântica máxima do fotossistema
II (Fv/Fm) foram medidos usando um SeedReporterMTinstrumento, que
também é integrado com LEDs âmbar de alta intensidade (pico de 620
nm), com uma intensidade de luz saturante de 6.320µmol m−2s−1,
enquanto um filtro de interferência (730 nm) transmitiu os sinais de
fluorescência das folhas para um chip CCD. Todos os parâmetros
foram calculados pelo SeedReporterMT
versão de software 5.5.1.
Outras experiências
Este estudo adicional foi realizado com 300 sementes de um dos lotes
caracterizados como de alta qualidade (IAC OL3, lote 7) expostas a um
processo de envelhecimento artificial (ISTA, 2020). As sementes foram
colocadas em uma tela de arame suspensa dentro de uma caixa plástica
tampada contendo 40 mL de água destilada no fundo, proporcionando
uma UR de 100%. Posteriormente, as caixas foram adicionadas a uma
câmara BOD fixada em 42◦C. As sementes permaneceram nestas condições
de estresse por 24 e 48 h. Um grupo controle foi composto por sementes
não envelhecidas artificialmente. O objetivo foi induzir a deterioração das
sementes por alta temperatura e alta UR. Posteriormente, as respostas do
estresse aplicado na dinâmica do pigmento e no brilho das sementes
foram investigadas através de imagens multiespectrais. Para tanto,
sementes expostas ao estresse e controle foram submetidas à avaliação da
fluorescência da clorofila.uma, clorofila fluorescente
RESULTADOS
Qualidade Fisiológica e Propriedades
Físicas das Sementes
O teste de germinação com substrato de papel separou claramente os
lotes em dois grupos, ou seja, lotes 1, 2 e 3 (qualidade inferior) vs.lotes
4, 5, 6 e 7 (qualidade superior) (Figura 1A). Em contraste, o teste de
germinação usando areia como substrato não mostrou uma clara
diferença de qualidade entre os lotes.Figura 1B). O tempo médio para
50% de germinação (t50) classificou o lote 2 como de menor vigor

FIGURA 1 |Qualidade fisiológica de sete lotes de amendoim (Arachis hypogaeaEU.; cv. IAC OL3) com base na germinação em papel (UMA),germinação na areia (B),tempo para
50% de germinação (C),emergência de plântulas (D),comprimento da muda (E),e peso seco da plântula (F).Significa (±desvio padrão) com letras diferentes indicam uma
diferença significativa (p≤0,05).
(valores mais altos de t50) (Figura 1C). Além disso, as sementes do
lote 2 também apresentaram o pior desempenho para emergência de
plântulas e comprimento de plântulas (Figuras 1D,E). No entanto, os
lotes 2 e 3 geraram mudas com comprimento muito semelhante ao
lote 6 (Figura 1E). As medidas de comprimento de plântulas e peso
seco revelaram o lote 7 como o de melhor vigor (Figuras 1E,F). Exceto
para germinação em papel (Figura 1A), testes convencionais
detectaram diferenças pontuais e pouco claras na qualidade dos lotes.
Em relação às propriedades físicas, as sementes dos lotes 4, 5, 6 e 7
apresentaram maior massa fresca (Figura 2A) e isso foi associado ao
menor teor de água (∼
=7%) (Figura 2B). Esses lotes, além de
a alta qualidade indicada pelo teste de germinação (Figura 1A) também
apresentaram área, comprimento, largura e brilho superiores (CIELabeu∗) (
Figuras 2C-F).
em paralelo com antocianinas mais baixas no grupo com maior
desempenho germinativo (Figura 4C).
Curiosamente, quando o lote 7 foi envelhecido artificialmente, a
clorofilauma ebfluorescência foi rapidamente reduzida (Figuras 5A,B,6A,B
). Além disso, houve redução no brilho do tegumento da semente (CIELab
eu∗) (Figura 5C) e um aumento no índice de antocianinas (Figuras 5D,6C).
Para verificar se essa resposta também pode ocorrer em sementes de
outros genótipos, sementes obtidas da cultivar IAC 503 também foram
envelhecidas artificialmente (Figura Complementar 1). Da mesma forma,
havia níveis mais baixos de clorofilaumaebflsinais de uorescência, brilho
reduzido do tegumento e aumento do índice de antocianinas em sementes
envelhecidas (Figura Complementar 1).
Refletância de sementes
As sementes com qualidade superior (lotes 4, 5, 6 e 7) apresentaram a
maior assinatura espectral na região do visível do espectro (405 a 540 nm;
630 a 780 nm) (Figura 7A). A refletância das sementes foi semelhante em
comprimentos de onda mais longos (850 e 970 nm), com exceção do lote 4
(Figura 7A). A combinação de comprimentos de onda de 660, 690, 780, 850
e 950 nm mostrou precisão superior para discriminar os padrões
espectrais dos lotes de sementes (Figura 7B). Ao avaliar as bandas
individualmente, os resultados mostraram que os comprimentos de onda
de 660, 690 e 780 nm permitem melhor separação dos grupos com
qualidade inferior e superior (lotes 1, 2 e 3vs.lotes 4, 5, 6 e 7) (Figura 8).
Pigmentos de Sementes
Os lotes que apresentaram melhor desempenho no teste de
germinação, ou seja, lotes 4, 5, 6 e 7 (Figura 1A) apresentou
maior teor de clorofilaumaebfluorescência (Figuras 3A,B), mas
uma clorofila mais baixauma/bRazão (Figura 3C) e índice de
antocianina (Figura 3D). Portanto, os resultados indicaram que há
uma diferença mais forte na clorofilabentre os dois grupos (lotes
1, 2, 3vs.lotes 4, 5, 6 e 7), e isso também foi demonstrado pela
comparação da clorofilaumaebimagens (Figuras 4A,B),

FIGURA 2 |Propriedades físicas de sete lotes de amendoim (Arachis hypogaeaEU.; cv. IAC OL3) com base no peso fresco (UMA),teor de água (B),área (C),comprimento (D),
largura (E),e CIELabeu∗(F).O CIELabeu∗representa o brilho percebido variando de 0,0 (preto) a 100,0 (branco). Significa (±desvio padrão) com letras diferentes indicam uma
diferença significativa (p≤0,05).
Correlação entre Descritores Físicos,
Fisiológicos, Pigmentos e Refletância
Os coeficientes de correlação mostraram uma relação entre os
descritores físicos e a germinação (papel): 0,78 (peso da semente),
–0,77 (teor de água) 0,75 (área), 0,76 (comprimento), 0,75
(largura) e 0,76 (CIELabeu∗–brilho da semente). A luminosidade da
semente foi o único descritor físico com coeficiente de correlação
maior que 0,7 vs. t50 (teste de vigor). Entre pigmentos de
sementes e germinação (papel) as correlações foram: 0,73
(clorofila b), -0,85 (clorofilauma/clorofilab) e –0,75 (índice de
antocianina). As bandas de germinação (papel) vs. reflectância
obtiveram as seguintes correlações: 0,77 (660 nm), 0,78 (690 nm)
e 0,76 (780 nm). Os coeficientes de correlação obtidos para
emergência de plântulas vs. 690 e 780 nm foram 0,71 e 0,72,
respectivamente. As bandas de refletância mostraram as
seguintes correlações com o brilho da semente: 0,98 (660 nm),
0,95 (690 nm) e 0,9 (780 nm). A correlação entre o brilho da
semente e os pigmentos da semente foi: 0,81 (Chluma), 0,95 (Cha
b), –0,83 (Cluma/Chlb), e –0,78 (índice de antocianina;Figura 9A).
A PCA permitiu a correlação dos grupos de sementes com alto e
baixo vigor (lotes 1, 2, 3 vs. lotes 4, 5, 6 e 7), explicando 71,6% da
variação significativa (PCA1) encontrado (PERMANOVA; p<0,001). A
maioria das sementes com menor vigor foram negativamente
FIGURA 3 |Clorofila médiaumafluorescência (Chluma) a 630/700 nm combinação
de excitação/emissão (UMA),clorofilabfluorescência (Chlb) em combinação de
excitação/emissão de 405/600 nm (B),razão clorofila a/b (Chl uma/Chlb) (C),e índice
de antocianina (D)medido em sete lotes de amendoim (Arachis hypogaeaEU.; cv.
IAC OL3). Significa (±desvio padrão) com letras diferentes indicam uma diferença
significativa (p≤0,05) (n=170).
correlacionado com o índice de antocianinas, teor de água, clorofila
uma/brazão, tempo para 50% de germinação e refletância a 970 nm.
Enquanto isso, o grupo de sementes com maior vigor exibiu

