espectroscopia no infravermelho próximo-NIR e gergilim.pptx

aplicação da espectroscopia NIR em sementes de gergilim

1. A semente Sesamum indicum L., conhecida no Brasil como gergelim, pertencente à família pedaliácea, é uma das mais antigas oleaginosas em utilização pelo homem. É considerado a nona oleaginosa mais cultivada no mundo e uma oleaginosa de grande importância econômica. As sementes de gergelim são pequenas e achatadas, podendo apresentar cores variadas, indo do branco ao preto, passando pela marrom e amarelo dourada (CARVALHO, 2015; SILVA, 2015). 6 1. INTRODUÇÃO Gergelim

2. Nos últimos anos passou a crescer à razão de 10% ao ano. Suas sementes contêm cerca de mais de 50% de óleo de excelente qualidade, alcançando até 63% em algumas variedades (WERE et al., 2006; CARVALHO, 2015) Os grãos de gergelim podem ser consumidos in natura e em diversas preparações. Todavia, o óleo é a principal razão do seu cultivo. O mercado do gergelim é sempre crescente, nos setores de panificação e de biscoitos. E devido as novas formas de aproveitamento da semente de gergelim e seus subprodutos, sua importância econômica vem crescendo gradualmente. 7 1. INTRODUÇÃO

3. 8 Do inglês “ Green Chemistry ”, também conhecida como: Química auto-sustentável , Química limpa, Química sustentável e Química ambientalmente benigna. Pode ser definida como a utilização de técnicas químicas através do desenvolvimento de novas metodologias de análises, e implementação de produtos químicos e processos que reduzem ou eliminam o uso de solventes, reagentes ou a geração de produtos que são nocivos á saúde humana ou ao meio ambiente. 1. INTRODUÇÃO Química Verde

4. 9 1- Prevenção; 2- Economia de átomos; 3- Síntese Segura; 4- Desenvolvimento de Produtos Seguros; 5- Diminuição de Solventes e Auxiliares; 6- Eficiência Energética; 7- Uso de Fontes de Matéria-Prima Renováveis; 8- Evitar a formação de Derivados; 9- Catálise; 10- Produtos Degradáveis; 11- Análise em tempo real para Prevenção de Poluição; 12- Química Segura para a Prevenção de Acidentes. 1. INTRODUÇÃO

5. ESPECTROSCOPIA NO INFRAVERMELHO 400 nm 780 nm 1.000.000 nm FIR MIR NIR 780nm 2.500nm 50.000nm 1.000.000nm Região Frequência (Hz) Número de onda (cm -1 ),  Comprimento de onda ( nm ),  Próximo (NIR) 3,8 x 10 14 a 1,2 x 10 14 12.800 a 4.000 780 a 2.500 Médio (MIR) 1,2 x 10 14 a 6,0 x 10 12 4.000 a 200 2.500 a 50.000 Distante (FIR) 6,0 x 10 12 a 3,0 x 10 11 200 a 10 50.000 a 1.000.000 10

6. A radiação NIR foi detectada primeiro que a radiação no MIR, porém foi negligenciada pelos espectroscopistas pois não havia atrativos, as bandas eram largas, sobrepostas e com baixo valor de absorção. A radiação no MIR tornou bastante popular após Coblentz (1900) demonstrar a possibilidade de usar esta radiação para identificar grupos funcionais de compostos orgânicos. Em 1938 Ellis e Bath descreveram o trabalho pioneiro sobre o uso da espectroscopia NIR na determinação de água em gelatina. Somente a partir da década de 1980 é que f oi observado um rápido desenvolvimento da espectroscopia NIR impulsionado pelo desenvolvimento computacional de Análise Multivariada. 11 Infravermelho Próximo 1. INTRODUÇÃO

7. Figura 02 - Configuração da instrumentação básica do NIR: a) Transmitância; b) Reflectância. 12 1. INTRODUÇÃO NIR - Instrumentação

8. Figura 03 - Representação da reflexão especular e difusa de uma onda eletromagnética em uma amostra particulada . Fonte: MESSERSCHMIDT, 1999. p. 17. NIR Reflectância 13 NIR - Reflectância 1. INTRODUÇÃO

