Espectroscopia Vis-NIR-SWIR combinada com machine learning para predição de cobre e zinco em solos de vinhedos no sul do Brasil
Visualizar/ Abrir
Data
2022-12-30Primeiro coorientador
Bueno, Jean Michel Moura
Primeiro membro da banca
Miguel, Pablo
Segundo membro da banca
Tiecher, Tales
Terceiro membro da banca
Pedron, Fabrício de Araújo
Quarto membro da banca
Schenato, Ricardo Bergamo
Metadata
Mostrar registro completoResumo
A administração cuidadosa e sustentável dos solos dos vinhedos é fundamental para o sucesso das
vinhas. Essas áreas têm-se deparado com elevados teores disponíveis de cobre (Cu) e zinco (Zn)
nos solos, consequência das frequentes aplicações de fungicidas à base desses elementos. Isso pode
resultar em teores elevados no solo, resultando em toxicidade para as plantas, também escoar
superficialmente e chegar aos leitos dos rios, e até mesmo lixiviar e alcançar águas subterrâneas. A
coleta e análise de solo são ferramentas imprescindíveis para determinar o teor de Cu e Zn
disponível no solo. Porém, as análises laboratoriais de rotina são caracterizadas pela destruição das
amostras e geram resíduos químicos, que prejudicam o meio ambiente se não descartados
corretamente. A espectroscopia na região do espectro eletromagnético do visível, infravermelho
próximo e de ondas curtas (Vis-NIR-SWIR) combinada aos métodos de machine learning, tem
apresentado grandes vantagens e importante potencial como técnica para predição dos teores de
argila e carbono orgânico do solo. No meio científico e técnico, há uma demanda por pesquisas
relacionadas a estudos de espectroscopia Vis-NIR-SWIR relacionados a outros atributos do solo,
como o Cu e Zn. Com isso, esta tese explora a técnica de espectroscopia Vis-NIR-SWIR combinada
a métodos de machine learning para desenvolver modelos espectrais de predição para os teores
disponíveis de Cu e Zn em solos de vinhedos. A literatura mostra que a capacidade preditiva dos
modelos está associada às características dos dados espectrais do solo e método de machine learning
empregado na modelagem preditiva. Por isso, é fundamental avaliar as características das curvas
espectrais, pré-processamento e método de machine learning em conjuntos de dados, compostos
por solos com variação nas características físicas, químicas e mineralógicas, a exemplo dos solos
subtropicais do presente estudo. Também existe a necessidade de testar o efeito da estratégia de
estratificação de bancos de dados gerais em conjuntos regionais na calibração de modelos de
predição. No ESTUDO 1, inicialmente, foram coletadas 1482 amostras de solos em diferentes
vinhedos de três regiões produtoras de uvas do estado do Rio Grande do Sul (RS), Brasil: Campos
de Cima da Serra, Serra Gaúcha e Campanha Gaúcha. Essas regiões apresentam diferentes teores
de Cu e Zn no solo. As amostras foram analisadas quimicamente por Mehlich-1 e espectralmente
por Vis-NIR-SWIR. As técnicas de machine learning utilizadas foram Partial Least Square
Regression (PLSR), Cubist (CUB), Support Vector Machine (SVM) e Random Forest (RF). Os
resultados identificaram informações relevantes nas assinaturas espectrais, as quais foram utilizadas
para analisar espectralmente os teores disponíveis de Cu e Zn no solo. Conseguiu-se realizar as
predições destes elementos devido as inferências com propriedades do solo espectralmente ativas.
As maiores acurácias foram obtidas combinando RF com os espectros pré-processados pela técnica
da primeira derivada de Savitzky-Golay. Já para o ESTUDO 2, separou-se o banco de dados total
(n=1482) em subconjuntos regionais com base em características específicas das regiões onde
foram coletadas as amostras de solo. Os modelos espectrais foram calibrados e após realizado a
validação externa. Com essa estratégia foi possível realizar a estimativa indireta dos teores
disponíveis de Cu e Zn, sendo observado maiores acurácias das predições para os modelos
calibrados com subconjuntos regionais.
Coleções
Os arquivos de licença a seguir estão associados a este item: