Avaliação do teor de borracha seca (DRC) em lâminas de coágulos de borracha natural por espectrometria de infravermelho próximo (NIRS): instrumento de bancada versus portátil

Autores

DOI:

https://doi.org/10.5433/1679-0359.2026v47n2p357

Palavras-chave:

Quimiometria, DRC, Coágulo de borracha, Espectrometria NIR, PLS, Variação sazonal.

Resumo

O objetivo deste trabalho foi desenvolver um método rápido e preciso para determinação do teor de borracha seca (DRC) em lâmina de coágulo de borracha, utilizando a espectroscopia no infravermelho, Near Infrared (NIR) Spectroscopy (NIRS), como técnica analítica, em espectrômetros de bancada e portátil. Amostras de coágulos de borracha natural para o NIRS de bancada (n = 936) e NIRS portátil (n = 987) foram coletadas de uma cooperativa processadora de borracha, no período de janeiro de 2024 a julho de 2025, nas condições edafoclimáticas das épocas de seca, de transição e de águas. Foram utilizados três diferentes métodos de coleta: convencional, quadrado e revolvimento. Os coágulos foram processados na forma de lâminas e analisados o DRC. Após, os espectros NIR das amostras foram obtidos utilizando o método transflectância, e a acurácia e a precisão do modelo foram investigadas. Os espectros NIR foram associados aos resultados laboratoriais para construir modelos quimiométricos de calibração pelo método de regressão por mínimos quadrados parciais (PLS). A equação de calibração utilizando o NIRS de bancada apresentou valores dos parâmetros de calibração R2, RMSEC, RMSECV, Slope e Offset de 0,63; 2,04; 2,18; 0,63; 24,5, respectivamente. Por sua vez, o NIRS portátil apresentou parâmetros de calibração 0,51; 2,37; 2,40; 0,51; 32,0, respectivamente para os mesmos coeficientes. Os modelos ajustados foram testados quanto a precisão e exatidão (validação externa) utilizando um conjunto independente de amostras (n = 163) não incluídas na construção dos modelos de calibração e selecionadas aleatoriamente pelo software quimiométrico. Os resultados da validação externa mostraram que os NIRS de bancada e portátil apresentaram habilidades similares na predição do DRC de coágulo de borracha em lâminas, com R2, RMSEP, SEP, r (Pearson) e bias muito próximos. Os valores de R² iguais a 0,68 (NIRS de bancada) e 0,61 (NIRS portátil) e demais métricas (RPD e RER), indicam que os modelos ainda devem ser aplicados com cautela em uso operacional direto. De modo geral, os métodos desenvolvidos tanto para o NIRS de bancada como o portátil apresentam potencial para predizer os valores de DRC em coágulo de borracha em lâminas. Entretanto, antes da aplicação rotineira nas análises, os modelos devem ser aprimorados por meio da inclusão de novas amostras e de recalibrações contínuas. Embora o modelo de bancada tenha a vantagem de ser ligeiramente mais preciso, as análises precisam ser realizadas sob condições laboratoriais. Em contrapartida, o modelo portátil tem a vantagem de ser usado em tempo real e em análise in situ.

Downloads

Não há dados estatísticos.

Biografia do Autor

Regina Kitagawa Grizotto, Agência Paulista de Tecnologia dos Agronegócios

Pesquisadora, Unidade Regional de Desenvolvimento e Pesquisa de Colina, Agência Paulista de Tecnologia dos Agronegócios, APTA, Colina, SP, Brasil.

Adriana Novais Martins , Agência Paulista de Tecnologia dos Agronegócios

Pesquisadora, Unidade Regional de Desenvolvimento e Pesquisa de Marília, APTA, Marília, SP, Brasil.

Gilberto Batista de Souza , Souza GB Consultoria

Pesquisador, Souza GB Consultoria, Londrina, PR, Brasil.

Marli Dias Mascarenhas Oliveira , Instituto de Economia Agrícola

Pesquisadora, Instituto de Economia Agrícola, IEA, São Paulo, SP, Brasil.

Antônio Lucio Mello Martins , Agência Paulista de Tecnologia dos Agronegócios

Pesquisador, Unidade Regional de Pesquisa e Desenvolvimento de Pindorama, APTA, Pindorama, SP, Brasil.

Elaine Cristine Piffer Gonçalves , Agência Paulista de Tecnologia dos Agronegócios

Pesquisadora, Unidade Regional de Desenvolvimento e Pesquisa de Colina, APTA, Colina, SP, Brasil. 

Referências

Abreu, J. G., Kazama, D. C. S., Sauceda, M., Ferreira, E. A., Peixoto, W. M., & Detlefsen, G. (2023a). NIRS estimation of the nutritive value of Urochloa sp. (Syn. Brachiaria sp.) forages. Revista Uniaraguaia, 18(2), 18-28. https://sipe.uniaraguaia.edu.br/...