9. NIR É utilizado para realizações de medidas de vibrações de overtones (primeiro, segundo e terceiro sobretons ) e bandas de combinações de vibrações fundamentais. Muito rápida amostras ( in natura) Não destrutiva Não produz resíduo Economica-mente viável para indúst. Rotina de controle de qualidade Espectroscopia NIR Agricultura (Alimentos); Polímeros; Indústria do Petróleo (combustíveis); Indústria Têxtil; Meio Ambiente; Indústria Farmacêutica (Cosméticos); Medicina 14 1. INTRODUÇÃO

10. São ferramentas que fazem uso de algoritmos com intuito de otimizar as informações obtidas em procedimentos experimentais. Estatística Matemática Computação Quimiometria Engenharia Biologia Agronomia Química NIR QUIMIOMETRIA Gerar informações Extrair e empregar a informação Geologia Medicina Farmácia Ciência forense Indústria 15 1. INTRODUÇÃO Quimiometria

11. LEE e CHOUNG ( 2011), realizaram uma pesquisa para avaliar o potencial da espectroscopia infravermelha na região NIR na classificação de sementes de soja geneticamente modificada (GM) e não modificada geneticamente. 16 SANTOS, M. B. H. (2013), na sua pesquisa de doutorado, intitulada “ Fenotipagem não-destrutiva usando espectroscopia no infravermelho próximo e quimiometria em sementes de mamona”, desenvolveu modelos de classificação de duas diferentes cultivares comerciais de mamona. VASCONCELOS, M. C. (2016), defendeu a tese de doutorado sobre a diferenciação de cultivares de girassol por espectroscopia infravermelha na região próximo, utilizando sementes e óleo. PANERO e colaboradores (2018), realizaram a discriminação de 6 diferentes cultivares de soja, cultivadas em um mesmo tipo de solo. T ipificação de sementes e grãos - NIR 1. INTRODUÇÃO

12. Matematicamente, decompõe a matriz X Não altera as relações entre as amostras, apenas projeta dados em dimensão menor; Proporciona a interpretação visual das possíveis relações existentes entre as amostras através das PCs; Útil em detecção de comportamento atípico de amostras e, consequen-temente , no controle de processos industriais. 18   scores T (representa as relações entre as amostras) loadings L (relações entre as variáveis)   matriz de resíduos ( infor-mações não relevantes) Desafio Mineração dos dados PCA – Análise de componentes principais QUIMIOMETRIA Reconhecimento de Padrão 1. INTRODUÇÃO

13. Matematicamente, a determinação do quanto uma amostra é semelhante a outra se dá por meio do cálculo da distância entre elas; Método de reconhecimento de padrão não supervisionado; Proporciona a interpretação visual por meio de dendrogramas ; Útil para detecção de similaridade entre as amostras e no controle de processos industriais. 19   Desafio Mineração dos dados QUIMIOMETRIA HCA – Análise de agrupamento hierárquico Reconhecimento de Padrão 1. INTRODUÇÃO

14. As técnicas de reconhecimento de padrões supervisionadas, ou também denominadas métodos de classificação, são técnicas utilizadas em Machine Learning , que é um subcampo da inteligência artificial (ROZA, 2016). A tarefa principal de uma técnica de classificação é predizer a classe de uma amostra que está em análise, sendo necessário existir um supervisor, na qual é fornecido pelo registro dos valores das variáveis de saída, que são as variáveis ou classes que se deseja predizer a partir dos dados existentes. 20 Desafio Mineração dos dados QUIMIOMETRIA Classificação Predição Machine Learning 1. INTRODUÇÃO

15. A amostra excluída é classificada conforme a maioria dos “votos” de seus vizinhos mais próximos. Desafio Mineração dos dados KNN – K- ésimo Vizinho mais Próximo Técnica baseada em instâncias, atribuir uma classe a cada amostra desconhecida, na qual utiliza o conceito de semelhança de forma direta para identificar a classe; QUIMIOMETRIA Método de reconhecimento de padrão supervisionado; Predição Matriz de erro ou matriz de consistência; 21 Machine Learning 1. INTRODUÇÃO