FIGURA 4 |Clorofila a fluorescência (Chluma) na combinação de excitação/emissão de 630/700 nm (UMA),clorofilabfluorescência (Chlb) na combinação de excitação/
emissão de 405/600 nm (B),e índice de antocianina (Índice de Ant) (C)de sete lotes de sementes de amendoim (Arachis hypogaeaEU.; cv. IAC OL3). Cada pixel nas imagens
é representado por um valor único que corresponde à clorofilaumaebflintensidade de uorescência ou nível de antocianina.
Classificação de qualidade de sementes com base em
modelos de aprendizado de máquina usando
propriedades físicas, pigmentos e descritores de
refletância
Dos grupos de sementes (Figura 9B) divididos em alto vigor (lotes 1, 2
e 3) e baixo vigor (lotes 4, 5, 6 e 7) foram construídos modelos de
análise discriminante quadrática (QDA). Com base no conjunto de
dados (n=1190), o primeiro modelo gerado usando os descritores
ópticos físicos (área, comprimento, largura e CIELabeu∗) foi capaz de
prever o comportamento dos dois grupos de sementes (alto e baixo
vigor) com 89% de precisão. Para o segundo modelo, usando
pigmentos de sementes (clorofilauma, clorofilab, e o índice de
antocianinas), a precisão foi de 94%. Usando os comprimentos de
onda de refletância mais significativos (660, 690, 780, 850 e 970 nm), a
precisão foi de 97%. A partir da união dos descritores ópticos físicos,
pigmentos e refletância das sementes em um único modelo, a
precisão foi de 98% (tabela 1).
FIGURA 5 |Clorofilaumafluorescência na combinação de excitação/emissão de
630/700 nm (UMA),clorofilabfluorescência na combinação de excitação/emissão
de 405/600 nm (B),CIELabeu∗representando o brilho percebido variando de 0,0
(preto) a 100,0 (branco) (C),e índice de antocianina (D)em sementes de amendoim
(Arachis hypogaeaEU.; cv. IAC OL3) do lote 7 envelhecido artificialmente por 0, 24
e 48 h. Significa (±desvio padrão); significativo (∗); não significativo (ns); (pág.>0,05)
(n=100).
Pigmentos e Eficiência Fotossintética de
Mudas
Os lotes de baixo vigor (lote 1) geraram mudas com maiores
valores para as variáveis clorofilaumaíndice, fluorescência inicial
e fluorescência máxima, e Fv/FmRazão (Figuras 10A–D). As mudas
dessas sementes também apresentaram alto índice de
antocianinas (Figura 10E). Clorofilaumafluorescência foi
semelhante entre a maioria das plântulas dos lotes analisados (
Figura 10F). Diferenças no índice de antocianinas e na clorofila
umadas mudas foram mais evidentes entre os lotes de alto e
baixo vigor 1 e 7 (Figuras 11A,B). O Fv/Fmproporção foi muito
correlação positiva com todas as outras variáveis como peso da
semente, área, comprimento, largura, brilho (CIELabeu∗), clorofilauma
, clorofila be refletância de sementes (660, 690 e 780 nm). Essas
variáveis foram expressas em maior grau (módulo vetorial) em lotes
de alto vigor (lotes 4, 5, 6 e 7) juntamente com germinação em papel,
germinação em areia e emergência de plântulas (Figura 9B).

FIGURA 6 |Clorofilaumafluorescência (Chluma) a 630/700 nm combinação de excitação/emissão (UMA),clorofilabfluorescência (Chlb) em combinação de excitação/emissão de 405/600 nm (B),e
índice de antocianina (Índice de Ant) (C)em sementes de amendoim (Arachis hypogaeaEU.; cv. IAC OL3) do lote 7 para classes de sementes não envelhecidas e sementes envelhecidas por 24 h
e 48 h. Cada pixel nas imagens é representado por um valor único que corresponde à clorofilaumaebflintensidade de uorescência ou nível de antocianina.
FIGURA 7 |Assinatura espectral de refletância em 19 comprimentos de onda (365 a 970 nm) de sete lotes de sementes de amendoim (Arachis hypogaeaEU.; cv. IAC OL3) (A)e 20 combinações
de comprimentos de onda com distribuição de precisão determinada por análise de processo interativa (B).A seta indica a combinação de bandas (660, 690, 780, 850 e 970) que apresentou a
maior precisão (0,730) para as análises subsequentes.∗significativo nos níveis de probabilidade de 0,05 (n=170).

