Inovações metodológicas na avaliação da qualidade de sementes: modelagem matemática e imagem multiespectral associada ao aprendizado de máquina

Abstract

A indústria de sementes tem investido continuamente em estratégias voltadas à garantia de alta qualidade, com o propósito de maximizar o desempenho das sementes em campo, reduzir os riscos associados ao armazenamento e fortalecer a competitividade ao longo da cadeia produtiva. Contudo, os métodos tradicionais de avaliação da qualidade de sementes permanecem, em grande parte, demorados, subjetivos e destrutivos, o que tem impulsionado a busca por alternativas mais precisas, objetivas e eficientes. Nesse cenário, abordagens baseadas em modelagem matemática e em técnicas de imageamento multiespectral surgem como estratégias complementares e inovadoras, capazes de aprimorar a compreensão e o monitoramento da qualidade das sementes. A modelagem matemática permite extrair informações preditivas a partir de dados experimentais obtidos por métodos convencionais, otimizando o aproveitamento dos resultados e favorecendo estimativas mais robustas da longevidade. Com base nessa premissa, o primeiro estudo (Modeling Seed Longevity and Percentile Prediction: A Sigmoidal Function Approach in Soybean, Maize, and Tomato) investigou a longevidade de sementes de soja, milho e tomate armazenadas sob condições controladas, utilizando os modelos sigmoides Logístico e de Boltzmann. O modelo Logístico apresentou melhor desempenho na estimativa dos percentis de viabilidade (P50, P85 e P25), com acurácia de 83%, enquanto o modelo de Boltzmann alcançou 54%. Os resultados evidenciaram diferenças entre cultivares quanto à taxa e ao padrão de deterioração, destacando o potencial da modelagem matemática como ferramenta preditiva para otimização do armazenamento, redução de perdas econômicas e apoio a programas de conservação genética. O segundo estudo (A Multispectral Imaging Framework for Discriminating Primed and Unprimed Seeds Using Machine Learning Algorithms) avaliou o uso da imagem multiespectral (MSI) associada a algoritmos de aprendizado de máquina para discriminar sementes de Solanum lycocarpum submetidas ao priming de sementes. Os algoritmos Random Forest e Redes Neurais apresentaram os melhores resultados, com acurácia de até 89,8%, demonstrando a sensibilidade da MSI em detectar alterações fisiológicas sutis induzidas pelo priming, de forma rápida e não destrutiva. De forma integrada, os resultados desta tese evidenciam o potencial da combinação entre modelagem matemática e técnicas de imageamento multiespectral como abordagens complementares para a avaliação da qualidade de sementes. Essas estratégias oferecem bases científicas e tecnológicas para aprimorar o controle de qualidade, otimizar o armazenamento e a rastreabilidade, além de promover avanços significativos na conservação e no manejo de sementes, tanto em contextos comerciais quanto de pesquisa.

The seed industry has continuously invested in strategies aimed at ensuring high quality, with the purpose of maximizing field performance, reducing risks associated with storage, and strengthening competitiveness throughout the production chain. However, traditional methods for assessing seed quality remain largely timeconsuming, subjective, and destructive, which has driven the search for more precise, objective, and efficient alternatives. In this context, approaches based on mathematical modeling and multispectral imaging techniques have emerged as complementary and innovative strategies capable of improving the understanding and monitoring of seed quality. Mathematical modeling allows the extraction of predictive information from experimental data obtained through conventional methods, optimizing the use of results and providing more robust estimates of seed longevity. Based on this premise, the first study (Modeling Seed Longevity and Percentile Prediction: A Sigmoidal Function Approach in Soybean, Maize, and Tomato) investigated the longevity of soybean, maize, and tomato seeds stored under controlled conditions, using Logistic and Boltzmann sigmoidal models. The Logistic model showed superior performance in estimating viability percentiles (P50, P85, and P25), achieving an accuracy of 83%, while the Boltzmann model reached 54%. The results revealed differences among cultivars regarding deterioration rates and patterns, highlighting the potential of mathematical modeling as a predictive tool for optimizing storage, reducing economic losses, and supporting genetic conservation programs. The second study (A Multispectral Imaging Framework for Discriminating Primed and Unprimed Seeds Using Machine Learning Algorithms) evaluated the use of multispectral imaging (MSI) combined with machine learning algorithms to discriminate Solanum lycocarpum seeds subjected to seed priming. The Random Forest and Neural Network algorithms achieved the best results, with accuracies of up to 89.8%, demonstrating the sensitivity of MSI in detecting subtle physiological changes induced by priming in a fast and non-destructive manner. Taken together, the results of this thesis demonstrate Taken together, the results of this thesis demonstrate the potential of combining mathematical modeling and multispectral imaging techniques as complementary approaches for assessing seed quality. These strategies provide scientific and technological foundations to enhance quality control, optimize storage and traceability, and promote significant advances in seed conservation and management, both in commercial and research contexts.