16. Possibilita a realização de testes (de amostras desconhecidas) a fim de verificar sua capacidade de previsão; Desafio Mineração dos dados SIMCA – Modelagem por analogia de classes Resultando em amostra: A - uma categoria A - nenhuma categoria A A - mais de uma categoria Basicamente desenvolve modelos de PCs para cada categoria de conjunto de treinamento de amostras conhecidas; QUIMIOMETRIA Método de reconhecimento de padrão supervisionado; Predição 22 1. INTRODUÇÃO Machine Learning

17. OBJETIVO GERAL: 2. OBJETIVOS Aplicar a espectroscopia do infravermelho na região NIR com reflectância difusa e métodos quimiométricos para discriminar, mediante análise não destrutiva, tipos de sementes de gergelim do Estado de Roraima. 23

18. 2. OBJETIVOS OBJETIVOS ESPECÍFICOS: Realizar uma análise exploratória dos espectros NIR empregando as técnicas de reconhecimento de padrão não-supervisionadas: Análise de Componentes Principais-PCA e Análise de Agrupamento Hierárquico-HCA, para a discriminação de cultivares e linhagens de sementes de gergelim. 23 Construir modelos de classificação de cultivares e linhagens de sementes de gergelim, utilizando técnicas de aprendizado de máquina: K- ésimo Vizinho mais Próximo - KNN e Modelagem Independente Flexível por Analogia de Classes - SIMCA em espectros na região do infravermelho próximo.

19. 3. JUSTIFICATIVA Sementes de gergelim possuem diversas variedades e cultivares que têm características para uma determinada necessidade, como: resistência a pragas e condições edafoclimáticas. Uma nova cultivar deve conter características distintas das demais existentes e deve permanecer por sucessivas gerações. Cultivares melhoradas podem definir a produção e a produtividade de uma cultura. A identificação de cultivares é de fundamental importância no controle de qualidade de sementes e na proteção de cultivares. A correta discriminação e classificação das plantas a partir de sementes é uma ferramenta relevante para o melhoramento e desenvolvimento de cultivares que atendam aos diversos agroecossistemas . 25

20. A diferenciação de cultivares é realizada através de descritores morfológicos. Em geral, o procedimento de identificação de algumas cultivares é efetuado por meio do plantio da semente. Espera-se, no mínimo, um mês para que, através do seu crescimento e desenvolvimento, ocorra sua identificação morfológica. Existem também os métodos de análise molecular, que é executado pelo o estudo de DNA: RFLP ( Restriction Fragment Length Polymorphism ), AFLP ( Amplified Fragment Length Polymorphism ), RAPD ( Random Amplification of Polymorphic DNA) e microssatélites (ISSR - Inter Simple Sequence Repeats ; SSR - Simple Sequence Repeats ). 26 3. JUSTIFICATIVA

21. A inexistência de modelos de classificação/tipificação/autenticação e calibração multivariada usando espectros NIR em sementes de gergelim, no Brasil, reforça a necessidade na construção destes modelos matemáticos-estatísticos, tendo em vista que a análise em alimentos visa garantir a qualidade de produtos, atender exigências de órgãos oficiais de fiscalização e regulamentação, além de contribuir para a proteção da saúde do consumidor. Em contrapartida aos métodos dispendiosos e passíveis de geração de resíduos. Apresentam vantagens sobre os métodos de referência: Não destruição da amostra; Não utilização de reagentes; Não agressão ao ambiente; Rapidez; Confiabilidade! 27 3. JUSTIFICATIVA

22. 4. MATERIAIS E MÉTODOS Para este estudo, foram utilizadas amostras de 2 cultivares e 3 linhagens diferentes de gergelim, cedidas pela Empresa Brasileira de Pesquisa Agropecuária de Roraima (EMBRAPA-RR). Todas as variedades de gergelim foram cultivadas pela Embrapa, no Campo Experimental Água Boa, sob as mesmas condições e tipo de solo, colhidas no estágio maduro, acondicionadas a 25 ± 3 ºC e aproximadamente 75% de umidade relativa. As cultivares foram: BRS Seda e BRS Anahí ; e as linhagens: 5, 16 e 17. Foram utilizadas 45 amostras de sementes de cada cultivar e linhagem (sem tratamento), apenas foram removidos pedaços das plantas, folhas e outros interferentes antes da aquisição dos espectros. Amostras de gergelim 28

