UNIVERSIDADE FEDERAL DE MATO GROSSO
FACULDADE DE AGRONOMIA E MEDICINA VETERINÁRIA
Programa de Pós-Graduação em Agricultura Tropical
AVALIAÇÃO DAS CURVAS ESPECTRAIS DE DOIS
SOLOS EM FUNÇÃO DA VARIAÇÃO DE ATRIBUTOS
FÍSICOS E QUÍMICOS NA REGIÃO DE JACIARA-MT
KEROLLEN LANGNER DA SILVA
CUIABÁ – MT
2013
UNIVERSIDADE FEDERAL DE MATO GROSSO
FACULDADE DE AGRONOMIA E MEDICINA VETERINÁRIA
Programa de Pós-Graduação em Agricultura Tropical
AVALIAÇÃO DAS CURVAS ESPECTRAIS DE DOIS
SOLOS EM FUNÇÃO DA VARIAÇÃO DE ATRIBUTOS
FÍSICOS E QUÍMICOS NA REGIÃO DE JACIARA-MT
KEROLLEN LANGNER DA SILVA
Engenheira Agrônomo
Orientador: Prof. Dr. EDUARDO GUIMARÃES COUTO
Coorientador: Prof. Dr. RICARDO SANTOS SILVA AMORIM
Dissertação apresentada à Faculdade de
Agronomia e Medicina Veterinária da
Universidade Federal de Mato Grosso,
para obtenção do título de Mestre em
Agricultura Tropical.
CUIABÁ – MT
2013
FICHA CATALOGRÁFICA
S586a Silva, Kerollen Langner da. Avaliação das curvas espectrais de dois solos em função da variação de
atributos físicos e químicos na região de Jaciara-MT / Kerollen Langner da
Silva. – 2013.
41 f. : il, color.
Orientador: Prof. Dr. Eduardo Guimarães Couto. Co-orientador: Prof. Dr. Ricardo Santos Silva Amorim.
Dissertação (mestrado) – Universidade Federal de Mato Grosso, Faculdade
de Agronomia e Medicina Veterinária, Pós-Graduação em Agricultura Tropical, 2013.
Bibliografia: f. 37-41.
1. Solo – Curvas espectrais – Avaliação. 2. Solo – Atributos físicos. 3. Solo –
Atributos químicos. 4. Solo – Sensoriamento espectral. I. Título.
CDU – 631.412
Ficha elaborada por: Rosângela Aparecida Vicente Söhn – CRB-1/931
UNIVERSIDADE FEDERAL DE MATO GROSSO
FACULDADE DE AGRONOMIA E MEDICINA VETERINÁRIA
Programa de Pós-Graduação em Agricultura Tropical
CERTIFICADO DE APROVAÇÃO
TÍTULO:
AVALIAÇÃO DAS CURVAS ESPECTRAIS DE DOIS SOLOS EM FUNÇÃO
DA VARIAÇÃO DE ATRIBUTOS FÍSICOS E QUÍMICOS NA REGIÃO DE
JACIARA-MT.
Autora:Kerollen Langner da Silva
Orientador: Prof. Dr. Eduardo Guimarães Couto
Coorientador: Prof. Dr. Ricardo Santos Silva Amorim
Aprovada em 13 de março de 2013.
Cuiabá, 15 de maio de 2013.
Dedico
A Deus,
que rege todo o universo.
Aos meus pais José Roberto e Beatriz,
pessoas íntegras e verdadeiros
exemplos de caráter, a quem devo
minha vida, minha formação moral
e minhas conquistas.
Ao meu noivo Arthur,
companheiro para toda a vida,
sem o qual este caminho seria bem
mais difícil.
AGRADECIMENTOS
A Deus, nosso pai, que me acompanhou em todas as minhas escolhas e
agora me guia pelo caminho pelo qual eu sigo;
À minha família, pelo apoio e amor incondicional;
Ao meu noivo Arthur, por sua paciência, amor, carinho e apoio em todos as
fases desta caminhada;
Ao Programa de Pós-Graduação em Agricultura Tropical, que me acolheu
como aluna e me concedeu diversas oportunidades de aprendizado;
Ao Professor Dr. Eduardo Guimarães Couto, por partilhar seus
conhecimentos e orientação nesta dissertação;
Ao Professor Dr. Ricardo Santos Silva Amorim, por sua orientação e
ensinamentos de pesquisa;
À Suzana Souza dos Santos, secretária do PELD, pela ajuda em todos os
momentos;
Aos meus colegas do PPGAT, em especial aos colegas Norka Albernaz e
Valdeir Soares, por estarem juntos em todos os momentos de trabalho
neste projeto;
A todos os estagiários que nos ajudaram nas análises de solo e nos
trabalhos em campo; e
A todos os professores do PPGAT /UFMT, pelos conhecimentos e
ensinamentos passados.