Abreu, J. G., Kazama, D. C. S., Sauceda, M., Peixoto, W. M., Assis, L. M. B., Baldissarelli, V. Z., Butzge, J. L., Herrera, D. M., & Herrera, D. S. (2023b). NIRS estimation fo the nutritive value of Megathyrsus maximus. (Syn. Panicum sp.) forages. Journal of Experimental Agriculture International, 45(8), 126-137. doi: 10.9734/JEAI/2023/v45i82165

Alomar, D., Gallo, C., Castañeda, M., & Fuchslocher, R. (2003). Chemical and discriminant analysis of bovine meat by near infrared reflectance spectroscopy (NIRS). Meat Science, 63(4), 441-450. doi: 10.1016/S0309-1740(02)00101-8

Alvarenga, T. I. R. C., Hopkins, D. L., Morris, S., McGilchrist, P., & Fowler, S. M. (2021). Intramuscular fat prediction of the semimebranosus muscle in hot lamb carcaces using NIR. Meat Science, 181, 10804, 2021. doi: 10.1016/j.meatsci.2020.108404

Associação Brasileira de Normas Técnicas (2011). ABNT NBR ISO 126: látex de borracha natural: determinação do teor de borracha seca. ABNT.

Bonin, M. N., Silva, S. L., Bünger, L., Ross, D., Feijó, G. L. D., Gomes, R. C., Rennó, F. P., Santana, M. H. A., Rezende, F. M., Ítavo, L. C. V., Novais, F. J., Surita, L. M., Bonin, M. N., Pereira, M. W., & Ferraz, J. B. S. (2020). Predicting the shear value and intramuscular fat in meat from Nellore cattle using Vis-NIR spectroscopy Meat Science, 163, 108077. doi: 10.1016/j.meatsci.2020.108077

Campos, R. L.C., Oliveira, R. H. M., Macedo, M. C. M., & Gomes, R. C. (2024). Predicting the nutritional value of tropical forages by Near Infrared Reflectance Spectroscopy (NIRS). EMBRAPA Gado de Corte. (Boletim de Pesquisa e Desenvolvimento, 56).

Cozzolino, D., & Labandera, M. (2002). Determination of dry matter and crude protein contents of undried forages by near-infrared reflectance spectroscopy. Journal of the Science of Food and Agriculture, 82(4), 380-384. doi: 10.1002/jsfa.1050

Decruyenaere, V., Lecomte, P., Demarquilly, C., Aufrere, J., Dardenne, P., Stilmant, D., & Buldgen, A. (2009). Evaluation of green forage intake and digestibility in ruminants using near infrared reflectance spectroscopy (NIRS): developing a global calibration. Animal Feed Science and Technology, 148(2), 138-156. doi: 10.1016/j.anifeedsci.2008.03.007

Gonçalves, E. C. P., Oliveira, M. D. M., Martins, A. L. M., Martins, A. N., Almeida, L. C., & Grizotto, R. K. (2024a). Análise dos desafios e das oportunidades da produção de borracha natural no Brasil In L. F. da Silva, J. R. S. Oliveira, & F. L. F. de Jesus. (Orgs.), Cultivando o futuro, tendências e desafios nas ciências agrárias (Cap. 1, pp. 1-14). Atena Editora.

Gonçalves, E. C. P., Oliveira, M. D. M., Martins, A. N., Martins, M. A., & Grizotto, R. G. (2024b). A crise da borracha natural: de maior produtor a grande erradicador. Pesquisa & Tecnologia, 21(1), 1-7. https://agricultura.sp.gov.br/apta-regional/revista/2024janeiro-junhoa-crise-da-borracha-natural-de-maior-produtor-a-grande-erradicador

Grizotto, R. K., Martins, A. N., Martins, A. L. M., Oliveira, M. D. M., & Gonçalves, E. C. P. (2024). Espectroscopia na região do infravermelho próximo para avaliação do teor de borracha seca em coágulo de borracha natural. Pesquisa & Tecnologia, 21(1), 1-7. https://agricultura.sp.gov.br/apta-regional/revista/2024janeiro-junhoespectroscopia-na-regiao-do-infravermelho-proximo-para-avaliacao-do-teor-de-borracha-seca-em-coagulo-de-borracha-natural

Grizotto, R. K., Siqueira, G. R., & Resende, F. D. (2019). Uso do NIRS como ferramenta na pecuária de precisão. In A. J. C. Nuñez, A. E. Furtini Neto, D. T. Lima, D. P. Almeida, H. L. B. Nascimento, J. Restle, R. H. Fernandes, & U. O. Biego (Eds.), Anuário de pesquisa pecuária - resultados 2018 -2019.9 (Cap. 1, pp. 81-85). Instituto de Ciência e Tecnologia COMIGO.

