Avaliação da consistência em vários espectrômetros NeoSpectra (infravermelho próximo à transformação de Fourier compacta) para estimar propriedades comuns do solo

Resumo:

Técnicas rápidas e econômicas para análise do solo são essenciais para orientar o manejo sustentável da terra e a agricultura de produção. Este estudo teve como objetivo avaliar o desempenho e a consistência dos espectrômetros portáteis de infravermelho próximo com transformada de Fourier e dos scanners NeoSpectra na estimativa de 12 propriedades físicas e químicas comuns do solo, incluindo pH; carbono orgânico (OC); carbono inorgânico (IC); nitrogênio total (TN); capacidade de troca catiônica (CEC); frações de argila, silte e areia; e potássio trocável (K), fósforo (P), cálcio (Ca) e magnésio (Mg). Um conjunto diversificado de amostras (n = 600) foi recuperado de um arquivo de solo em escala nacional do Kellogg Soil Survey Laboratory do USDA-NRCS e escaneado com cinco scanners NeoSpectra. Modelos preditivos para as propriedades do solo foram desenvolvidos usando regressão de mínimos quadrados parciais (PLSR), cubista e aprendizado baseado em memória (MBL). O Cubist superou o PLSR e o MBL, com o melhor desempenho de predição para argila, OC e CEC (R2 > 0,7), seguido por IC, areia, silte e Mg (R2 > 0,6) e, em seguida, pH, TN e Ca (R2 > 0,5). K e P foram previstos um pouco mal com R2 de 0,48 e 0,22. Todos os cinco NeoSpectra produziram dados espectrais comparáveis no infravermelho próximo (NIR) e os modelos PLSR para as propriedades do solo (em termos de coeficientes de regressão do modelo). No entanto, a avaliação da consistência mostrou que o desempenho do modelo diminuiu significativamente quando os espectros de treinamento e teste eram de diferentes scanners NeoSpectra. Conclui-se que os scanners NeoSpectra podem ser rápidos e econômicos para estimar certas propriedades do solo, e a transferência de calibração deve ser considerada para aplicações em que vários dispositivos estão envolvidos e é necessária uma alta precisão de estimativa a partir de dados NIR.