SUMÁRIO
RESUMO: ................................................................................................................. 6
ABSTRACT: ............................................................................................................. 7
1. INTRODUÇÃO ............................................................................................... 8
2. REVISÃO DE LITERATURA .......................................................................... 9
2.1 A técnica da Espectrofotometria de reflectância para avaliar a
radiação eletromagnética do solo .......................................................................... 9
2.2 Espectroscopia na predição de atributos do solo .................................. 13
2.2.1 Sensoriamento espectral de solos ..................................................... 13
2.2.2 Predição da textura por meio da espectroscopia ............................... 14
2.2.3 Espectroscopia e umidade do solo .................................................... 15
3. MATERIAL E MÉTODOS ............................................................................. 16
3.1 Área experimental ................................................................................. 16
3.2 Amostragem e caracterização das amostras do solo ............................ 16
3.3 Avaliação Espectral da Áreas Estudadas .............................................. 17
3.4 Tratamento dos dados e análise estatística .......................................... 18
4. RESULTADOS E DISCUSSÃO.................................................................... 19
4.1 Análise descritiva das variáveis analisadas ........................................... 19
4.2 Boxplot e análise de simetria dos dados ............................................... 21
4.3 Curvas Espectrais dos solos ................................................................. 27
5. CONCLUSÕES ............................................................................................ 36
6. REFERÊNCIAS BIBLIOGRÁFICAS ............................................................. 37
Avaliação das curvas espectrais de dois solos em função da variação
de atributos físicos e químicos na região de Jaciara-MT.
RESUMO: A espectroscopia, como ferramenta na caracterização da
variabilidade do solo e na predição de seus componentes, tem sido cada vez
mais utilizada na agricultura de precisão. Uma nova linha de sensores com
base na técnica da espectroscopia do infravermelho próximo (NIR) e visível
(VIS) vem sendo utilizada para caracterizar a variabilidade do solo.
Objetivou-se com este trabalho avaliar as curvas espectrais obtidas pela
utilização de um sensor em dois solos, em função da variação de atributos
físicos e químicos, usando um sensor de espectrofotometria VIS-NIR,
denominado Veris Spectophotometer. Foi feita coleta de amostras de solos
em duas áreas, uma de textura arenosa e uma de textura muito argilosa. Em
seguida, foi feita a determinação do teor de argila, umidade, fósforo, potássio
e da matéria orgânica. Com o uso de sensor, foram feitas leituras espectrais
em campo e em bancada com solo seco, com posterior elaboração de
curvas espectrais. Em solo arenoso, o aumento no teor de argila e da
umidade resultou no aumento da absorbância. A absorbância diminuiu com
o aumento do teor de fósforo, tanto em leituras de campo como de bancada.
Com o aumento de potássio, a absorbância diminuiu nas leituras de campo e
aumentou nas leituras de bancada. Além disso, a absorbância aumentou
com o incremento do teor de matéria orgânica nas leituras de bancada e
com o aumento da umidade do solo, na leitura de campo. No solo argiloso,
observou-se diminuição da absorbância com aumento do teor de matéria
orgânica e da umidade do solo, nas leituras de campo.
Palavras-chave: sensor espectral, espectrofotometria, análise de solo.
Spectral curves evaluation of two soils due physical and chemical
attributes variation at the region of Jaciara-MT
ABSTRACT: Spectroscopy as a tool in the characterization of soil variability
and prediction of its components, has been used increasingly in precision
agriculture. New sensors based on the technique of visible and near infrared
spectroscopy has been used to characterize soil variability. This paper
aimed to evaluate spectral curves obtained by a sensor used in two soils,
due to the variation of physical and chemical attributes, using a
spectrophotometer sensor VIS-NIR, called Veris Spectophotometer. Samples
of soil was collected in two areas with sandy texture and clayey texture.
Then it was determined the moisture, phosphorus, potassium, clay and
organic matter content. With the use of sensor, spectral readings were taken
in field and on bench, with subsequent elaboration of spectral curves. In
sandy soil, the increase in clay content and moisture resulted in an increase
of absorbance. Absorbance has decreased with phosphorus content
increasing, both in field and bench readings. With potassium increasing,
absorbance decreased in field readings and increased in bench readings.
Besides, absorbance has increased with the organic matter content
increasing, in bench readings, and with soil moisture increasing, in field
readings. In clay soil, it was observed a decrease in absorbance with organic
matter content increasing and soil moisture increasing, in field readings.
Keywords: spectral sensor, spectrophotometry, soil analysis.
1. INTRODUÇÃO
O uso adequado do solo influencia diretamente na quantidade e
qualidade da produção agrícola, e sem uma análise das suas características,
não é possível aproveitar todo o seu potencial produtivo. Pensando nisso, a
adoção da agricultura de precisão tem como um dos seus objetivos o uso
eficiente de seus insumos, e para que isso seja possível é necessário que se
faça a caracterização da variabilidade do solo.