23. Fonte: o autor (2019). Figura 06. Amostras de gergelim: (a) BRS Anahí, (b) BRS Seda, (c) Linhagem16, (d) Linhagem17 e (e) Linhagem 5 em sementes intactas, em frasco de vidro 20 mL , para aquisição dos espectros. 29 4. MATERIAIS E MÉTODOS Amostras de gergelim

24. Espectros de reflectância Os espectros de reflectância difusa na região do infravermelho próximo-NIR das amostras foram obtidos no espectrofotômetro “Spectrum Two FT-IR” da marca PerkinElmer , com acessório de reflectância difusa na região entre 700 e 2500 nm . Os espectros foram adquiridos com resolução de 8 cm -1 e espectro médio de 50 varreduras em 30 s. Fonte: PERKINELMER, 2018. 30 4. MATERIAIS E MÉTODOS

25. Cada espectro foi salvo no programa “ Spectrum ”, no formato JCAMPDX; Importados para o The Unscrambler 9.2 para montagem das matrizes espectrais com 30 linhas (amostras) e 4859 colunas (comprimento de onda), no caso dos espectros de arroz; 45 linhas (amostras) e 4859 colunas (comprimento de onda) para os espectros de arroz. As matrizes espectrais foram montadas e transferidas para o software Pirouette 3.11, o qual foi utilizado para a aplicação de diversos métodos quimiométricos . Espectros NIR 4. MATERIAIS E MÉTODOS 33

26. Tratamento dos dados espectrais: Baseline correction (linear, quadratic , cubic ) Correção multiplicativa de sinal (MSC); Correção multiplicativa de sinal Extendida (EMSC); Transformação padrão normal de variação (SNV); Média móvel MV: 3, 5, 7, 9, 11, 13, 15, 20, 25; Savitzky-Golay (polinômios de 1ª , 2ª , 3ª ); Primeira derivada(1D); Segunda derivada (2D); Normalização (máxima, intensidades); SNV /MSC/EMSC + 1D, SNV/MSC/EMSC + 2D Pirouette 3.11; (HCA, PCA, KNN e SIMCA) 34 Construção dos Modelos Quimiométricos Pré-processamento nas variáveis: centrar na média, autoescalamento e escalamento variância 4. MATERIAIS E MÉTODOS

27. 5. RESULTADOS E DISCUSSÕES FENOTIPAGEM DE CULTIVARES DE SEMENTES DE GERGELIM 35 Figura 08 – Espectros NIR sem pré -tratamento das sementes intactas de gergelim das cultivares BRS Seda e BRS Anahí, na região entre 700 e 2500 nm .

28. FENOTIPAGEM DE CULTIVARES DE SEMENTES DE GERGELIM 36 Figura 09 – Espectros NIR após tratamento com SNV associado com a correção de linha base das sementes intactas de gergelim das cultivares BRS Seda e BRS Anahí, na região entre 700 e 2500 nm . 5. RESULTADOS E DISCUSSÕES

29. Figura 10 – Fenotipagem das cultivares de gergelim BRS Seda e BRS Anahí, obtida pela técnica de HCA com dados centrados na média, distância métrica Euclidiana, método de conexão incremental associados ao SNV + correção de linha base, na região espectral de NIR entre 700 e 2500 nm .. 37 FENOTIPAGEM DE CULTIVARES DE SEMENTES DE GERGELIM - HCA BRS Seda BRS Anahí BRS Anahí BRS Seda 5. RESULTADOS E DISCUSSÕES

