Prediction of soil properties via portable x-ray fluorescence (pXRF) spectrometry in Brazil

• Ano de defesa: 2019
• Autor(a) principal: Pelegrino, Marcelo Henrique Procópio
• Orientador(a): Silva, Sérgio Henrique Godinho
• Banca de defesa: Carvalho , Teotonio Soares de, Santos, Walbert Júnior Reis dos
• 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 dos Solos
• País: brasil
• Palavras-chave em Português: Aprendizagem de máquina; Espectrometria de fluorescência de raios-X portátil (pXRF); Mapeamento digital do solo; Machine learning; Digital soil mapping
• Área do conhecimento CNPq: Ciência do Solo
• Link de acesso: https://repositorio.ufla.br/handle/1/33940

Os solos são o principal substrato para a produção de alimentos. A crescente demanda e a pressão ambiental impõem maiores produtividades, rentabilidade e mitigação dos impactos ambientais nas etapas e técnicas de produção. Dessa ótica, é nítida a importância de se conhecer as propriedades químicas, físicas e biológicas dos solos. Para a agricultura, conhecer melhor a fertilidade dos solos possibilita um uso mais racional dos recursos e insumos no planejamento das culturas. Entretanto, a aquisição desse conhecimento requer amostragens e análises de solo, que aumentam em número e volume na medida em que se refina o conhecimento, o que torna o processo caro. Além disso, a usual abordagem pontual de amostragem limita a compreensão da variabilidade espacial e temporal das propriedades dos solos. Neste sentido, a aquisição de dados de sensores remotos (e.g., imagens de satélite) e próximos (e.g., espectrômetros portáteis), tem refinado e complementado o conhecimento das propriedades dos solos através da modelagem computacional. Como fonte amplamente difundida em modelagens ambientais, têm-se os atributos de terreno (p.ex., índice topográfico de umidade) facilmente obtidos a partir de modelos digitais de elevação (DEM) em ambientes SIG. Em relação aos sensores próximos a espectrometria de fluorescência de raios-X portátil (pXRF) tem como vantagens a facilidade, rapidez e a não geração de resíduos em sua operação, além das vantagens de um equipamento portátil. A presente dissertação é dividida em dois capítulos, cujos objetivos são: modelagem e predição espacial dos teores disponíveis dos micronutrientes Fe, Mn, Cu e Zn para as plantas, através de dados de atributos de terreno (TA), dados do pXRF e informação do material de origem (PM), para os horizontes superficiais, subsuperficiais e ambos somados (n = 153), em diferentes combinações e resoluções espaciais, utilizando-se o algoritmo random forest (RF); e modelagem e predição espacial dos teores trocáveis/disponíveis dos macronutrientes P, Ca e K, através dos dados do sensor pXRF somente dos horizontes superficiais (n= 90), utilizando regressão linear simples (LR), regressão polinomial (PR), regressão de potência (PwR), regressão linear múltipla (SMLR) e random forest (RF). A área de estudos é localizada entre as longitudes 501031 e 504192 mE e as latitudes 7651139 e 7653537 mN, fuso 23K, no campus da Universidade Federal de Lavras, com aproximadamente 315 ha. Seus solos têm como materiais de origem gnaisse, gabro e sedimentos aluviais. O clima é Cwa segundo classificação climática de Koppen, com temperaturas médias anuais de 20,4°C e precipitação média anual de 1460 mm. A amostragem foi realizada em um grid regular de 200 m de distância entre locais de coleta. As amostras forma submetidas as análises laboratoriais para determinação dos respectivos nutrientes. Posteriormente, uma porção de cada amostra foi analisada com pXRF modelo S1 Titan LE (Bruker Nano Analytics, Kennewick, WA, USA) no modo Trace durante 60 s em triplicata. Os AT foram gerados com o software SAGA GIS a partir de DEM de 5 e 10 m de resolução. Os dados foram separados em conjuntos de treinamento (70%) e validação (30%), e os modelos foram gerados no software R (RF) e SigmaPlot (LR, PR, PwR e SMLR). Para efeito de análise e comparação entre os modelos foram utilizadas as métricas de coeficiente de determinação (R2), R2 ajustado (R2adj), raiz do erro quadrático médio (RMSE), raiz do erro quadrático médio normalizado (nRMSE) e erro médio (ME) para o primeiro capítulo, e R2, RMSE, erro médio absoluto (MAE) e o desvio residual das predições (RPD) para o segundo. Após a determinação dos melhores modelos, a predição espacial para geração dos mapas de nutrientes disponíveis foi realizada. As variáveis do pXRF quando presentes no modelo, foram espacializadas para toda a área através de interpolação pelo inverso da distância (IDW). Os TA de 10 m foram superiores aos de 5 m para predições. Foi possível obter bons resultados na predição espacial de Fe disponível utilizando somente TA de 10 m (R2 = 0,88; RMSE = 59.97 mg kg-1 e ME = 24.00 mg kg-1) e para os demais com dados pXRF + AT de 10 m + PM (0,85; 29,65 mg kg-1; 9,70 mg kg-1 para Mn, 0,64; 3,11 mg kg-1; 0,71 mg kg-1 para Zn e 0,82; 1,17 mg kg-1; 0.43 mg kg-1 para Cu, respectivamente). Nas predições dos macronutrientes, a abordagem PwR obteve os melhores resultados (R2 = 0,80 e RMSE = 1,63 cmolc dm-3 para o Ca2+ trocável, e 0,53 e 6,92 mg dm-3 para o P disponível). Não foi possível estabelecer correlação entre os teores de K+ disponível e o conteúdo total de K2O fornecido pelo pXRF. Dados de sensores próximos associados a dados de atributos de terreno podem realizar predições de teores trocáveis/disponíveis de nutrientes com elevada acurácia em solos tropicais.