Qualidade da semente
A indústria de sementes realiza o controle de qualidade fisiológica dos
lotes a cada safra. Entre os testes convencionais capazes de avaliar a
qualidade das sementes, a germinação realizada em 10 dias fornece
resultados bastante satisfatórios (Figura 1A). No caso do t50 (teste de
vigor), também é possível a distinção de lotes com alto e baixo vigor (
Figura 1B). No entanto, são testes que demandam muito tempo e esforço
para serem realizados em larga escala. Isso torna o processo de controle
de qualidade de sementes ineficiente. Em relação ao teor de água, a baixa
umidade observada em alguns lotes (Figura 2A) é descrito como um
estado que retarda os processos naturais de deterioração (Buitink e
Leprince, 2004) além de prolongar a conservação das sementes
armazenadas (Leprince et al., 2017). Portanto, a avaliação é essencial para
a obtenção de lotes de sementes com alta qualidade. Ainda assim, é uma
metodologia destrutiva e, assim como os demais testes convencionais,
depende da capacidade analítica humana. Pensando nisso, com base em
estudos com sementes de outras espécies (Mortensen et al., 2021)
investigou-se o potencial das tecnologias de imagens multiespectrais.
Novos marcadores capazes de determinar com eficiência a qualidade de
sementes de amendoim foram encontrados.
Um primeiro componente desta abordagem compreende
propriedades físicas (forma e brilho). Características como área,
comprimento e largura têm sido positivamente associadas ao vigor
das sementes e ao estabelecimento adequado das plântulas. De fato,
sementes de amendoim de alta qualidade apresentaram dimensões
adicionais (Figuras 2C–E), e isso possivelmente lhes deu maior
proporção de reservas para subsidiar a germinação, como lipídios (
Zhou et al., 2019). Também foi constatado que a menor exposição das
sementes de soja a situações de estresse, como a radiação (Oliveira et
al., 2021), preserva suas características de brilho. Em alfafa, foi
demonstrado que o próprio envelhecimento natural das sementes
interfere nesse aspecto (Wang X. et al., 2021). Vale ressaltar que a
redução do brilho do tegumento é um fenômeno comum em outras
espécies, como feijão (Piotrowicz-Cieślak et al., 2020), e pode indicar o
avanço dos processos oxidativos associados à deterioração das
sementes (Erfatpour et al., 2021). Em sementes ortodoxas, como o
amendoim, a deterioração das sementes ocorre em estágios
progressivos no nível celular e resulta em perda de vigor.Ebone et al.,
2019). Assim, as variáveis físicas exploradas neste trabalho por meio
de imagens multiespectrais demonstraram potencial para controle de
qualidade durante o processamento de lotes de amendoim.
FIGURA 8 |Média de reflectância de sete lotes de amendoim (Arachis hypogaea
EU.; cv. IAC OL3) em (A)660, (B)690, (C)780, (D)850, e (E)970 nm (anteriormente mostrado
como os melhores comprimentos de onda para discriminar sementes como alto e baixo
vigor) (n=170). Significa (±desvio padrão) com letras diferentes indicam uma diferença
significativa (p≤0,05).
preciso mostrar diferenças na atividade fotossintética por imagens
das plântulas avaliadas (Figura 11C).
Mudas do lote 7 submetidas ao envelhecimento artificial
apresentaram melhora nos principais parâmetros fotossintéticos. A
clorofilaumaíndice, fluorescência inicial e fluorescência máxima
aumentaram 32, 4,8 e 5,6% após 24 h de estresse, respectivamente (
Figuras 12A–C). O tempo de exposição das sementes ao
envelhecimento não afetou o rendimento quântico do sistema
fotossistema II (Fv/Fm) das mudas (Figura 12D). No entanto, causou
um aumento no índice de antocianinas e no índice de vegetação
normalizado (Figuras 12E,F). Este comportamento foi claramente
refletido nas imagens (Figuras 13A–C).
Pigmentos de Sementes
Além das propriedades físicas acima, os pigmentos em sementes de
amendoim também foram encontrados para adicionar informações
úteis para a indústria de sementes. Em uma explicação inicial, pode-se
destacar que lotes de sementes de alta qualidade podem conter
volume extra tanto de reservas quanto de pigmentos (Figuras 3A,B)
devido ao seu maior peso e área (Figuras 2B,C). De fato, a baixa
relação entre clorofilaa/b(Figura 3C) indicou uma maior proporção de
clorofilabem lotes de alta qualidade (Figura 4B). Em tecidos de plantas
senescentes, a redução na fluorescência da clorofila é descrita como
um processo de deterioração.Donaldson e Williams, 2018;Donaldson,
2020). Nessa perspectiva, a qualidade da semente de amendoim pode
estar diretamente associada à dinâmica da fluorescência da clorofila.
Também pode estar associada ao acúmulo de
DISCUSSÃO
Este estudo contém contribuições que destacam a precisão de tecnologias
baseadas em imagens multiespectrais e aprendizado de máquina para
identificar sementes de amendoim com qualidade superior. Novas
evidências reforçam a possibilidade de detecção autônoma de parâmetros
físicos, fluorescência da clorofila e refletância de luz em sementes de
amendoim para avaliar sua qualidade fisiológica. Aqui, esses e outros
dados originais abordam o uso de tecnologias pós-colheita para o avanço
do setor de produção de sementes de amendoim no mundo.

FIGURA 9 |Matriz de correlação (A)e biplots de análise de componentes principais (PCA) (B)para descritores ópticos físicos, fisiológicos, pigmentos e refletância de sementes de
amendoim (Arachis hypogaeaEU.; cv. IAC OL3) com menor vigor (lotes 1, 2 e 3; círculos vermelhos) e maior vigor (lotes 4, 5, 6 e 7; círculos azuis). Os vetores PCA indicam a
correlação entre as classes (baixo e alto vigor) e as dimensões PC1e computador2. Utilizou-se o teste PERMANOVA e o índice de similaridade de Bray-Curtis na PCA para
identificar a diferença entre as classes de sementes a 1% de significância.

TABELA 1 |Análise discriminante quadrática (QDA) baseada em descritores ópticos físicos, pigmentos e refletância de lotes de sementes de amendoim (Arachis hypogaeaEU.; cv. IAC OL3) para
grupos de menor e maior vigor.
Variável preditora: área, comprimento, largura e CIELabeu* (descritores ópticos físicos)
Conjunto de treino (n=833)1
Grupos de sementes* Conjunto de validação (n=357)1
Baixo Vigor Maior Vigor Precisão Baixo Vigor Maior Vigor Precisão
Baixo Vigor
Maior Vigor
0,94
0,06
0,14
0,86
0,91 0,93
0,07
0,15
0,85
0,89
Variável preditora: Clorofilauma, Clorofilabe antocianinas (pigmentos)
Baixo Vigor
Maior Vigor
0,91
0,09
0,06
0,94
0,93 0,96
0,04
0,07
0,93
0,94
Variável preditora: 660, 690, 780, 850 e 970 nm (refletância)
Baixo Vigor
Maior Vigor
0,98
0,02
0,04
0,96
0,97 0,99
0,01
0,05
0,95
0,97
Variável preditora: descritores ópticos físicos, pigmentos e refletância
Grupos de seedlot Conjunto de validação (n=357)1
Baixo Vigor
Maior Vigor
0,99
0,01
0
1
0,99 0,98
0,02
0,02
0,98
0,98
* Baixo Vigor: lotes 1, 2 e 3; Maior Vigor: lotes 4, 5, 6 e 7.
1Do conjunto de dados observado em todos os lotes (n = 1190), 70% (n = 833) foram amostrados aleatoriamente para avaliação de treinamento e 30% para validação (n = 357).
antocianinas (Figuras 3D,4B,C), uma vez que a biossíntese desse
flavonóide faz parte do metabolismo secundário das plantas contra o
estresse (Liu et al., 2018). Novos estudos foram realizados para
entender se a dinâmica do pigmento em sementes de amendoim
interfere na sua qualidade. Para tanto, sementes de um dos lotes
identificados como de alta qualidade (alta germinação e vigor) foram
expostas a estresse controlado (envelhecimento artificial).
O estresse aplicado em sementes de amendoim (sementes
envelhecidas) causou alterações na dinâmica dos pigmentos
(fluorescência das clorofilas e índice de antocianinas) e brilho (CIELab
eu∗). Considerando sementes de soja maduras, não esverdeadas, a
fluorescência das clorofilas (resíduos no embrião) diminui à medida
que o processo de envelhecimento artificial sob alta temperatura e
alta UR progride.Barboza da Silva et al., 2021b). Além disso, a maior
exposição das sementes a esse estresse (alta temperatura e alta UR)
reduz sua capacidade de formar mudas vigorosas. Tem sido
demonstrado que sementes de soja maduras com germinação
reduzida têm características de fluorescência de clorofila mais baixas
do que sementes com maior viabilidade.Li et al., 2019). Assim, existe a
possibilidade de que a perda de fluorescência ocorra à medida que as
sementes envelhecem. Em plantas, isso foi documentado para tecidos
foliares em senescência avançada.Donaldson, 2020). Neste trabalho, a
redução da fluorescência e brilho da clorofila de sementes expostas
ao estresse (IAC OL3 e IAC 503) reforça a ideia de que o grau de deterioração ou
envelhecimento das sementes de amendoim altera suas propriedades
espectrais. Levando em consideração essas observações, a dinâmica do
pigmento e o brilho das sementes podem ser indicadores da qualidade das
sementes. Além disso, ambos revelam o grau de estresse acumulado nos tecidos
das sementes. Na indústria de sementes de amendoim, tecnologias que
detectam essas características por meio de imagens multiespectrais têm um
potencial promissor para melhorar o controle de qualidade dos lotes e torná-lo
mais preciso.
Refletância de sementes
Outra possibilidade promissora para avaliar a qualidade das sementes foi
encontrada neste trabalho por meio da refletância. Os lotes de maior
qualidade foram formados por sementes com alta refletância em
comprimentos de onda entre 660 e 780 nm (Figuras 8A,B). As
peculiaridades das sementes, como composição química, cor e outros
atributos, são conhecidas por interferir na dinâmica de absorbância e
refletância da luz incidente.Elmasry et al., 2019a). Vale a pena notar que as
sementes de amendoim de alta qualidade continham uma fluorescência de
clorofila naturalmente aumentada, especialmente Chlb, e maior brilho do
tegumento (Figura 2F). Nesse contexto, essas características podem ter
contribuído para o aumento da luz refletida pelas sementes de melhor
qualidade, definindo assim seu padrão de alta refletância.