30. Figura 11 – Gráfico dos scores obtidos pela técnica de PCA com dados centrados na média e aplicação de SNV + correção de linha base, na região espectral de NIR entre 700 e 2500 nm . As duas PCs foram responsáveis por descrever 50,57 % da variância total, sendo 35,68 % atribuídos a PC1 e 14,89 % a PC2 38 FENOTIPAGEM DE CULTIVARES DE SEMENTES DE GERGELIM - PCA BRS Anahí BRS Seda 5. RESULTADOS E DISCUSSÕES

31. A Figura 12 – Espectros NIR originais das sementes intactas de gergelim das linhagens ( Ge5 , Ge16 e Ge17 ), na região entre 700 e 2500 nm . 39 DISCRIMINAÇÃO EM SEMENTES DE LINHAGENS DE GERGELIM 5. RESULTADOS E DISCUSSÕES

32. Figura 13 – Espectros NIR, após tratamento com SNV, das sementes intactas das linhagens (Ge5, Ge16 e Ge17) , na região entre 700 e 2500 nm . 40 DISCRIMINAÇÃO EM SEMENTES DE LINHAGENS DE GERGELIM 5. RESULTADOS E DISCUSSÕES

33. Figura 14 – Discriminação das sementes de linhagens de gergelim com dados centrados na média, distância métrica Euclidiana, método de conexão incremental associados ao SNV, na região espectral de NIR entre 700 e 2500 nm . 41 DISCRIMINAÇÃO EM SEMENTES DE LINHAGENS DE GERGELIM - HCA Ge17 Ge16 Ge5 5. RESULTADOS E DISCUSSÕES

34. Figura 15 – Gráfico dos scores obtidos pela técnica de PCA, dados centrados na média e aplicação de SNV, na região espectral de 700 e 2500 nm . As 2 componentes principais foram responsáveis por descrever 99,83 % da variância total dos dados, sendo 96,92 % atribuídos a PC1 e 2,91 % a PC2 42 DISCRIMINAÇÃO EM SEMENTES DE LINHAGENS DE GERGELIM - PCA BRS Anahí BRS Seda Ge17 Ge16 Ge5 5. RESULTADOS E DISCUSSÕES

35. AUTENTIFICACÃO DE CULTIVARES E LINHAGENS DE GERGELIM 43 Figura 16 – Espectros de NIR sem pré -tratamento de sinal das sementes intactas de gergelim das cultivares BRS Seda e BRS Anahí e das linhagens (Ge5, Ge16 e Ge17), na região entre 700 e 2500 nm . 5. RESULTADOS E DISCUSSÕES

36. Figura 17 – Discriminação das linhagens (Ge5, Ge16 e Ge17) e cultivares (BRS Anahí e BRS Seda) de gergelim, utilizando espectros NIR após centragem na média e aplicação de SNV, pela técnica de HCA usando conexão incremental. 44 AUTENTIFICACÃO DE CULTIVARES E LINHAGENS DE GERGELIM - HCA 5. RESULTADOS E DISCUSSÕES

37. 45 AUTENTIFICACÃO DE CULTIVARES E LINHAGENS DE GERGELIM - PCA As 2 componentes principais foram responsáveis por descrever 99,25 % da variância total dos dados, sendo 95,51 % atribuídos a PC1 e 3,74 % a PC2 . Figura 18 – Gráfico de Scores PC1 vs PC2 , o qual apresenta a separação de linhagens LinGe5 (vermelho), LinGe16 (amarelo) e LinGe17 (preto) e cultivares de gergelim BRS Anahi (verde) e BRS Seda (azul), utilizando espectros NIR na região entre 700 e 2500 nm , após centragem na média e aplicação de SNV . 5. RESULTADOS E DISCUSSÕES

38. Figura 19 – Gráfico de scores da PC1 vs PC3, na qual é possível observar a discriminação dos 5 grupos de sementes: linhagens (Ge5, Ge16 e Ge17) e cultivares (BRS Anahí e BRS Seda), corroborando o resultado obtido pela HCA. A PC3 foi responsável por descrever 0,62% da variância total dos dados. 46 AUTENTIFICACÃO DE CULTIVARES E LINHAGENS DE GERGELIM - PCA 5. RESULTADOS E DISCUSSÕES

39. Figura 20 – Gráfico tridimensional de Scores PC1 vs PC2 vs PC3 em projeções diferentes, nas quais apresentam a autenticidade de 5 distintos grupos de linhagens (Ge5, Ge16 e Ge17) e cultivares (BRS Anahí e BRS Seda) de gergelim, utilizando espectros NIR, na região entre 700 e 2500 nm , após centragem na média e aplicação de SNV. 47 AUTENTIFICACÃO DE CULTIVARES E LINHAGENS DE GERGELIM - PCA 5. RESULTADOS E DISCUSSÕES

40. CLASSIFICACÃO DE CULTIVARES - KNN E SIMCA 48 A capacidade de classificação das cultivares de gergelim (BRS Seda e BRS Anahí), nas etapas de treinamento (calibração) e conjunto de testes (validação externa), mostrou-se eficiente e eficaz, pois a modelagem KNN e SIMCA classificaram corretamente 100% das cultivares estudadas. Após centragem na média e aplicação da correção multiplicativa de sinal - MSC 5. RESULTADOS E DISCUSSÕES

41. CLASSIFICACÃO DE CULTIVARES E LINHAGENS - KNN 49 O modelo KNN desenvolvido mostrou-se eficiente para a classificação das sementes de cultivares e linhagens de gergelim, pois classificou corretamente as 150 amostras do conjunto de calibração e as 45 amostras do conjunto de validação externa, ou seja, 100% de acerto. Após centragem na média e aplicação da correção multiplicativa de sinal - MSC 5. RESULTADOS E DISCUSSÕES

42. CLASSIFICACÃO DE CULTIVARES E LINHAGENS - SIMCA 50 5. RESULTADOS E DISCUSSÕES Gráficos tridimensionais da PC1 vs PC2 vs PC3 da modelagem SIMCA aplicada nas 150 amostras do conjunto de calibração. Os quais apresentam a classificação de 5 classes: linhagens (Ge5, Ge16 e Ge17) e cultivares (BRS Anahí e BRS Seda) de gergelim, utilizando espectros NIR, na região entre 700 e 2500 nm , após centragem na média e aplicação de MSC .

43. CLASSIFICACÃO DE CULTIVARES E LINHAGENS - SIMCA 51 5. RESULTADOS E DISCUSSÕES Gráficos tridimensionais da PC1 vs PC2 vs PC3 da modelagem SIMCA para a predição da classificação das 45 amostras do conjunto de validação externa. Os quais apresentam a classificação de 5 classes: linhagens (Ge5, Ge16 e Ge17) e cultivares (BRS Anahí e BRS Seda) de gergelim, utilizando espectros NIR, na região entre 700 e 2500 nm , após centragem na média e aplicação de MSC.

44. CLASSIFICACÃO DE CULTIVARES E LINHAGENS - SIMCA 52 O modelo SIMCA construído apresentou eficiência para a classificação das sementes de cultivares e linhagens de gergelim, pois classificou corretamente as 149 das 150 amostras do conjunto de calibração. Apenas uma amostra pertencente a classe da Linhagem 17 foi classificada incorretamente na classe da cultivar BRS Anahí, ou seja, 99,3% de acerto. Já no modelo de validação externa, ocorreu apenas um erro, na qual uma amostra pertencente a classe da Linhagem 17 foi classificada incorretamente como pertencente a classe da Linhagem 16, portanto, obteve-se 97,8% de acerto. 5. RESULTADOS E DISCUSSÕES

45. 6. CONSIDERAÇÕES FINAIS A técnica de espectroscopia do infravermelho na região próximo por reflectancia difusa, associada as técnicas de reconhecimento de padrão não-supervisionadas: Análise de Componentes Principais - PCA e Análise de Agrupamento Hierárquico - HCA e as técnicas de aprendizado de máquina: KNN - K- ésimo Vizinho mais Próximo e SIMCA - Modelagem Independente Flexível por Analogia de Classes foram capazes de classificar sementes de diferentes cultivares de gergelim, utilizando as sementes inteiras e intactas. 63

46. 5. CONSIDERAÇÕES FINAIS 64 Além de discriminar cultivares e linhagens de sementes de gergelim de forma rápida, não destrutiva e eficiente, sem uso de reagente e geração de resíduos nocivos, preservando, portanto, o meio ambiente. Com base nos resultados, pode-se afirmar que a metodologia utilizada tem grande potencial para ser aplicado na agricultura e nas investigações forenses.