Essa variabilidade pode ser avaliada por meio de vários métodos,
entre eles, a espectroscopia, técnica de sensoriamento remoto que registra o
fluxo de radiação eletromagnética refletida pelo solo. A espectroscopia
consiste de um instrumento equipado com sensores que permitem avaliar
alguns atributos do solo importantes para as práticas de seu manejo, como a
subsolagem do solo, a necessidade de calcário, a adubação do solo. Esses
sensores têm maior cobertura espacial quando comparados com as técnicas
convencionais.
A disponibilidade de sensores que possibilitem o levantamento da
variabilidade espacial dos atributos do solo in situ de maneira precisa vem
crescendo, sugerindo uma nova realidade em programas de agricultura de
precisão. O uso desses sensores possibilita reduzir os custos com
amostragem do solo, pois aumenta a densidade de pontos de informações, o
que melhora a qualidade dos mapas de atributos do solo usados para
recomendação de aplicação de insumos no solo.
Uma nova linha de sensores com base na técnica da espectroscopia
do infravermelho próximo (NIR) e visível (VIS) vem sendo utilizada para
caracterizar a variabilidade do solo. Para que isso ocorra, é importante
correlacionar os atributos químicos e físicos com as respostas dos sensores
de campo.
Assim, objetivou-se com este trabalho avaliar as curvas espectrais
obtidas pela utilização de um sensor em dois solos, em função da variação
de atributos físicos e químicos.
2. REVISÃO DE LITERATURA
2.1 A técnica da Espectrofotometria de reflectância para avaliar a
radiação eletromagnética do solo
A espectrorradiometria de reflectância é uma técnica de
sensoriamento que registra o fluxo de radiação eletromagnética refletida por
objetos, no caso, o solo (DALMOLIN et al., 2005). A maioria dos estudos que
relacionam e quantificam os atributos do solo com dados espectrais
considera a faixa de comprimento de onda entre 300 nm e 2500 nm como
referência (BARNES et al., 2003).
Novas tecnologias têm sido utilizadas na agricultura de precisão
envolvendo a espectroscopia como ferramenta na caracterização da
variabilidade do solo e na predição de seus componentes. As respostas
espectrais, principalmente nas faixas de comprimento de onda do visível
(VIS) e do infravermelho próximo (NIR), têm se mostrado eficientes no
prognóstico de diferentes componentes do solo (HE et al., 2005; DALMOLIN
et al., 2005; MUNÕZ e KRAVCHENKO, 2011).
Medidas espectrais com NIR e VIS permitem obter resultados
promissores para estimar alguns atributos do solo como pH, teores de
matéria orgânica, carbono, fósforo, potássio, cálcio e magnésio (CHRISTY,
2008), de modo a determinar rápida e precisamente sua fertilidade
(VISCARRA ROSSEL et al., 2010).
Buscando avaliar a eficiência da resposta espectral, He et al. (2005)
testaram um espectrômetro de laboratório na predição de nitrogênio e de
matéria orgânica e obtiveram coeficientes de regressão e erro padrão do
nitrogênio e da matéria orgânica de 0,92 e 0,93 e 3,28 e 0,06,
respectivamente, verificando o potencial do uso da espectroscopia no
diagnóstico de nutrientes do solo.
Desenvolvimentos recentes de sensores terrestres fornecem novos
métodos para o mapeamento de algumas propriedades do solo, atribuindo
uma relação mais precisa entre os dados do sensor e tais propriedades,
10
produzindo mapas com maior acurácia (BARNES et al., 2003),
principalmente por ter maior cobertura espacial (CHRISTY, 2008).
Os espectrômetros são capazes de medir a reflectância do solo,
podendo esta reflectância ser usada na construção de curvas espectrais.
Essas curvas espectrais, que abrangem a região do espectro
eletromagnético de 400 a 2500 nm, por isso chamado de espectro óptico,
apresentam feições típicas ou bandas de absorção, devido à interação entre
átomos ou moléculas dos diferentes constituintes do solo e a radiação
eletromagnética em comprimentos de ondas específicos (DALMOLIN et al.,
2005). Segundo Christy (2008), a absorção predominante na faixa NIR são
os grupos funcionais C–H, N–H e O–H, sendo ideal para a quantificação de
carbono, nitrogênio e água, respectivamente.
Diante disso, o valor potencial de informações agronômicas e
econômicas é previsto com a utilização de sensores para avaliar a
variabilidade espacial do solo no campo para a agricultura de precisão
(ADAMCHUK et al., 2004).
Nos últimos anos, o desenvolvimento de tecnologias com
equipamentos de detecção em conjunto com o uso de computadores
eficientes e métodos estatísticos avançados multiplicaram as pesquisas com
dados espectrais (DELWICHE e REEVES, 2010). As predições dos atributos
dos solos com utilização da técnica de espectroscopia podem ser afetadas
pela escolha de metodologia e procedimento estatístico para utilização na
calibração (VASQUEZ et al., 2008).
