Green tech proximal sensor analyses: advances for soil, parent material and geological exploration

• Ano de defesa: 2024
• Autor(a) principal: Pierangeli, Luiza Maria Pereira
• Orientador(a): Silva, Sérgio Henrique Godinho
• Banca de defesa: Menezes , Michele Duarte de, Andrade, Renata, Serafim, Milson Evaldo, Couto, Eduardo Guimarães
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós- Graduação em Ciência do Solo
• Departamento: Departamento de Ciência do Solo
• País: brasil
• Palavras-chave em Português: Geoquímica do solo; Sensores proximais; Aprendizado de máquinas; Material de origem do solo; Exploração geológica; pXRF (Espectroscopia de fluorescência de raios X portátil); Suscetibilidade magnética; Pegmatitos; Modelagem espacia; Soil geochemistry; Proximal sensors; Machine learning; Soil parent material; Geological exploration; pXRF (Portable X-ray fluorescence spectrometry); Magnetic susceptibility; Pegmatites; Spatial modeling; Precision agriculture
• Área do conhecimento CNPq: Ciências agrárias
• Link de acesso: https://repositorio.ufla.br/handle/1/59266

O material de origem do solo surge como um fator crítico na compreensão da variabilidade do solo, com desafios em avaliações detalhadas devido à complexidade e inacessibilidade ao material de origem em solos profundos. Abordagens de sensores proximais, incluindo a espectroscopia de fluorescência de raios X portátil (pXRF) e a suscetibilidade magnética (SM), oferecem soluções práticas para predizer material de origem. A busca global por alternativas energéticas sustentáveis aumentou paralelamente, com o lítio (Li) emergindo como um elemento fundamental integrante das baterias recarregáveis de íons de Li. A procura de Li exige o desenvolvimento de métodos de exploração econômicos e rápidos para melhorar a identificação de novos depósitos, com pegmatitos de lítio-césio-tântalo (LCT) como fontes primárias de Li. Esta tese está dividida em quatro artigos, englobando: (I) um estudo piloto centrado na criação de modelos preditivos espaciais de material de origem para três tipos distintos de rochas (charnockito, argilito e sedimentos aluviais) em escala detalhada, usando algoritmo randomforest (RF) combinado com pXRF e SM; (II) avaliação da eficácia dos pXRF e do algoritmo RF na prediçãoda concentração de Li em amostras de soloe prediçãodo PM de solo rico em Li, utilizando elementos pathfinder de Li; (III) (IV) avaliação do desempenho e a comparabilidade de dois sistemas pXRF, Alfa e Beta. Os resultados desta tese propõem métodos alternativos e econômicos para obtenção da variabilidade espacial do material de origem do solo. O artigo I apresentouacurácianapredição de material de origem (coeficiente Kappa = 0,85 e acurácia geral = 0,93), já o modelo de predição de material de origem do artigo (II) alcançou coeficiente Kappa de 0,77 e uma acuráciaglobal de 0,85. O modelo de predição de Li artigo II) apresentou coeficiente de determinação (R2) de 0,86, erro quadrático médio (RMSE) de 68,5 mgkg-1 e desvio do resíduo de predição (RPD) de 1,78. O artigo (III) mostrou que ambos os pXRFs alcançaram resultados semelhantes em comparação com as concentrações elementares em materiais de referência certificados, com tendências de superestimaçãoe subestimaçãoda concentração de elementos. Os sensores próximos aliado às técnicas de aprendizado de máquinasconsistemem método alternativo para prospecção mais sustentáveis de material de origem do solo e exploração de conteúdo de Li. Além disso, auxiliam em decisões complexas e criteriosas e esclarece algumas dúvidas quanto à utilização e comparabilidade de resultados obtidos de uma mesma amostra com diferentes equipamentos de pXRF.