47. 7. PERSPECTIVAS FUTURAS Explorar outras técnicas quimiometricas de inteligência artificial, tais como redes neurais e lógica fuzzy , para a classificação de cultivares e linhagens de gergelim. Estudar a viabilidade de construir um equipamento portátil para a análise forense destas sementes e grãos. 65

48. ALEXANDRINO, G. L. Explorando a espectroscopia de imagem no infravermelho e a quimiometria como ferramenta analítica em aplicações farmacêuticas. Tese (Doutorado), Universidade Estadual de Campinas -UNICAMP. Campinas, São Paulo, 2015.   ANDRADE, M. P. Uso de inteligência computacional no reconhecimento óptico de caracteres. Dissertacao (Mestrado), Universidade Candido Mendes-UCAM. Campos, Rio de Janeiro, 2015.   ARRIEL, N. H. C.; DI MAURO, A. O.; ZINGARETTI, S. M.; BAKKE, O. A.; TREVISOLI, S. H. U.; COSTA, M. M.; CAPELOTO, A.; CORRADO, A. R. Técnicas multivariadas na determinação da diversidade genética em gergelim usando marcadores RAPD . Pesquisa Agropecuária Brasileira, 41, 5, 801-809, maio 2009.   BALABIN, R. M. SAFIEVA, R. Z. Gasoline classification by source and type based on near infrared (NIR) spectroscopy data. Fuel , 87, 1096-1101, 2008.   BARROS, M. A. L.; SANTOS, R. B. Situação do Gergelim nos Mercados Mundial e Nacional, 1995 a 2002. Ministério da agricultura, pecuária e abastecimento- circular 67 , Campina Grande, 2002.   BEHRENS, J. H.; HEINEMANN, R. J. B.; LANFER-MARQUEZ, U. M. Parboiled rice: a study about attitude , consumer liking and consumption in São Paulo, Brazil . Journal of the Science of Food and Agriculture , London, 87, 6, 992-999, 2007. BELTRÃO, N.E. de M.; FREIRE, E.C.; LIMA, E.F. Gergelim cultura no trópico semi-árido nordestino. Campina Grande: EMBRAPA-CNPA, Circular Técnica , 18. 1994. 52p.   BELTRÃO, N. E. de M; SOUZA, J. G; PEREIRA, J. R. Fitologia In: O Agronegócio do gergelim no Brasil . Embrapa InformaçãoTecnológica , Embrapa Algodão/ Campina Grande, 348p, 2001.   BLACK, W. C.; TATHAM, R. L.; ANDERSON, R. E.; JR. HAIR, J. F. Análise Multivariada de dados ; Capítulo 1. 1ª Edição . Editora Bookman. Porto Alegre, 2005.   BLANCO, M.; VILLARROYA, I. NIR spectroscopy: a rapid-response analytical tool. Trends in Analytical Chemistry , 21, 4, 240-250, 2002.   8. REFERÊNCIAS BIBLIOGRÁFICAS 66

49. BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Norma de identidade, qualidade, embalagem e apresentação do arroz . Brasília, 1988. 28 p. Disponível em: <http://padclassif. tripod.com/ padrao /arroz.pdf>. Acesso em: 02 mai. 2018. CONAB - COMPANHIA NACIONAL DE ABASTECIMENTO. Acompanhamento de safra brasileira: grãos, sétimo levantamento , abril/2009 / Companhia Nacional de Abastecimento. Brasília: Conab, 2009. 39 p.   CORREIA, P. R. M.; FERREIRA, M. M. C. Reconhecimento de padrões por métodos não supervisionados: explorando procedimentos quimiométricos para tratamento de dados analíticos. Química Nova , 30, 2, 481–487, 2007.   COSTA FILHO, P. A.; POPPI, R. J. Aplicação de algoritmos genéticos na seleção de variáveis em espectroscopia no infravermelho médio. Determinação simultânea de glicose, maltose e frutose . Química Nova , 25, 1, 46-52, 2002.   DANTAS, M.B.; CONCEIÇÃO, M.M.; SANTOS,I.M.G.; FILHO, P.F.A.; SOUZA, A.G. de. Estudo Térmico e Reológico do Óleo e Biodiesel de Gergelim . In: Trabalho apresentado no Congresso Nordeste de Química, Departamento de Química, Universidade Federal da Paraíba, 2007.   DA SILVA, A. C. Biodiesel de gergelim ( Sesamum indicum L. ): Um estudo de equilíbrio ternário. Dissertação (Mestrado), Universidade Federal de Alagoas - UFAL. Maceio , Alagoas, 2016.   DINIZ, P. H. G. D. Novas estratégias para classificação simultânea do tipo e origem geográfica de chás. Tese (Doutorado), Universidade Federal da Paraiba -UFPB. Joao Pessoa, Paraiba , 2013.   EGIDIO, V.; OLIVERI, P.; Woodcock, T.; DOWNEY, G. Confirmation of brand identity in foods by near infrared transflectance spectroscopy using classification and class-modeling chemometric techniques – The example of a Belgian beer. Food Research International , 44, 544-549, 2011.   ELLEUCH, M.; BESBES S.; ROISEUX O.; BLECKER C.; ATTIA H. Quality characteristics of sesame seeds and by-products. Food Chemistry , 103, 2, 641-650, 2006.   8. REFERÊNCIAS BIBLIOGRÁFICAS 67

50. MIRANDA, J. I. Processamento de imagens digitais: métodos multivariados em java ; Capítulos 1, 5-7. 1ª Edição. Editora Embrapa. Campinas, 2011. MOREIRA, L. J. Classificacao de dados combinando mapas auto-organizaveis com vizinho informativo mais próximo Dissertacao (Mestrado), Universidade Presbiteriana Mackenzie. São Paulo, São Paulo, 2016. OLIVEIRA, V. S. Análise da autenticidade de cédulas de real utilizando espectroscopia nir portátil e quimiometria . Dissertacao (Mestrado), Universidade Federal de Pernambuco-UFPE. Recife, Pernambuco, 2018. PANErO b , J. S . Potencialidade da Técnica NIR na Discriminação de Variedades e Quantificação de Minerais em Grãos de Soja de Roraima. Tese (Doutorado), Universidade Federal do Acre-UFAC. Rio Branco, Acre, 2018 PEREIRA, L. S. A. Análise multivariada e espectroscopia no infravermelho aplicadas em análises forenses: drogas e medicamentos. Tese (Doutorado), Universidade Federal de Minas Gerais-UFMG. Belo Horizonte, Minas Gerais, 2018. SANTOS, M. B. H. Fenotipagem não destrutiva usando espectroscopia no infravermelho próximo e quimiometria em sementes de mamona . Tese (Doutorado), Universidade Federal da Paraíba-UFPB. João Pessoa, Paraíba, 2013. SILVA, C. S. Espectroscopia no Infravermelho para Aplicações Forenses: documentoscopia e identificação de sêmen em tecidos. Tese (Doutorado), Universidade Federal de Pernambuco -UFPE. Recife, Pernambuco, 2017. VASCONCELOS, M C. Diferenciação de cultivares de girassol por espectroscopia no infravermelho próximo, utilizando sementes e óleo . Tese (Doutorado), Universidade Federal de Lavras - UFLA. Lavras, Minas Gerais, 2016. VIEIRA, N. R. A.; RABELO, R. R. Qualidade tecnológica. In: SANTOS, A. B.; STONE, L. F.; VIEIRA, N. R. A. (Ed.). A cultura do arroz no Brasil . 2. ed. Santo Antônio de Goiás: Embrapa Arroz e Feijão, 2006. cap. 23, p. 869-900. 8. REFERÊNCIAS BIBLIOGRÁFICAS 68

51. 70 9. PRODUÇÃO CIENTÍFICA