Viscarra Rossel et al. (2006) fizeram um levantamento de estudos
utilizando respostas espectrais, Tabela 1, e constataram que diversos
autores têm trabalhado com diferentes técnicas estatísticas em estudos de
previsões de atributos químicos e físicos do solo.
11
Tabela 1.Comparação das previsões quantitativas de alguns atributos do
solo, usando técnicas estatísticas multivariadas e resposta espectral nas
regiões do ultravioleta (UV), visível (VIS), infravermelho próximo (NIR) e
infravermelho médio (MIR) do espectro eletromagnético. [Adaptado de
Viscarra Rossel et al., (2006)].
Atributo do solo Região
Espectral Intervalo
Espectral (nm) Método
Multivariada R² Autores
K; g/kg VIS–NIR 400–2500 modified PLSR 0,72 Cozzolino and Moron
(2003)
K; mmol(+)/kg UV–VIS–NIR 250–2500 PCR 0 Islam et al. (2003)
K (exch.); mg/kg MIR 2500-5600 PLSR 0,33 Janik et al. (1998)
K (avail.); mg/kg VIS–NIR 400–1100 NN 0,8 Daniel et al. (2003)
K (exch.); cmol/kg VIS–NIR 400–2498 PCR 0,55 Chang et al. (2001)
P (avail.); mg/kg MIR 2500-5600 PLSR 0,07 Janik et al. (1998)
P (avail.); mg/kg VIS–NIR 400–1100 NN 0,81 Daniel et al. (2003)
Argila; % MIR 2500-5600 PLSR 0,87 Janik and Skjemstad
(1995)
Argila; % MIR 2500-5600 PLSR 0,79 Janik et al. (1998)
Argila; % NIR 1000–2500 MRA (63 bands) 0,56 Ben-Dor and Banin (1995)
Argila; % NIR 700–2500 PCR 0,75 Islam et al. (2003)
Argila; % VIS–NIR 400–2498 PCR 0,67 Chang et al. (2001)
Argila; g/kg VIS–NIR 350–2500 MARS 0,78 Shepherd and Walsh
(2002)
Argila; % VIS–NIR 400–2500 modified PLSR 0,86 Cozzolino and Moron
(2003)
Argila; % UV-VIS–NIR 250–2450 PCR Walvoort and McBratney
(2001)
Argila; % UV-VIS–NIR 250–2500 PLSR 0,72 Islam et al. (2003)
Areia; % MIR 2500-5600 PLSR 0,94 Janik et al. (1998)
Areia; % VIS–NIR 400–2498 PCR 0,82 Chang et al. (2001)
Areia; % VIS–NIR 400–2500 modified PLSR 0,7 Cozzolino and Moron
(2003)
Areia; g/kg VIS–NIR 350–2500 MARS 0,76 Shepherd and Walsh
(2002)
Areia; % UV–VIS–NIR 250–2500 PCR 0,53 Islam et al. (2003)
Silte; % MIR 2500-5600 PLSR 0,84 Janik et al. (1998)
Silte; % VIS–NIR 400–2498 PCR 0,84 Chang et al. (2001)
Silte; % VIS–NIR 400–2500 modified PLSR 0,8 Cozzolino and Moron
(2003)
Silte; g/kg VIS–NIR 350–2500 MARS 0,67 Shepherd and Walsh
(2002)
Silte; % UV–VIS–NIR 250–2500 PCR 0,05 Islam et al. (2003)
PCR: Regressão dos componentes principais; PLSR: Regressão dos mínimos quadrados parciais; MRA: Análise de regressão múltipla; SMLR: Regressão múltipla linear stepwise. MARS: multivariate adaptive regression splines.
Segundo Delwiche e Reeves (2010), na análise de regressão
multivariada de informações espectrais, o pré-processamento dos dados é
12
frequentemente utilizado para reduzir os dados indesejados, mas equações
de calibração mal adaptadas podem ser aceitas para as amostras não
utilizadas na elaboração das equações. Nesse estudo foi desenvolvido um
método gráfico para analisar o efeito da regressão de quadrados mínimos
parciais sobre a calibração do espectro de reflexão do infravermelho
próximo.
Na viabilização da aplicação do uso das bandas do visível e do
infravermelho, He et al. (2005) investigaram o conteúdo de nitrogênio e de
matéria orgânica pelas técnicas de multivariada e observaram resultados
satisfatórios para a confecção de mapas das variáveis estudadas,
principalmente se combinada com sistemas de informações de localização
geográfica.
