Dados do Trabalho

Título

DIFERENTES PRE-PROCESSAMENTO E METODOS MULTIVARIADOS PARA PREDIÇAO DE MATERIA ORGANICA DO SOLO POR ESPECTROSCOPIA DE INFRAVERMELHO PROXIMO (NIRS) NO SUL DO BRASIL

Resumo

Estudos foram feitos para gerar e avaliar métodos alternativos para estimar o conteúdo de MOS, com espectroscopia de infravermelho próximo (NIRS). A precisão do NIRS é altamente afetada pelo pré-processamento espectral e métodos multivariados. Os modelos são altamente específicos do local, indicando a necessidade de desenvolver calibrações regionais. O objetivo deste estudo foi avaliar o efeito do pré-processamento e métodos multivariados na predição do MOS usando NIRS. Um total de 2.388 amostras de solo do sul do Brasil foram analisados quanto ao teor de MOS pelo método Walkley-Black seguido por espectrofotometria determinação do colorímetro e por um espectrômetro NIR (1200-2400 nm). Seis técnicas de pré-processamento foram testadas: Savitzki-Golay derivative (SGD), continuum removal (CR), detrend (DET), binning (BIN), smoothing (SMO) e standard normal variate (SNV). Os pré-processamentos foram combinados com quatro modelos multivariados, incluindo multiple linear regression (MLR), partial least squares regression (PLSR), principal component regression (PCR), support vector machine (SVM), random forest (RF) e gaussian process regression (GPR). O desempenho das previsões foi avaliado pelo coeficiente de determinação (R2) e a raiz do erro quadrático médio (RMSE). No geral, comparando os modelos multivariados, as melhores predições de acordo com R2 foram encontrados para SVM>GPR>PLSR>MLR>PCR>RF, em ordem decrescente. A melhor predição foi obtido com a combinação do modelo SVM e pré-processamento espectral SNV (R2 = 0,70, RMSE = 0,44, RPIQ = 2,26). Para SVM e GPR, apenas DET, SNV, BIN e CR melhoraram as predições quando comparados ao espectro bruto. Ao usar o MLR, a predição da MOS foi melhorada apenas com SNV, SMO e DET, em comparação com espectros brutos. Para o PLSR, a predição do MOS foi melhorada com DET e SNV. Resultados estimados pelo NIRS atingiram 85% de precisão quando comparados aos valores de SOM obtidos pelo Walkley-Black.

Palavras-chave

Análises de carbono; NIRS; Solos subtropicais; Pré-processamento espectral; Machine learning; Sul do Brasil

Instituição financiadora

UFRGS, URI FW

Agradecimentos

UFRGS, URI FW