EDXRF e Aprendizado de Máquina para Prever Atributos de Fertilidade do Solo
DOI:
https://doi.org/10.5433/1679-0375.2024.v45.51475Palavras-chave:
atributos de fertilidade do solo, aprendizagem de máquina, PLS, EDXRFResumo
A avaliação da fertilidade do solo é fundamental para práticas agrícolas sustentáveis, muitas vezes contando com métodos laboratoriais convencionais. Esses métodos, embora precisos, são trabalhosos, demorados e requerem reagentes químicos. Sensores espectroscópicos, como fluorescência de raios X dispersiva em energia (EDXRF), oferecem uma alternativa rápida e não destrutiva, mas requerem calibração de modelos de aprendizado de máquina para previsão precisa de atributos de fertilidade. Nesse contexto, este estudo compara o desempenho de quatro algoritmos de aprendizado de máquina — regressão linear múltipla (MLR), regressão de mínimos quadrados parciais (PLS), regressão de máquina de vetores de suporte (SVM) e regressão de floresta aleatória (RF) — na previsão do pH do solo, carbono orgânico (SOC), soma de bases trocáveis ​​(BS) e capacidade de troca catiônica (CEC) usando dados de EDXRF de dois conjuntos de dados de solo. Os resultados indicam que os modelos PLS superaram outros (a hierarquia de precisão foi PLS > MLR > SVM > RF). No geral, enfatizamos os benefícios da integração de PLS com EDXRF, capaz de mitigar o uso de análise de solo tradicional.
Downloads
Referências
Biau, G., & Scornet, E. (2016). A random forest guided tour. TEST, 25(2), 197-227.
da Silva, F. C. (2009). Manual de análises químicas de solos, plantas e fertilizantes. Brasília, DF: Embrapa Informação Tecnológica; Rio de Janeiro: Embrapa Solos.
de Ciência do Solo. Núcleo Regional Sul, S. B. (2004). Manual de adubação e de calagem: para os estados do Rio Grande do Sul e de Santa Catarina. Comissão de Química e Fertilidade do Solo-RS/SC.
de Santana, F. B., de Souza, A. M., & Poppi, R. J. (2018). Visible and near infrared spectroscopy coupled to random forest to quantify some soil quality parameters. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 191, 454-462.
de Santana, F. B., Otani, S. K., de Souza, A. M., & Poppi, R. J. (2021). Comparison of PLS and SVM models for soil organic matter and particle size using vis-NIR spectral libraries. Geoderma Regional, 27, e00436.
Demattê, J. A. M., Dotto, A. C., Bedin, L. G., Sayão, V. M., & Souza, A. B. e. (2019). Soil analytical quality control by traditional and spectroscopy techniques: Constructing the future of a hybrid laboratory for low environmental impact. Geoderma, 337, 111-121.
dos Santos, F. R., de Oliveira, J. F., Barbosa, G. M. C., & Melquiades, F. L. (2021). Comparison between energy dispersive X-ray fluorescence spectral data and elemental data for soil attributes modelling. Spectrochimica Acta Part B: Atomic Spectroscopy, 185, 106303.
dos Santos, F. R., de Oliveira, J. F., Bona, E., Barbosa, G. M. C., & Melquiades, F. L. (2021). Evaluation of pre-processing and variable selection on energy dispersive X-ray fluorescence spectral data with partial least square regression: A case of study for soil organic carbon prediction. Spectrochimica Acta Part B: Atomic Spectroscopy, 175, 106016.
dos Santos, F. R., de Oliveira, J. F., Bona, E., Barbosa, G. M. C., & Melquiades, F. L. (2023). Data fusion of XRF and vis-NIR using p-ComDim to predict some fertility attributes in tropical soils derived from basalt. Microchemical Journal, 191, 108813.
dos Santos, F. R., de Oliveira, J. F., Bona, E., dos Santos, J. V. F., Barboza, G. M. C., & Melquiades, F. L. (2020). EDXRF spectral data combined with PLSR to determine some soil fertility indicators. Microchemical Journal, 152, 104275.