FIGURA 10 |Atividade fotossintética medida pela clorofilaumaíndice (UMA),fluorescência inicial (F0) (B),fluorescência máxima (Fm) (C),rendimento quântico do fotossistema II
medido por Fv/Fm(D),índice de antocianina (E),e clorofilaumafluorescência (F)em mudas de amendoim (Arachis hypogaeaEU.; cv. IAC OL3) aos 14 dias após a semeadura: a
excitação das moléculas de clorofila foi induzida a 620 nm e a emissão a 700 nm. Significa (±desvio padrão) com letras diferentes indicam uma diferença significativa (p≤0,05).
As mudas de amendoim foram obtidas de sementes de menor (Lotes 1, 2 e 3) e maior vigor (Lotes 4, 5, 6 e 7).
em bandas específicas (Figuras 8A–C). Aparentemente, esse
comportamento não é uma regra comum e interespecífica na
natureza. Como um exemplo,Jatropha curcassementes têm qualidade
superior associada ao aumento do seu teor de lipídios, o que resulta
em baixa refletância na faixa do infravermelho próximo (940 nm) (
Bianchini et al., 2021). Em sementes de tomate, por outro lado, esse
alto desempenho e baixa refletância estão ligados à maturidade do
embrião e pigmentos protetores que absorvem mais luz no espectro
UV (365 nm) (Galletti et al., 2020). Aqui, os atributos de qualidade
fisiológica (germinação e vigor) foram associados à alta refletância em
comprimentos de onda específicos (660 a 780 nm), até então não
considerados para sementes de amendoim. Vale ressaltar que no
domínio vegetal (capim-bermuda), maiores valores de refletância
(900/970 nm) podem estar fortemente associados ao teor de água
foliar em condições de estresse hídrico (Caturegli et al., 2020).
Portanto, os padrões de refletância obtidos neste trabalho
apresentam um comportamento singular com competência única
para definir a qualidade fisiológica de sementes de amendoim.
largura e brilho – CIELabeu∗), pigmentos (fluorescência de clorofila e
antocianina) e refletâncias (660, 690 e 780 nm) com germinação e
vigor de sementes (Figura 10A). Esses resultados estabelecem uma
conexão inédita entre os testes realizados para avaliar a qualidade das
sementes com parâmetros de imagens multiespectrais, com o
objetivo de categorizar os lotes com alta qualidade. Além disso,
demonstraram a robustez de potenciais marcadores de qualidade
fisiológica de sementes de amendoim encontrados por meio de
tecnologias não invasivas. O método de análise de componentes
principais mostrou-se uma técnica eficiente para interpretar o
comportamento dos lotes de sementes (alto e baixo vigor). O ganho
na capacidade de gerenciar conjuntos de dados usando PCA foi
destacado (Taheri-Garavand et al., 2021c). No entanto, deve-se
considerar que o gerenciamento manual do volume de dados gerados
por meio de imagens multiespectrais de sementes pode dificultar a
tomada de decisões em análises de rotina na indústria de sementes.
Separando o comportamento dos lotes em grupos de baixo e alto
vigor (Figura 10B) trouxe a seguinte questão: na prática, como essas
diferenças na qualidade das sementes podem ser diagnosticadas
rapidamente usando apenas o banco de dados gerado contendo
todos os parâmetros de imagem multiespectrais encontrados?
Pensando nisso, foram testadas formas de reconhecimento
automático de sementes de alta e baixa qualidade, utilizando recursos
computacionais de alta precisão preditiva.
Correlação de dados e classificação de qualidade de
sementes usando aprendizado de máquina
Resumindo nossos achados, vale destacar as correlações significativas
entre os parâmetros ópticos físicos (área, comprimento,

FIGURA 11 |Índice de antocianina (UMA),clorofilaumaíndice (B),e eficiência quântica máxima do fotossistema II baseado em Fv/Fm(C)em mudas de amendoim (Arachis
hypogaeaEU.; cv. IAC OL3) do lote 7. Os pigmentos e a eficiência fotossintética das mudas de amendoim foram avaliados aos 14 dias após a semeadura das sementes dos sete
lotes estudados. Cada pixel da imagem é representado por um valor único que corresponde à intensidade de fluorescência; valores de pixel mais altos indicam antocianina,
fluorescência e F mais altosv/Fmintensidade.
A partir do conjunto de dados de sementes multiespectrais, a
surpreendente sensibilidade dos algoritmos de aprendizado de máquina
baseados no método QDA (tabela 1) foi verificado para reconhecimento
autônomo de padrões identificados na análise convencional de qualidade
de sementes (Figura 10B). Vale ressaltar que o método QDA é bastante
robusto à não normalidade dos dados (menor probabilidade de erro),
exceto quando as distribuições são altamente assimétricas (Clarke et al.,
1979), diferente do que foi observado aqui (Metodologia Complementar 1
). Além disso, é um método paramétrico eficiente porque leva em conta a
baixa variabilidade quando diferentes conjuntos de dados são usados
para construir modelos de previsão (James et al., 2021). O método QDA tem
sido utilizado com sucesso na área de Plant Science, com exemplos que vão
desde a classificação da estrutura de proteínas (Yuan et al., 2017) ao
diagnóstico fitossanitário a partir das propriedades dielétricas do óleo
vegetal (Khaled et al., 2018). A utilização do método QDA como parte de
uma estratégia de inteligência artificial aplicada à pós-colheita mostrou-se
uma poderosa ferramenta para categorizar a qualidade de lotes de
amendoim.
Essa possibilidade de automação foi explorada com sucesso
em estudos anteriores para a análise de parâmetros de imagem
de sementes de outras culturas (Elmasry et al., 2019a;Mortensen
et al., 2021). Em espécies como a soja (Baek et al., 2019; Medeiros
et al., 2020a), feijão frade (Rego et al., 2020), aveia (França-Silva et
al., 2020),U. Brizantha(Medeiros et al., 2020b) e milho (Wang Z. et
al., 2021), foi comprovada a capacidade dos algoritmos de
detectar características espectrais de sementes com alta precisão
(acima de 90%) por meio de imagens. Levando esse
conhecimento em consideração, além dos achados deste trabalho
(tabela 1), fica claro que parte do processo de modernização do
setor de produção de sementes no mundo pode se basear em
o uso de tecnologias de imagem multiespectrais. Na cadeia produtiva do
amendoim, esses dispositivos capazes de capturar imagens na faixa UV,
visível e infravermelho próximo têm potencial para promover estratégias
para mitigar a incidência de sementes com baixo vigor em lotes comerciais.
Esse problema, além de dificultar a formação adequada de uma lavoura (
Carter et al., 2019), pode levar a um maior número de sementes
necessárias para atender o estande de plantas pretendido. Nesse ponto, os
recursos de inteligência artificial têm se mostrado altamente capazes de
melhorar os programas de gestão da qualidade das sementes com base no
diagnóstico detalhado e em tempo real dos lotes de sementes.
Pigmentos e Eficiência Fotossintética de
Mudas
Diante do objetivo tecnológico primário das sementes, que é o
estabelecimento de uma plântula, investigou-se sua associação
com a qualidade da semente. Curiosamente, sementes de baixa
qualidade fisiológica deram origem a mudas com parâmetros
fotossintéticos superiores (Figuras 11A-D). Mesmo com o
aumento do potencial fotossintético, houve aumento do índice de
antocianinas nas folhas (Figura 11E), o que indica algum grau de
estresse (Liu et al., 2018). O resultado desses resultados nos
motivou a pensar se existe um mecanismo intrínseco de proteção
nas sementes de amendoim que auxiliem o estabelecimento da
plântula com baixo vigor. Esta pode ser uma estratégia natural de
sobrevivência em situações desfavoráveis (estresse), o que
otimiza as chances de perpetuação da espécie no ambiente de
cultivo, como discutido para outras espécies (Marcos et al.,
2018a,b). Uma proposta semelhante foi explorada em

