Espectroscopia NIR portátil e aprendizado de máquina: desenvolvimento de modelos para a quantificação de carboidratos não estruturais em macieira (Malus domestica)

Silva, Mateus Bonato da

Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/41346

Título:	Espectroscopia NIR portátil e aprendizado de máquina: desenvolvimento de modelos para a quantificação de carboidratos não estruturais em macieira (Malus domestica)
Título(s) alternativo(s):	Portable NIR spectroscopy and machine learning: development of models for the quantification of non-structural carbohydrates in apple trees (Malus domestica)
Autor(es):	Silva, Mateus Bonato da
Orientador(es):	Lima, Vanderlei Aparecido de
Palavras-chave:	Carboidratos Espectrofotometria Espectroscopia de infravermelho Quimiometria Carbohydrates Spectrophotometry Infrared spectroscopy Chemometrics
Data do documento:	25-Jun-2026
Editor:	Universidade Tecnológica Federal do Paraná
Câmpus:	Pato Branco
Citação:	SILVA, Mateus Bonato da. Espectroscopia NIR portátil e aprendizado de máquina: desenvolvimento de modelos para a quantificação de carboidratos não estruturais em macieira (Malus domestica). 2026. Trabalho de Conclusão de Curso (Bacharelado em Química) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2026.
Resumo:	A quantificação de carboidratos não estruturais (CNE) em tecidos perenes de macieira (Malus domestica) é fundamental para o monitoramento fisiológico da cultura, mas os métodos de referência tais como cromatografia líquida de alta eficiência (CLAE) e ensaios enzimáticos demandam maior tempo de execução, são destrutivos e geram resíduos. Este trabalho objetiva desenvolver um método analítico rápido, utilizando espectroscopia no infravermelho próximo (NIR, do inglês near infrared) portátil associada a ferramentas quimiométricas e de aprendizado de máquina. O foco foi a quantificação simultânea de sete CNE: amido, sacarose, glicose, frutose, sorbitol, hexoses totais e rafinose, em três tecidos perenes (lenho, casca e gema apical). Para isso, espectros de reflectância difusa d e 141 amostras liofilizadas e maceradas, na região de 900 a 1700 nm, foram coletados em triplicata, totalizando 423 espectros, em diferentes fases do desenvolvimento fisiológico da planta. Na sequência, foram construídos modelos de calibração e validação empregando os valores de referência, obtidos por CLAE acoplada à detecção por Índice de Refração (HPLC-RI, do inglês High Performance Liquid Chromatography - Refractive Index) para açúcares solúveis/sorbitol, e pelo método do ácido 3,5-dinitrosalicílico (DNS) para amido. A construção dos modelos de calibração multivariada foi realizada empregando métodos lineares e de aprendizado de máquina, a saber: Regressão por Mínimos Quadrados Parciais (PLS, do inglês Partial Least Squares), Máquinas de Vetores de Suporte (SVM), as Redes Neurais Artificiais (RNA) e Floresta Randômica (RF), com a aplicação e comparação de diferentes pré-processamentos espectrais, incluindo: Correção Multiplicativa do Sinal (MSC, do inglês Multiplicative Scatter Correction), Variável Normal Padrão (SNV, do inglês Standard Normal Variate), primeira e segunda derivadas de Savitzky-Golay(SG1 e SG2). Os modelos foram avaliados por validação cruzada e validação externa, a partir dos valores de Erro Quadrático Médio de Calibração (RMSEC, do inglês Root Mean Square Error of Calibration), Erro Quadrático Médio de Previsão (RMSEP, do inglês Root Mean Square Error of Prediction), coeficiente de determinação (R²) e Razão de Desempenho do Desvio (RPD, do inglês Ratio of Performance to Deviation). Os melhores modelos foram obtidos para a frutose (MSC + PLS; R²val = 0,83; RPD = 4,84 e MSC + SVM; R²val = 0,808; RPD = 4,747), com resultados também satisfatórios para hexoses (SG2 + SVM; R2val = 0.669; RPD = 1.693) e amido (SG1 + PLS; R2val = 0.782; RPD = 2.053), demonstrando o potencial da espectroscopia NIR portátil aliada ao aprendizado de máquina para a triagem de CNE em tecidos de macieira.
Abstract:	The quantification of non-structural carbohydrates (NSC) in perennial tissues of apple trees (Malus domestica) is essential for the physiological monitoring of the crop; however, reference methods such as high-performance liquid chromatography (HPLC) and enzymatic assays are time-consuming, destructive, and waste-generating. This work aims to develop a rapid analytical method using portable near-infrared (NIR) spectroscopy combined with chemometric and machine learning tools. The focus was the simultaneous quantification of seven NSC: starch, sucrose, glucose, fructose, sorbitol, total hexoses, and raffinose, in three perennial tissues (wood, bark, and apical bud). For this purpose, diffuse reflectance spectra of the freeze-dried and ground samples, in the 900 to 1700 nm region, were collected in triplicate, totaling 141 samples (423 spectra), at different stages of the plant's physiological development. Subsequently, calibration and validation models were built using reference values obtained by HPLC coupled with Refractive Index detection (HPLC-RI) for soluble sugars/sorbitol, and by the 3,5-dinitrosalicylic acid (DNS) enzymatic-colorimetric method for starch. The construction of the multivariate calibration models was carried out using linear and machine learning methods: Partial Least Squares regression (PLS), Support Vector Machines (SVM), Artificial Neural Networks (ANN), and Random Forest (RF), with the application and comparison of different spectral preprocessing techniques, including: Multiplicative Scatter Correction (MSC), Standard Normal Variate (SNV), and first and second derivatives. The models were evaluated by cross-validation and external validation, based on the values of the Root Mean Square Error of Calibration (RMSEC), Root Mean Square Error of Prediction (RMSEP), coefficient of determination (R²), and Ratio of Performance to Deviation (RPD). The best models were obtained for fructose (MSC + PLS; R²val = 0.83; RPD = 4.84 and SVM + MSC; R²val = 0.808; RPD = 4.747), with satisfactory results also obtained for hexoses (SG2 + SVM; R²val = 0.669; RPD = 1.693) and starch (SG1 + PLS; R²val = 0.782; RPD = 2.053), demonstrating the potential of portable NIR spectroscopy combined with machine learning for the screening of NSC in apple tissues.
URI:	http://repositorio.utfpr.edu.br/jspui/handle/1/41346
Aparece nas coleções:	PB - Química

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
espectroscopiainfravermelhoquimiometriacarboidrato.pdf		4,95 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro completo do item Recomendar este item Visualizar estatísticas

Este item está licenciada sob uma Licença Creative Commons