Eitelwein, M. T., Tavares, T. R., Molin, J. P., Trevisan, R. G., de Sousa, R. V., & Demattê, J. A. M. (2022). Predictive Performance of Mobile Vis-NIR Spectroscopy for Mapping Key Fertility Attributes in Tropical Soils through Local Models Using PLS and ANN. Automation, 3(1), 116-131.
Filgueiras, P. R., Terra, L. A., Castro, E. V. R., Oliveira, L. M. S. L., Dias, J. C. M., & Poppi, R. J. (2015). Prediction of the distillation temperatures of crude oils using 1H NMR and support vector regression with estimated confidence intervals. Talanta, 142, 197-205.
Fontenelli, J. V., Adamchuk, V. I., Ferreira, M. M. C., Amaral, L. R., Guimarães, C. C. B., Demattê, J. A. M., & Magalhães, P. S. G. (2021). Evaluating the synergy of three soil spectrometers for improving the prediction and mapping of soil properties in a high anthropic management area: A case of study from Southeast Brazil. Geoderma, 402, 115347.
Garthwaite, P. H. (1994). An Interpretation of Partial Least Squares. Journal of the American Statistical Association, 89(425), 122-127.
Geladi, P., & Kowalski, B. R. (1986). Partial least-squares regression: a tutorial. Analytica Chimica Acta, 185, 1-17.
Jobson, J. D. (1991). Applied Multivariate Data Analysis. Springer New York.
Kennard, R. W., & Stone, L. A. (1969). Computer Aided Design of Experiments. Technometrics, 11(1), 137-148.
Kucheryavskiy, S. (2020). mdatools — R package for chemometrics. Chemometrics and Intelligent Laboratory Systems, 198.
Mateos-Aparicio, G. (2011). Partial Least Squares (PLS) Methods: Origins, Evolution, and Application to Social Sciences. Communications in Statistics - Theory and Methods, 40(13), 2305-2317.
Mauad, M., Grassi Filho, H., Crusciol, C. A. C., & Corrêa, J. C. (2003). Teores de silício no solo e na planta de arroz de terras altas com diferentes doses de adubação silicatada e nitrogenada. Revista Brasileira de Ciência Do Solo, 27(5), 867-873.
Melquiades, F. L., & dos Santos, F. R. (2015). Preliminary Results: Energy Dispersive X-Ray Fluorescence and Partial Least Squares Regression for Organic Matter Determination in Soil. Spectroscopy Letters, 48(4), 286-289.
Morona, F., dos Santos, F. R., Brinatti, A. M., & Melquiades, F. L. (2017). Quick analysis of organic matter in soil by energy-dispersive X-ray fluorescence and multivariate analysis. Applied Radiation and Isotopes, 130, 13-20.
Nawar, S., & Mouazen, A. M. (2018). Optimal sample selection for measurement of soil organic carbon using on-line vis-NIR spectroscopy. Computers and Electronics in Agriculture, 151, 469-477.
Nawar, S., Richard, F., Kassim, A. M., Tekin, Y., & Mouazen, A. M. (2022). Fusion of Gamma-rays and portable X-ray fluorescence spectral data to measure extractable potassium in soils. Soil and Tillage Research, 223, 105472.
Oshunsanya, S. O., Oluwasemire, K. O., & Taiwo, O. J. (2017). Use of GIS to Delineate Site-Specific Management Zone for Precision Agriculture. Communications in Soil Science and Plant Analysis, 48(5), 565-575.
Pavinato, P. S., Pauletti, V., Motta, A. C. V., Moreira, A., & Motta, A. C. V. (2017). Manual de adubação e calagem para o Estado do Paraná. Sociedade Brasileira de Ciência do Solo (SBCS). Núcleo Estadual do Paraná (NEPAR).