FIGURA 12 |Atividade fotossintética medida pela clorofilaumaíndice (UMA),fluorescência inicial (F0) (B),fluorescência máxima (Fm) (C),rendimento quântico do fotossistema II medido por Fv/Fm(
D)bem como indicadores de estresse, como índice de antocianina (E),e índice de vegetação normalizado (NDVI) (F)em mudas de amendoim (Arachis hypogaea
EU.; cv. IAC OL3) aos 14 dias após a semeadura: a excitação das moléculas de clorofila foi induzida a 620 nm e a emissão a 700 nm. Significa (±desvio padrão).
Asteriscos (∗) indicam diferenças significativas (p≤0,05). As mudas de amendoim foram obtidas do lote 7 após os tempos de envelhecimento (0 h, 24 h e 48 h a 42◦C).
tomate (Nogueira et al., 2021), e verificou-se que sementes
produzidas em ambiente estressante originaram plântulas com
melhoramento adaptativo na fluorescência da clorofila. Assim,
considerando a notável conexão da fluorescência da clorofila
encontrada (Figura 11A) com fotossíntese em organismos
vegetais (Valcke, 2021), foi proposta a ideia de que as plântulas de
amendoim sinalizavam ajustes compensatórios na capacidade
fotossintética em resposta à deterioração das sementes induzida
pelo envelhecimento artificial (alta temperatura e alta UR). Para
entender melhor esses conceitos, plântulas de sementes expostas
ao estresse (24 e 48 h a 42◦C/100% UR) foram produzidos e
avaliados quanto à sua capacidade fotossintética, bem como
indicadores de estresse (antocianinas e índices de vegetação
normalizados).
Surpreendentemente, após 24 h de envelhecimento artificial de sementes de
alta qualidade (lote 7), houve um aumento proporcional nos parâmetros
fotossintéticos das plântulas (Figuras 12A–C), além de um evidente aumento nos
índices de estresse foliar (Figuras 12D,E). É interessante pensar que se as
sementes deterioradas estivessem realmente condicionadas a acessar
mecanismos de reparo de estresse, na prática
a baixa qualidade dos lotes seria naturalmente compensada sem
prejudicar o estabelecimento das mudas. Por outro lado, sementes
nesta condição podem levar a falhas no estande devido à maior
incidência de plântulas anormais e/ou sementes inviáveis.Figura
Complementar 2). Assim, sementes de baixo vigor não devem ser
utilizadas para instalação do preparo do solo, pois os reflexos
negativos das falhas que causam no estande se estendem até a
colheita e reduzem a produtividade de grãos.Bagateli et al., 2019;
Ebone et al., 2020). Dessa forma, imagens multiespectrais de mudas
podem fornecer informações associadas ao seu aparato fotossintético
com a lógica inversa do que acontece nas sementes (Figura 13B). Por
isso, necessitam do conhecimento prévio do nível de deterioração das
sementes para contribuir efetivamente como um marcador da
qualidade fisiológica dos lotes. Ainda assim, indicadores de estresse
como os níveis de antocianinas encontrados (Figuras 12D, 13A)
conectado mais diretamente com o que ocorre nas sementes (Figura
5D). Tais resultados têm o potencial de antecipar o comportamento de
eventos pós-germinativos e integrar programas robustos de controle
de qualidade associados ao estabelecimento de plântulas. Além disso,
permite a previsão de disfunções fisiológicas associadas

FIGURA 13 |Índice de antocianina (UMA),índice de clorofila α (B),e eficiência quântica máxima do fotossistema II baseado em Fv/Fm(C)em mudas de amendoim (Arachis hypogaeaEU.; cv. IAC
OL3) de sementes do lote 7 após envelhecimento artificial (24 h e 48 h a 42◦C). Cada pixel da imagem é representado por um valor único que corresponde à intensidade de fluorescência;
valores de pixel mais altos indicam antocianina, fluorescência e F mais altosv/Fmintensidade.
com a deterioração das sementes e o comportamento fotossintético
inicial de uma cultura no campo, que merece ser explorado em
investigações futuras.
aumento da eficiência dos processos de pós-colheita e, consequentemente, (ii)
redução de custos.
Perspectivas CONCLUSÃO
São técnicas inovadoras para avaliar a qualidade de lotes de amendoim de
forma não destrutiva e precisa. A possibilidade de fornecer aos agricultores
sementes altamente capazes de gerar plantas produtivas torna a busca por
essas inovações uma das prioridades tecnológicas na agricultura. Imagens
multiespectrais representam uma ponte sensorial que amplia a visão
humana para acessar informações até então inexploradas em sementes de
amendoim. Um exemplo prático é que por meio de imagens é possível
identificar lotes de sementes de qualidade inferior. Geram mudas com
maiores níveis de estresse (antocianinas). Portanto, esses lotes podem ser
alocados em ambientes de cultivo menos estressantes, a fim de aproveitar
o estoque de sementes, dentro de um determinado nível de qualidade, e
mitigar possíveis perdas na safra futura. A partir dos marcadores de
qualidade encontrados, soluções de melhoramento podem ser pensadas
ao longo da cadeia produtiva do amendoim, desde a classificação no
processamento até o controle de qualidade das sementes. Há também a
oportunidade de realizar essas etapas de forma autônoma por meio de
modelos de aprendizado de máquina (método QDA). Em escala comercial,
inicialmente é necessário um investimento de capital para adotar a
abordagem empregada (Taheri-Garavand et al., 2021a). No entanto, a
ampla aplicação dessas tecnologias na indústria de sementes pode trazer
retornos significativos por meio de dois aspectos: (i)
Novos marcadores que rastreiam efetivamente a qualidade das
sementes de amendoim foram encontrados. A combinação de
propriedades físicas (área, comprimento, largura e brilho da
pelagem), pigmentos (fluorescência da clorofila e antocianina) e
refletância da luz (660, 690 e 780 nm), é altamente eficiente na
identificação de lotes de amendoim com qualidade superior (98 %
precisão). Em relação às mudas, indicadores de estresse como as
antocianinas refletem diretamente na qualidade dos lotes. A
associação desses marcadores com a inteligência artificial destaca o
potencial de automação de processos pós-colheita integrados à
logística de análise de qualidade na indústria de sementes de
amendoim. No geral, nossas descobertas fornecem informações
valiosas para gerenciar os atributos de qualidade de um dos insumos
mais essenciais para a atividade agrícola mundial: a semente.
DECLARAÇÃO DE DISPONIBILIDADE DE DADOS
As contribuições originais apresentadas no estudo estão incluídas no
artigo/Material suplementar, outras dúvidas podem ser
direcionadas ao autor correspondente.