Vasquez et al. (2008) buscaram estimar o teor de carbono, na faixa
de 350 a 2500 nm, usando 554 amostras de solo, sendo 400 amostras para
calibração e 154 para validação, coletadas na profundidade de 0 a 180 cm,
comparando cinco técnicas estatísticas de regressão e trinta técnicas de pré-
processamento de dados, com o objetivo de definir o melhor procedimento
estatístico para estimar o carbono no solo. O coeficiente de determinação
(R2), a raiz quadrada do erro médio (RMSE) e o desvio de previsão residual
(RPD) foram utilizados pelos autores para definir o melhor modelo.
Considerando os resultados das análises multivariadas, a regressão de
quadrados mínimos parciais teve o melhor desempenho. O RPD dos
modelos mais precisos foi maior que 2,5, sugerindo que esses modelos
podem ser aplicados em solos semelhantes.
2.2 Espectroscopia na predição de atributos do solo
2.2.1 Sensoriamento espectral de solos
Para determinar as características físicas, químicas e mineralógicas
do solo, são comumente usadas técnicas de análise convencionais, que
podem ser complexas, demoradas e pouco representativas (CHANG et al.,
2001), uma vez que um pequeno número de amostras é usado para
representar uma grande área territorial.
Em consequência, aumentou-se a busca por técnicas de obtenção
de dados que sejam rápidas e prognósticas (FERNANDES et al., 2010),
capazes de caracterizar melhor os tipos de solos (BELLINASO et al., 2010).
Por essa razão, técnicas que usam sensores na avaliação das
características do solo têm sido consideradas uma alternativa complementar
nas análises químicas e físicas do solo (FERNANDES et al., 2010).
Várias frentes de pesquisa têm surgido com diferentes pontos de
vista para tratar a agricultura de precisão, principalmente técnicas que
permitem avaliar química e fisicamente o solo, com maior rapidez, menos
onerosas e com menor risco ambiental (DEMATTÊ et al., 2003; SANTOS et
al., 2010). Diante disso, a agricultura de precisão tem explorado a resposta
das culturas como função da variabilidade espacial das características
físicas e químicas do solo (DEMATTÊ et al., 2000).
A quantidade de fluxo radiante refletido é função do comprimento de
onda incidente, do tipo e da quantidade de constituintes orgânicos e
minerais, da forma e da densidade dos minerais, do grau de compactação
mineral e da quantidade de umidade presente no solo (FREIXO et al., 2002;
DEMATTÊ et al., 2003; DALMOLIN et al., 2005; MOUAZEN et al., 2006;
DIAS et al., 2009). Portanto, a absorção de energia pelo solo ocorre em
função dos materiais que o compõem, que refletem a energia de forma
diferente e em diferentes comprimentos de onda. Dessa forma, alguns
sensores podem captar a resposta espectral do solo em diferentes bandas,
tornando possível predizer os vários atributos do solo (SHEPHERD e
14
WALSH, 2002).
A faixa espectral entre 0,4 µm e 2,5 µm, compreendendo os
comprimentos de onda desde o Visível (VIS) até o Infravermelho Médio
(MIR), é atualmente a mais utilizada em sensoriamento de solo. Viscarra
Rossel et al. (2006) mostraram isso em levantamento bibliográfico sobre
diferentes trabalhos, usando a espectroscopia na estimativa de atributos do
solo (Tabela 1).
2.2.2 Predição da textura por meio da espectroscopia
A textura é um dos componentes físicos do solo que apresentam alta
estabilidade, é dependente do material originário e dos agentes naturais de
formação do solo, sendo pouco alterada pela produção agrícola ou outras
práticas de manejo do solo (VIEIRA et al., 2007).
Em um estudo com três tipos de solos, um solo orgânico, outro com
alto teor de argila e outro com alto teor de areia, Stenberg et al. (2010)
encontraram maior absorbância nas faixas 1600 a 1800 nm para o solo
orgânico e de 2000 a 2300 nm para o solo argiloso, tendo sido o solo com
alto teor de areia o que apresentou os mais baixos valores de absorbância
em toda a faixa espectral.
Bricklemyer e Brown (2010) verificaram o potencial de mapeamento
da textura em solos de clima temperado com variação do conteúdo de argila
entre 55 and 483 g kg−1 utilizando técnicas de espectroscopia nas bandas do
NIR e do VIS. Os autores concluíram pela necessidade de calibração do
sensor para melhorar a predição do teor da argila, uma vez que outros
fatores podem influenciar na resposta espectral.
Avaliando a capacidade de predição da espectroscopia de
reflectância no infravermelho próximo (NIR), Chang et al. (2001)
encontraram valores de R² para os modelos de predição de argila, silte e
areia de 0,67; 0,84 e 0,82, respectivamente.
O aprimoramento dos dados espectrais na caracterização do
15
conteúdo de argila no solo, segundo concluíram Sankey et al. (2008), vai
depender da otimização das calibrações de dados globais e locais. Isso
possibilita extrapolar medidas de uma área para outros locais não
amostrados.
2.2.3 Espectroscopia e umidade do solo
A variabilidade espacial do teor de água no solo é consequência do
manejo adotado e das próprias características de origem dos solos (GREGO
e VIEIRA, 2005) entre as quais, variações na sua textura e estrutura e
topografia e posição no relevo (LIN et al., 2006).
Vieira et al. (2010) analisaram a variabilidade espacial do teor de
água do solo, ao longo do tempo, em duas condições distintas de uso -
Cerrado e solo sob cultivos anuais. Os autores verificaram que o manejo e a
cobertura do solo afetam a dependência espacial e quanto maior o teor de
água menor a dependência espacial. O espaçamento entre as amostragens
de 1 m foi insuficiente para caracterizar a umidade em solos sob cultivo
anual. Santos et al. (2012), após as análises exploratória e geoestatística da
variabilidade espacial de atributos físicos de um Latossolo Vermelho
distroférrico típico após a colheita da soja, verificaram que a umidade do solo
teve dependência espacial moderada.
Os métodos de medidas da umidade do solo, geralmente ocorrem
em profundidades preestabelecida ao invés de diretamente sobre a
superfície do solo. A espectroscopia de reflectância difusa fornece uma
maneira de analisar a umidade do solo considerando a sua superfície.
Medidas diretas do teor de água na superfície do solo podem melhorar a
compreensão e a precisão de modelagem de processos da dinâmica da
água de superfície (ZHU et al., 2010).
Zhu et al. (2010) verificaram que aumento do teor de água no solo
diminui sua reflectância, tendo concluído ainda que dados espectrais da
umidade do solo e sua modelagem com base em algumas de suas
16
propriedades, como textura ou cor, são capazes de predizer com precisão
sua umidade superficial a partir das medidas de reflectância.
Utilizando a faixa do infravermelho médio, Trander et al. (2008)
verificaram que na correlação com a estrutura do solo os resultados não
foram satisfatórios, mas quando relacionaram a retenção de água com o
tamanho da partícula e carbono orgânico essa tecnologia se mostrou
promissora.
Objetivou-se com este trabalho avaliar as curvas espectrais obtidas
pela utilização de um sensor em duas áreas em função da variação de
atributos físicos e químicos.
3. MATERIAL E MÉTODOS
3.1 Área experimental
O experimento foi conduzido em duas áreas, de diferentes classes
texturais, cultivadas com cana-de-açúcar, de aproximadamente 20 ha cada,
pertencente a uma usina de produção de açúcar e álcool, localizada no
município de Jaciara, estado de Mato Grosso. O clima da região é do tipo
tropical quente e subúmido, segundo a classificação de Köppen, com
temperatura média anual em torno de 22 ºC e precipitação média anual de
2.200 mm.
3.2 Amostragem e caracterização das amostras do solo
As coletas das amostras do solo foram feitas na profundidade de 0 a
20 cm numa malha amostral de 50 m x 50 m. Os pontos de amostragem do
solo foram georreferenciados em UTM, por meio de um aparelho receptor de
17
Sistema de Posicionamento Global (GPS). A digitalização dos pontos
amostrais foi feita no software ArcGis, que permitiu que se construísse uma
base digital da área estudada.
As análises físicas e químicas dos atributos do solo seguiram a
metodologia da Embrapa (1997), e a análise granulométrica foi feita pelo
método da pipeta (teores de argila, areia e silte). A determinação dos teores
de fósforo e potássio foi feita pelo Extrator de Mehlich-1, e a matéria
orgânica, pelo método Walkley Black.
3.3 Avaliação Espectral da Áreas Estudadas
As respostas espectrais das áreas estudadas foram medidas nas
faixas de comprimento de onda do Visível (VIS), Infravermelho Próximo
(NIR), pelo sensor de caminhamento contínuo, denominado Veris
Espectrophotometer VIS-NIR. Esse espectrofotômetro é equipado com
sensor óptico capaz de coletar a resposta espectral do solo em função dos
seus componentes, além de medir a condutividade elétrica em superfície e
em profundidade.
As bandas espectrais abrangidas pelo sensor variam entre 342,86 e
2223 nm, com intervalo entre elas de 6,03 nm, resultando em 384 bandas
espectrais. A velocidade média de passada foi de 8,0 km/h, seguindo a linha
de plantio utilizando espaçamento de 12,5 metros. Os dados coletados são
apresentados em valores de absorbância para cada ponto e cada banda
espectral.
Em laboratório, utilizando as amostras coletadas em campo após
secagem, foi realizada a leitura resposta espectral do solo em bancada,
usando o mesmo aparelho usado em campo, Veris Espectrophotometer VIS-
NIR.
18
3.4 Tratamento dos dados e análise estatística
Com base nos pontos amostrais georreferenciados das áreas e nos
resultados espectrais, foram determinadas as respostas espectrais medidas
no campo, correspondentes aos pontos de amostragem, usando o software
ArcGis.
Após a seleção das respostas espectrais correspondentes a cada
amostra coletada, foi feito o pré-tratamento dos dados para retirada de
outliers.