Guimarães, I. C. S. B., Silva, T. H., Picchi, C. C., & Fukushima, R. S. (2023). Assessing the repeatability and reliability of NIRS to predict nutritional values and to evaluate two lignin methods in Urochloa spp grasses. Grasses, 2(2), 112-126. doi: 10.3390/grasses2020010

Lobos, I., Moscoso, C. J., & Pavez, P. (2019). Calibration models for the nutritional quality of fresh pastures by near-infrared reflectance spectroscopy. Ciencia e Investigación Agraria, 16(3), 234-242. doi: 10.7764/rcia. v46i3.2020

Maraphum, K., Wanjantuk, P., Hanpinitsak, P., Paisarnsrisomsuk, S., Lim, C. H., & Posom, J. (2022). Fast determination of total solids content (TSC) and dry rubber content (DRC) of para rubber latex using near-infrared spectroscopy. Industrial Crops and Products, 182, 1-9. doi: 10.1016/j.indcrop.2022.115507

Murphy, D. J., O'Brien, B., O'Donovan, M., Condon, T., Claffey, A., & Murphy, M. D. (2019). A preliminary near infrared spectroscopy calibration for the prediction of undried fresh grass quality. Proceeding of the European Conference on Precision Livestock Farming, ECPLF 2019, Cork, Ireland, 9.

Pasquini, C. (2003). Near infrared spectroscopy: fundamentals, practical aspects and analytical applications. Journal of the Brazilian Chemical Society, 14(2), 198-219. doi: 10.1590/S0103-50532003000200006

Pasquini, C. (2018). Near infrared spectroscopy: a mature analytical technique with new perspectives – a review. Analytica Chemica Acta, 1026, 8-36. doi: 10.1016/j.aca.2018.04.004

Puttipipatkajorn, A., & Puttipipatkajorn, A. (2020). Development of calibration models for rapid determination of moisture content in rubber sheets using portable near-infrared spectrometers. Journal of Innovative Optical Health Sciences, 13(2), 2050009. doi: 10.1142/S1793545820500091

Rambo, M. K. D., Ferreira, M. M. C., Melo, P. M., Santana, C. C., Jr., Bertuol, D. A., & Rambo, M. C. D. (2020). Prediction of quality parameters of food residues using NIR spectroscopy and PLS models based on proximate analysis. Food Science and Technology, 40(2), 444-450. doi: 10.1590/fst.02119

Serafim, C. C., Guerra, G. L., Mizubuti, I. Y., Castro, F. A. B., Prado-Calixto, O. P., Galbeiro, S., Parra, A. R. O., Bumbieris, V. H., Jr., Pértile, S. F. N., & Rego, F. C. A. (2020). Use of near-infrared spectroscopy for prediction of chemical composition of Tifton 85 grass. Semina: Ciências Agrarias, 42(3), 1287-1302. doi: 10.5433/1679-0359.2021v42n3p1287

Siano, D., Puttipipatkajorn, D. A., Puttipipatkajorn, A., Noypitak, S., & Terdwongworakul. A. (2022). Application of near infrared spectroscopy for quality evaluation in Para rubber industry. IOP Conference Series: Materials Science and Engineering, 1234(1), 12037. doi: 10.1088/1757-899X/1234/1/012037

Suchat, S., Theanjumpol, P., & Karrila, S. (2015). Rapid moisture determination for cub lump natural rubber by near infrared spectroscopy. Industrial Crops and Products, 76, 772-780. doi: 10.1016/j.indcrop.2015.07.070

Trópia, N. V., Silva, F. A. S., Andrade, D. R., Matos, E. M. A., Cidrini, F. A. A., Borges, K. M., Ebani, F. Y. C., Roque, J. V., Zanetti, D., & Valadares, S. C., Fº. (2023). Development and validation of regression models from NIR spectra to predict the composition of sugarcane, soybean meal, and cornmeal. Semina: Ciências Agrarias, 42(44), 859-880. doi: 10.5433/1679-0359.2023v44n2p859

Williams, P., & Sobering, D. (1996). How do we do it: a brief summary of the methods we use in developing near infrared calibrations. In A. M. C. Davies, & P. L. Williams (Eds.). Near Infrared spectroscopy: the future waves (pp. 185-188). NIR Publications.

Downloads

Publicado

2026-08-19

Como Citar

Grizotto, R. K., Martins , A. N., Souza , G. B. de, Oliveira , M. D. M., Martins , A. L. M., & Gonçalves , E. C. P. (2026). Avaliação do teor de borracha seca (DRC) em lâminas de coágulos de borracha natural por espectrometria de infravermelho próximo (NIRS): instrumento de bancada versus portátil. Semina: Ciências Agrárias, 47(2), 357–380. https://doi.org/10.5433/1679-0359.2026v47n2p357

Edição

Seção

Artigos