CONTRIBUIÇÕES DO AUTOR nº 2018/03802-4, nº 2018/03793-5, nº 2018/01774-3, nº 2020/12686-8 e
nº 2020/14050-3).
GF, CM e EA geraram as ideias de pesquisa. GF coletou dados
de qualidade fisiológica das sementes e redigiu e formatou o
manuscrito. CM e JS coletaram dados de análise de imagem
multiespectral. WH e GF analisaram os dados. CM, TB, AP, CC
e EA revisaram o manuscrito, reescrevendo, discutindo e
comentando. Todos os autores leram e aprovaram o
manuscrito final.
AGRADECIMENTOS
Agradecemos a Roger Hutchings pela revisão em inglês do
manuscrito. Agradecemos também à COPERCANA e à COPLANA
(empresas de sementes de amendoim, São Paulo, Brasil) pelo
apoio durante os experimentos.
FINANCIAMENTO
Este trabalho foi financiado por: Conselho Nacional de
Desenvolvimento Científico e Tecnológico (CNPq;
142236/2020-9, 309718/2018-0 e 303119/2016-0) e O Material Suplementar para este artigo pode ser encontrado na Fundação de Amparo à
Pesquisa do Estado de São Paulo (FAPESP; Números de bolsas
nº 2014/16712-2, nº 2017/50211-9, nº 2017/15220-7, nº 2018/01774-3,
MATERIAL SUPLEMENTAR
online em: https://www.frontiersin.org/articles/10.3389/fpls.2022. 849986/
completo#material-complementar
REFERÊNCIAS Caturegli, L., Matteoli, S., Gaetani, M., Grossi, N., Magni, S., Minelli, A., et ai.
(2020). Efeitos do estresse hídrico na refletância espectral do capim-bermuda.Sci.
Representante 10:15055. doi: 10.1038/s41598-020-72006-6
Clarke, WR, Lachenbruch, PA e Boffitt, B. (1979). Como não normalidade
afeta a função discriminante quadrática.Comum. Estado. Métodos teóricos8,
1285-1301. doi: 10.1080/03610927908827830
Ding, N., Xing, F., Liu, X., Selvaraj, JN, Wang, L., Zhao, Y., et al. (2015). Variação
no microbioma fúngico (micobioma) e aflatoxina em amendoins com casca armazenados
em quatro áreas diferentes da China.Frente. Microbiol.6:1055. doi: 10.3389/fmicb.2015.
01055
Donaldson, L. (2020). Autofluorescência em plantas.Moléculas25:2393. doi: 10.3390/
moléculas 25102393
Donaldson, L., e Williams, N. (2018). Imagiologia e espectroscopia de
fluoróforos em agulhas de pinheiro.Plantas7:10. doi: 10.3390/plants7010010 Ebone,
LA, Caverzan, A., and Chavarria, G. (2019). Alterações fisiológicas em
sementes ortodoxas devido a processos de deterioração.Plant Physiol. Bioquímica.145,
34-42. doi: 10.1016/j.plaphy.2019.10.028
Ebone, LA, Caverzan, A., Tagliari, A., Chiomento, JLT, Silveira, DC, and
Chavarria, G. (2020). Vigor de sementes de soja: uniformidade e crescimento como fatores-
chave para melhorar a produtividade.Agronomia10:545. doi: 10.3390/agronomy10040545
Elmasry, G., Mandour, N., Al-Rejaie, S., Belin, E., and Rousseau, D. (2019a).
Aplicações recentes de imagens multiespectrais em fenotipagem de sementes e
monitoramento de qualidade - uma visão geral.Sensores19:1090. doi: 10.3390/s19051090
Elmasry, G., Mandour, N., Wagner, MH, Demilly, D., Verdier, J., Belin, E., et ai.
(2019b). Utilização de técnicas de visão computacional e imagens multiespectrais para
classificação de feijão-caupi (Vigna unguiculata) sementes.Métodos de Planta15:24. doi:
10.1186/s13007-019-0411-2
Erfatpour, M., Duizer, L., and Pauls, KP (2021). Investigações sobre os efeitos de
a característica de não escurecimento do tegumento da semente codificada pelos alelos recessivos jj
em características agronômicas, sensoriais e de cozimento em feijão carioca.Crop Sci.61, 1843-1863.
doi: 10.1002/csc2.20477
Finch-Savage, WE, e Bassel, GW (2016). Vigor da semente e estabelecimento da cultura:
estendendo o desempenho além da adaptação.J. Exp. Robô.67, 567-591. doi: 10.
1093/jxb/erv490
França-Silva, F., Rego, CHQ, Gomes-Junior, FG, de Moraes, MHD, de
Medeiros, AD, e da Silva, CB (2020). Detecção de drechslera avenae (Eidam) sharif [
Helminhosporium avenae(eidam)] em sementes de aveia preta (Avena Strigosa
schreb) usando imagens multiespectrais.Sensores20:3343. doi: 10.3390/s20123343
Galletti, PA, Carvalho, MEA, Hirai, WY, Brancaglioni, VA, Arthur, V.,
e Barboza da Silva, C. (2020). Integrando ferramentas de imagem óptica para caracterização
rápida e não invasiva da qualidade de sementes: tomate (Solanum lycopersicum
L.) e Cenoura (Daucus carotaL.) como casos de estudo.Frente. Planta Sci.11:577851.
doi: 10.3389/fpls.2020.577851
Arya, SS, Salve, AR e Chauhan, S. (2016). Amendoim como alimento funcional: uma
Reveja.J. Food Sci. Tecnol.53, 31-41. doi: 10.1007/s13197-015-2007-9
Baek, I., Kusumaningrum, D., Kandpal, LM, Lohumi, S., Mo, C., Kim,
MS, et ai. (2019). Medição rápida da viabilidade de sementes de soja usando análise
de imagem multiespectral baseada em Kernel.Sensores19:271. doi: 10.3390/s190
20271
Bagateli, JR, Dörr, CS, Schuch, LOB e Meneghello, GE
(2019). Desempenho produtivo de plantas de soja oriundas de lotes de sementes
com níveis crescentes de vigor.J. Seed Sci.41, 151-159. doi: 10.1590/2317-
1545v41n2199320
Barbosa, RM, Vieira, BGTL, Martins, CC, e Vieira, RD (2014).
Qualidade fisiológica e sanitária de sementes de amendoim durante o
processo de produção.Pesqui. Agropecu. Sutiãs.49, 977-985. doi: 10.1590/
S0100- 204X2014001200008
Barboza da Silva, C., Bianchini, VDJM, de Medeiros, AD, de Moraes, MHD,
Marassi, AG, e Tannús, A. (2021a). Uma nova abordagem para análise da saúde de sementes
de Jatropha curcas com base em técnicas de imagem multiespectrais e de ressonância. Ind.
Culturas Prod.161:113186. doi: 10.1016/j.indcrop.2020.113186
Barboza da Silva, C., Oliveira, NM, de Carvalho, MEA, de Medeiros,
AD, de Lima Nogueira, M., e dos Reis, AR (2021b). Imagem espectral de autofluorescência
como método inovador para avaliação rápida, não destrutiva e confiável da qualidade de
sementes de soja.Sci. Representante11:17834. doi: 10.1038/s41598-021- 97223-5
Basso, DP, Hoshino-Bezerra, AA, Sartori, MMP, Buitink, J., Leprince, O.,
e da Silva, EAA (2018). A maturação tardia das sementes melhora a preservação da
emergência das plântulas durante o armazenamento em soja.J. Seed Sci.40, 185-192.
doi: 10.1590/2317-1545v40n2191893
Bessada, SMF, Barreira, JCM, e Oliveira, MBPP (2019). Pulsações
e segurança alimentar: proteína dietética, digestibilidade, propriedades bioativas e
funcionais.Tendências Food Sci. Tecnol.93, 53-68. doi: 10.1016/j.tifs.2019. 08.022
Bianchini, VDJM, Mascarin, GM, Silva, LCAS, Arthur, V., Carstensen,
JM, Boelt, B., et ai. (2021). Imagens multiespectrais e de raios-X para caracterização de
Jatropha curcasL. qualidade da semente.Métodos de Planta17:9. doi: 10.1186/s13007-021-
00709-6
Buitink, J., e Leprince, O. (2004). Formação de vidro em anidrobiotes vegetais:
sobrevivência no estado seco.Criobiologia48, 215-228. doi: 10.1016/j.cryobiol.2004.
02.011
Carter, ET, Rowland, DL, Tillman, BL, Erickson, JE, Grey, TL, Gillett-
Kaufman, JL, et ai. (2019). Uma análise dos impactos fisiológicos nas características da história de vida
do amendoim (Arachis hypogaeaL.) relacionadas à maturidade das sementes.Amendoim Sci.46,
148-161. doi: 10.3146/ps18-20.1

Gitelson, AA, Chivkunova, OB e Merzlyak, MN (2009). Não destrutivo
estimativa de antocianinas e clorofilas em folhas antociânicas.Sou. J. Bot.
96, 1861-1868. doi: 10.3732/ajb.0800395
Gitelson, AA, Gritz, Y., e Merzlyak, MN (2003). Relações entre folha
teor de clorofila e refletância espectral e algoritmos para avaliação não destrutiva de
clorofila em folhas de plantas superiores.J. Plant Physiol.160, 271-282. doi:
10.1078/0176-1617-00887
Groot, SPC, van Litsenburg, MJ, Kodde, J., Hall, RD, de Vos, RCH e
Mumm, R. (2022). Análise da atividade metabólica em amendoim sob armazenamento
hermético em diferentes níveis de umidade relativa.Química Alimentar.373:131020. doi: 10.
1016/j.foodchem.2021.131020
Hastie, T., Tibshirani, R., e Friedman, JH (2009).Os Elementos da Estatística
Aprendizado: mineração de dados, inferência e previsão, 2 Ed. Alemanha:
Springer. Herritt, MT, Pauli, D., Mockler, TC e Thompson, AL (2020). Clorofila
A imagem de fluorescência captura a eficiência fotoquímica do grão de sorgo (Sorgo bicolor
) em uma configuração de campo.Métodos de Planta16:109. doi: 10.1186/s13007-
020-00650-0
Hu, X., Yang, L. e Zhang, Z. (2020). Identificação não destrutiva de um único disco
sementes via análise de imagem multiespectral em seis espécies de leguminosas.Métodos de Planta
16:116. doi: 10.1186/s13007-020-00659-5
ISTA (2020).Regras Internacionais para Análise de Sementes. Regras Internacionais para Sementes
Teste. Bassersdorf: Zürischstr.
James, G., Witten, D., Hastie, T. e Tibshirani, R. (2021).Uma introdução a
Aprendizado estatístico com aplicativos em R. Berlim: Springer.
Joosen, RVL, Kodde, J., Willems, LAJ, Ligterink, W., Van Der Plas, LHW,
e Hilhorst, HWM (2010). Germinator: um pacote de software para pontuação de alto
rendimento e ajuste de curva de germinação de sementes de Arabidopsis.Planta J.
62, 148-159. doi: 10.1111/j.1365-313X.2009.04116.x
Khaled, AY, Abd Aziz, S., Khairunniza Bejo, S., Mat Nawi, N., Abu Seman, I., and
Izzuddin, MA (2018). Desenvolvimento de modelos de classificação para a doença da
podridão basal do caule (BSR) em dendezeiro usando espectroscopia dielétrica.Ind. Culturas
Prod.124, 99-107. doi: 10.1016/j.indcrop.2018.07.050
Krzyzanowski, FC, França-Neto, JB, Gomes-Junior, FG, and Nakagawa, J.
(2020). “Testes de vigor baseados em desempenho de plântulas”, emVigor de
Sementes: Conceitos e Testes, 2 Ed, eds FC Krzyzanowski, RD Vieira, JB França-
Neto e J. Marcos-Filho (Londrina: ABRATES).
Kuhn, M. (2017).Pacote Caret: Treinamento de Classificação e Regressão.
Disponível online em: https://cran.r552project.org/web/packages/caret/index. html
[acessado em 16 de agosto de 2021].
Leprince, O., Pellizzaro, A., Berriri, S., e Buitink, J. (2017). Maturação tardia da semente:
secar sem morrer.J. Exp. Robô.68, 827-841. doi: 10.1093/jxb/erw363
Li, Y., Sun, J., Wu, X., Chen, Q., Lu, B. e Dai, C. (2019). Detecção de viabilidade
de sementes de soja com base em hiperespectro de fluorescência e modelo CARS-SVM-
AdaBoost.J. Processo Alimentar. Preservar43, 1-9. doi: 10.1111/jfpp.14238
Liu, Y., Tikunov, Y., Schouten, RE, Marcelis, LFM, Visser, RGF, and Bovy, A.
(2018). Mecanismos de biossíntese e degradação de antocianinas emSolanácea
vegetais: uma revisão.Frente. Química6:52. doi: 10.3389/fchem.2018.00052 Marcos,
FCC, Silveira, NM, Marchiori, PER, Machado, EC, Souza, GM,
Landell, MGA, et ai. (2018a). A tolerância à seca de propágulos de cana-de-açúcar é
melhorada quando o material de origem enfrenta déficit hídrico.PLoS Um13:e0206716. doi:
10.1371/journal.pone.0206716
Marcos, FCC, Silveira, NM, Mokochinski, JB, Sawaya, ACHF, Marchiori,
PER, Machado, EC, et al. (2018b). A tolerância à seca da cana-de-açúcar é
melhorada pela exposição prévia ao déficit hídrico.J. Plant Physiol.223, 9-18.
doi: 10.1016/j.jplph.2018.02.001
Medeiros, AD, da Silva, LJ, Ribeiro, JPO, Ferreira, KC, Rosas, JTF,
Santos, AA, et ai. (2020b). Aprendizado de máquina para classificação de qualidade de
sementes: uma abordagem avançada usando dados de fusão de espectroscopia FT-NIR e
imagens de raios-x.Sensores20:4319. doi: 10.3390/s20154319
Medeiros, AD, Capobiango, NP, da Silva, JM, da Silva, LJ, da Silva, CB,
e dos Santos Dias, DCF (2020a). Aprendizado de máquina interativo para classificação de
qualidade de sementes e mudas de soja.Sci. Representante10:11267. doi: 10.1038/
s41598-020-68273-y
Meireles, JE, Cavender-Bares, J., Townsend, PA, Ustin, S., Gamon, JA,
Schweiger, AK, et ai. (2020). Os espectros de refletância das folhas capturam a
história evolutiva das plantas com sementes.Novo Fitol.228, 485-493. doi: 10.1111/
nph.16771 Mortensen, AK, Gislum, R., Jørgensen, JR e Boelt, B. (2021). O uso de
imagem multiespectral e espectroscopia de infravermelho próximo de semente única e em massa para
caracterizar estruturas de cobertura de sementes: métodos e aplicações em testes e
pesquisas de sementes.Agricultura11:301. doi: 10.3390/agriculture11040301 Murchie, EH,
and Lawson, T. (2013). Análise de fluorescência de clorofila: um guia
às boas práticas e à compreensão de algumas novas aplicações.J. Exp. Robô.64,
3983-3998. doi: 10.1093/jxb/ert208
Nogueira, ML, Carvalho, MEA, Ferreira, JMM, Bressanin, LA, Piotto,
KDB, Piotto, FA, et ai. (2021). Efeitos transgeracionais induzidos por cádmio em
plantas de tomate: um presente dos pais para as progênies.Sci. Ambiente Total.
789:147885. doi: 10.1016/j.scitotenv.2021.147885
Okada, MH, Fosenca de Oliveira, GR, Sartori, MMP, Nakagawa, J., Crusciol,
CAC, e Amaral da Silva, EA (2021). Aquisição da qualidade fisiológica do
amendoim (Arachis hypogaeaL.) durante a maturação sob influência do
ambiente materno.PLoS Um16:e0250293. doi: 10.1371/
journal.pone.0250293
Oliveira, NM, de Medeiros, AD, Nogueira, MDL, Arthur, V., Mastrangelo,
TDA, e Barboza da Silva, C. (2021). Efeitos horméticos de raios gama de baixa dose
em sementes e plântulas de soja: uma técnica de detecção usando sensores ópticos.
Computar. Elétron. Agrícola.187:106251. doi: 10.1016/j.compag.2021. 106251
Piotrowicz-Cieślak, AI, Krupka, M., Michalczyk, DJ, Smyk, B., Grajek, H.,
Podyma, W., et ai. (2020). Características fisiológicas de sementes de feijãoVicia Faba
var. menor) sujeito a 30 anos de armazenamento.Agricultura10:545. doi: 10.3390/
agricultura10110545
Equipe R Core (2021).Uma linguagem e ambiente para computação estatística.
Viena: R Foundation for Statistical Computing.
Rego, CHQ, França-Silva, F., Gomes-Junior, FG, de Moraes, MHD,
de Medeiros, AD, e da Silva, CB (2020). Usando imagens multiespectrais para detectar
fungos transmitidos por sementes em feijão-caupi.Agricultura10:361. doi: 10.3390/
agricultura10080361
Sano, N., Rajjou, L., North, HM, Debeaujon, I., Marion-Poll, A., and Seo, M.
(2016). Permanecendo vivo: aspectos moleculares da longevidade da semente.Plant Cell Physiol.57,
660-674. doi: 10.1093/pcp/pcv186
Stalker, HT, e Wilson, RF (2016).Amendoins: Genética, Processamento e
Utilização, 1ª Ed. Cambridge, MA: Academic Press.
Taheri-Garavand, A., Nasiri, A., Fanourakis, D., Fatahi, S., Omid, M., and
Nikoloudakis, N. (2021b). Identificação automatizada de variedades de sementes in situ via
aprendizado profundo: um estudo de caso em grão de bico.Plantas10:1406. doi: 10.3390/plantas100
71406
Taheri-Garavand, A., Rezaei Nejad, A., Fanourakis, D., Fatahi, S., and Ahmadi
Majd, M. (2021c). Emprego de redes neurais artificiais para estimativa não invasiva
do estado da água foliar usando características de cor: um estudo de caso em
Spathiphyllum wallisii.Acta Fisiol. Plantar.43:78. doi: 10.1007/s11738-021-03244-y
Taheri-Garavand, A., Mumivand, H., Fanourakis, D., Fatahi, S., and Taghipour, S.
(2021a). Uma abordagem de rede neural artificial para estimativa não invasiva do
teor e composição do óleo essencial considerando fatores de processamento de
secagem: um estudo de caso emMentha aquatica.Ind. Culturas Prod.171:113985.
doi: 10.1016/j.indcrop.2021.113985
Temba, MC, Njobeh, PB, Adebo, OA, Olugbile, AO e Kayitesi, E.
(2016). O papel da composição de cereais com leguminosas para aliviar a desnutrição
energético-protéica na África.Int. J. Food Sci. Tecnol.51, 543-554. doi: 10.1111/ijfs. 13035
USDA (2020b).Produção Agrícola Mundial. Área de Amendoim, Produção de Produção.
Disponível online em: https://apps.fas.usda.gov/psdonline/circulars/production. pdf
[acessado em 1º de outubro de 2021].
USDA (2020a).Oleaginosas, Amendoim 2020. Explorador de Amendoim. Produção Mundial. Disponível
em: https://ipad.fas.usda.gov/cropexplorer/cropview/commodityView.aspx?
cropid=2221000&sel_year=2020&startrow=11 [acessado em 1º de outubro de 2021]. Valcke,
R. (2021). As imagens de fluorescência da clorofila podem tornar o invisível visível?
Fotossintética59, 21-38. doi: 10.32615/ps.2021.017
Venables, W., e Ripley, B. (2002).Estatísticas Aplicadas Modernas com S. Nova york:
Springer.
Wang, X., Zhang, H., Song, R., He, X., Mao, P. e Jia, S. (2021). Não destrutivo
identificação de sementes de alfafa naturalmente envelhecidas por meio de análise de imagem multiespectral.
Sensores21:5804. doi: 10.3390/s21175804
Wang, Z., Tian, X., Fan, S., Zhang, C. e Li, J. (2021). Determinação de vencimento
de uma única semente de milho usando imagens hiperespectrais de infravermelho próximo
juntamente com a análise comparativa de vários modelos de classificação.Física infravermelha.
Tecnol. 112:103596. doi: 10.1016/j.infrared.2020.103596