Os dados passaram por análise descritiva (média, mediana, moda,
máximo, mínimo, variância, desvio padrão, coeficiente de variação,
coeficiente de assimetria e de curtose) para argila, umidade, matéria
orgânica, fósforo, potássio, condutividade elétrica e absorbância.
Os resultados das amostras analisadas foram divididos em três
classes (baixo, médio e alto) para cada atributo do solo, no intuito de
estratificar os valores dos atributos estudados.
Foram feitos gráficos boxpot para cada variável em relação aos
valores de absorbância encontrados pelo sensor e gráficos de dispersão,
relacionando a variação da absorbância ao longo dos comprimentos de onda
para os três níveis de cada atributo avaliado.
Todas as análises estatísticas foram feitas usando o software
estatístico SPSS (Statistical Package for the Social Sciences) versão 17.
4. RESULTADOS E DISCUSSÃO
4.1 Análise descritiva das variáveis analisadas
As áreas usadas no experimento apresentaram textura arenosa,
Solo 1, e textura muito argilosa (Solo 2). A Tabela 2 mostra os dados das
análises descritivas das variáveis avaliadas para ambas as áreas.
TABELA 2.Análise descritiva dos atributos do solo, argila, umidade, fósforo
(P), potássio (K), matéria orgânica (M.O) e condutividade elétrica em
superfície (CE.S) e em profundidade (CE.P).
Argila Umidade P K M.O CE.S CE.P
---------- (%) -------- ---- (mg/dm³) ---- (g/dm³) ------ (mS/m)* ------
Solo 1 Média 12,95 9,02 2,16 16,25 16,37 0,77 738,62
Mediana 12,12 8,71 1,60 15,00 16,00 0,71 576,58
Moda 8,40 6,52 1,60 15,00 17,00 120,02
Dp 3,45 1,43 1,57 3,69 2,49 0,28 561,30
Variância 11,91 2,04 2,47 13,66 6,18 0,08 315056,37
C.V 26,64 15,85 72,69 22,71 15,21 36,82 75,99
Mínimo 8,40 6,52 0,80 11,00 13,00 0,28 4,57
Máximo 20,00 12,52 11,40 37,00 23,00 1,51 2400,30
G 0,67 0,23 3,78 2,73 0,85 0,70 1,06
C -0,85 -0,79 18,19 12,78 0,48 -0,14 0,66
Solo 2 Média 67,95 28,99 3,48 48,33 33,74 6,03 785,97
Mediana 69,15 29,26 1,35 46,00 33,50 5,85 179,23
Moda 57,68 29,59 1,00 29,00 33,00
Dp 4,05 2,02 4,99 17,64 3,15 1,84 1348,50
Variância 16,38 4,08 24,86 311,01 9,94 3,39 1818457,24
C.V 5,96 6,97 143,39 36,50 9,34 30,53 171,57
Mínimo 57,68 22,45 0,60 24,00 24,00 3,18 46,16
Máximo 74,31 33,62 25,20 101,00 44,00 11,56 7040,88
G -0,74 -0,78 2,76 0,81 -0,05 0,69 2,92
C -0,43 1,05 7,95 0,07 1,54 0,13 9,54
Dp: Desvio padrão; C.V: coeficiente de variação; G: coeficiente de assimetria; C: coeficiente de curtose. *miliSiemens por metro.
20
Em ambos os solos, o fósforo apresentou grande variação nas
análises químicas, evidenciado pelos altos valores do coeficiente de
variação (CV) deste elemento (Tabela 2). O potássio também apresentou
alto CV para o Solo 2.
Já a condutividade elétrica, principalmente em profundidade (CE.P),
teve as maiores variações em seus dados, com CV extremamente alto, não
trazendo confiabilidade ao dado. Os altos valores de condutividade elétrica
neste caso podem estar relacionados a problemas de leitura em campo, uma
vez que a presença de superfície irregular pode retirar um dos discos de
leitura de CE do contato com o solo, interrompendo a correta leitura do
aparelho.
TABELA 3. Análise descritiva da absorbância do solo no Visível (VIS) e
Infravermelho Próximo (NIR1 e NIR2).