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel V. and Thirion, B., Grisel, O., Blondel, M., Prettenhofer P. and Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
Pramod Pawase, P., Madhukar Nalawade, S., Balasaheb Bhanage, G., Ashok Walunj, A., Bhaskar Kadam, P., G Durgude, A., & R Patil, M. (2023). Variable rate fertilizer application technology for nutrient management: A review. International Journal of Agricultural and Biological Engineering, 16(4), 11-19.
Prezotti, L. C., & Guarçoni, A. M. (2013). Guia de interpretação de análise de solo e foliar. Incaper.
R Core Team. (2024). R: A Language and Environment for Statistical Computing. https://www.R-project.org/
Ribeiro, J. V., dos Santos, F. R., de Oliveira, J. F., Barbosa, G. M. C., & Melquiades, F. L. (2024). Optimization of pXRF instrumentation conditions and multivariate modeling in soil fertility attributes determination. Spectrochimica Acta Part B: Atomic Spectroscopy, 211, 106835.
Ronquim, C. C. (2010). Conceitos de fertilidade do solo e manejo adequado para as regiões tropicais.
Sharma, A., Weindorf, D. C., Man, T., Aldabaa, A. A. A., & Chakraborty, S. (2014). Characterizing soils via portable X-ray fluorescence spectrometer: 3. Soil reaction (pH). Geoderma, 232-234, 141-147.
Stevens, A., & Ramirez-Lopez, L. (2024). An introduction to the prospectr package (0.2.7). R package Vignette. https://cran.r-project.org/web/packages/prospectr/index.html
Tavares, T. R., Minasny, B., McBratney, A., Molin, J. P., Marques, G. T., Ragagnin, M. M., dos Santos, F. R., de Carvalho, H. W. P., & Lavres, J. (2025). Do XRF local models have temporal stability for predicting plant-available nutrients in different years? A long-term study showing the effect of soil fertility management in a tropical field. Soil and Tillage Research, 245, 106307.
Tavares, T. R., Molin, J. P., Nunes, L. C., Wei, M. C. F., Krug, F. J., de Carvalho, H. W. P., & Mouazen, A. M. (2021). Multi-Sensor Approach for Tropical Soil Fertility Analysis: Comparison of Individual and Combined Performance of VNIR, XRF, and LIBS Spectroscopies. Agronomy, 11(6), 1028.
Terra, J., Sanches, R. O., Bueno, M. I. M. S., & Melquiades, F. L. (2014). Análise Multielementar de solos: uma proposta envolvendo equipamento portátil de fluorescência de raios X. Semina: Ciências Exatas e Tecnológicas, 35(2), 207.
Van Grieken, R. E., & Markowicz, A. A. (2001). Handbook of X-ray spectrometry (Marcel Dekker, Ed.; 2nd ed., Vol. 29).
Viscarra Rossel, R. A., McGlynn, R. N., & McBratney, A. B. (2006). Determining the composition of mineral-organic mixes using UV-vis-NIR diffuse reflectance spectroscopy. Geoderma, 137(1-2), 70-82.
Zhang, F., & O'Donnell, L. J. (2020). Support vector regression. In Machine Learning (pp. 123-140). Elsevier.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 José Vinícius Ribeiro, Felipe Rodrigues dos Santos, José Vitor de Oliveira Alves, Mariana Spinardi Fossaluza, Igor Marques Nogueira, José Francirlei de Oliveira, Graziela M. C. Barbosa, Marcelo Marques Lopes Müller, Renata Alesandra Borecki, Cristiano Andre Pott, Fábio Luiz Melquiades
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os Direitos Autorais para artigos publicados nesta revista são de direito do autor. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário. Nesses casos, os artigos, depois de adequados, deverão ser submetidos a nova apreciação. As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
Dados de financiamento
-
Conselho Nacional de Desenvolvimento Científico e Tecnológico
Números do Financiamento 306309/2023-8