Yengoh, GT, Dent, D., Olsson, L., Tengberg, AE e Tucker, CJ III (2015).
Uso do Índice de Vegetação por Diferença Normalizada (NDVI) para Avaliar a
Degradação do Solo em Várias Escalas: Situação Atual, Tendências Futuras e
Considerações Práticas, 1ª Ed. Berlim: Springer.
Yuan, LZ, Yong, EF, Wei, ZG e Shan, KG (2017). Usando quadrático
análise discriminante para prever a estrutura secundária da proteína com base em
mudanças químicas.atual Bioinform.12, 52-56. doi: 10.2174/1574893611666160628074537
Zhou, W., Branch, WD, Gilliam, L., and Marshall, JA (2019). Fitosterol
composição deArachis hypogaeasementes de diferentes classes de maturidade.
Moléculas24:106. doi: 10.3390/moléculas24010106
Nota do editor:Todas as reivindicações expressas neste artigo são exclusivas dos
autores e não representam necessariamente as de suas organizações afiliadas, ou as do
editor, dos editores e dos revisores. Qualquer produto que possa ser avaliado neste
artigo, ou reclamação que possa ser feita por seu fabricante, não é garantido ou
endossado pelo editor.
Copyright © 2022 Fonseca de Oliveira, Mastrangelo, Hirai, Batista, Sudki, Petronilio,
Crusciol e Amaral da Silva. Este é um artigo de acesso aberto distribuído sob os termos
da Creative Commons Attribution License (CC BY). O uso, distribuição ou reprodução em
outros fóruns é permitido, desde que o(s) autor(es) original(is) e o(s) proprietário(s) dos
direitos autorais sejam creditados e que a publicação original nesta revista seja citada,
de acordo com a prática acadêmica aceita. Não é permitido nenhum uso, distribuição
ou reprodução que não esteja em conformidade com estes termos.
Conflito de interesses:Os autores declaram que a pesquisa foi realizada na ausência
de qualquer relação comercial ou financeira que pudesse ser interpretada como um
potencial conflito de interesses.

Novos marcadores para avaliar qualidade semente amendoim

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a Novos marcadores para avaliar qualidade semente amendoim

Semelhante a Novos marcadores para avaliar qualidade semente amendoim (20)

Novos marcadores para avaliar qualidade semente amendoim