Absorbância
Campo Bancada
Solo 1 Faixa espectral VIS NIR1 NIR2 VIS NIR1 NIR2
Média 1,71 1,40 1,24 1,18 0,53 0,37
Mediana 1,74 1,39 1,24 1,21 0,49 0,37
Moda 1,63 1,46 1,20 0,37
Desvio padrão 0,31 0,25 0,21 0,20 0,15 0,06
Variância 0,10 0,06 0,04 0,04 0,02 0,00
Coeficiente de variação 18,33 17,88 16,72 17,28 27,72 15,42
Mínimo 0,28 0,70 0,66 0,76 0,28 0,24
Máximo 3,58 2,26 1,85 1,63 0,91 0,56
Coeficiente de assimetria 0,53 0,04 -0,33 0,07 0,49 0,25
Coeficiente de curtose 5,12 -0,02 -0,20 -0,98 -0,95 -0,33
Solo 2 Faixa espectral VIS NIR1 NIR2 VIS NIR1 NIR2
Média 1,82 1,45 1,28 1,29 0,70 0,58
Mediana 1,82 1,44 1,26 1,40 0,66 0,58
Moda 1,15 1,25 0,83 0,63
Desvio padrão 0,37 0,21 0,21 0,27 0,09 0,03
Variância 0,13 0,05 0,05 0,07 0,01 0,00
Coeficiente de variação 20,23 14,61 16,58 20,83 13,33 5,18
Mínimo 0,77 1,10 0,56 0,80 0,52 0,48
Máximo 3,97 1,98 1,67 1,63 0,94 0,68
Coeficiente de assimetria 1,15 0,33 -0,48 -0,30 0,42 -0,16
Coeficiente de curtose 3,89 -0,76 0,11 -1,62 -1,25 0,03
21
Houve pouca variação da absorbância dentro de uma mesma faixa
espectral, representada pelos baixos valores de CV nas três faixas
espectrais (VIS, NIR1 e NIR2), tanto os de leitura em campo como os de
leitura em bancada (Tabela 3). Em ambos os solos, os valores médios de
absorbância mais altos ocorreram na faixa do infravermelho próximo (VIS),
sendo que, para todas as faixas espectrais, as leituras de bancada tiveram
os valores de absorbância bem mais baixos que os obtidos nas leituras de
campo. Esta diferença está relacionada à ausência de umidade nas
amostras de bancada e de possíveis fatores externos, como luz solar,
resíduos vegetais e compostos dos solo mais grosseiros, como cascalhos.
4.2 Boxplot e análise de simetria dos dados
Todas as variáveis tiveram assimetria dos dados em ambas as
áreas, observada na distribuição desigual da absorbância entre os espaços
abaixo e acima da mediana para todos os níveis de cada atributo, tanto os
de leitura em campo como os de leitura em bancada (Figuras 1 a 5). De
forma geral, a absorbância não foi diferente para os diferentes níveis dos
atributos para uma mesma área. E pela presença de possíveis outliers na
área argilosa, a comparação entre as duas áreas ficou comprometida.
Na área de textura arenosa, Solo 1, as máximas de absorbância
ocorreram nos teores mais altos de argila, Figura 1, mesmo assim os valores
de absorbância para os três níveis de argila foram próximos entre si. O
mesmo ocorreu para as leituras em bancada, que apresentaram valores de
absorbância mais baixos que as leituras de campo.
Já na área de textura argilosa, Solo 2, as máximas de absorbância
ocorreram para os valores mais baixos de argila, Figura 1, no mesmo solo,
além de apresentar muitos valores fora da absorbância máxima e mínima,
que podem ser suspeitos de serem outliers. Não houve diferença de
absorbância entre os três níveis nas leituras de bancada, que foram mais
baixas que os valores encontrados em campo (Figura 1, Solo 2).
FIGURA 1. Boxplot entre a variável argila (%) e a absorbância para as leituras de campo e de bancada, em três níveis
de argila, para Solo 1 e Solo 2.
22
23
FIGURA 2. Boxplot entre a variável fósforo (mg/dm³) e a absorbância para as leituras de campo e de bancada, em três
níveis de fósforo, para Solo 1 e Solo 2.
23
24
FIGURA 3. Boxplot entre a variável potássio (mg/dm³) e a absorbância para as leituras de campo e de bancada, em três
níveis de potássio, para Solo 1 e Solo 2.
24
25
FIGURA 4. Boxplot entre a variável matéria orgânica (g/dm³) e a absorbância para as leituras de campo e de bancada,
em três níveis de matéria orgânica, para Solo 1 e Solo 2.
25
26
FIGURA 5. Boxplot entre a variável Umidade (%) e a absorbância para as leituras de campo e de bancada, em três níveis
de umidade, para Solo 1 e Solo 2.
26
27
A amplitude entre os valores de absorbância para a variável fósforo
é evidente na Figura 2, perceptível pelo alto coeficiente de variação
apresentado anteriormente (Tabela 2). Apesar de os valores estarem muito
próximos, em ambas as áreas observa-se diminuição da absorbância com
o aumento nos teores de fósforo, mais evidente nas leituras de campo que
de bancada, que não tiveram grande diferença entre si (Figura 2).
Nos Solos 1 e 2, houve diminuição na absorbância com o aumento
dos teores de potássio para as leituras de campo, já nas leituras de
bancada, quase não houve diferença (Figura 3).
Para a matéria orgânica, Figura 4, os valores de absorbância em
bancada não apresentaram variação, enquanto para os dados de campo a
absorbância foi maior no valor mediano de matéria orgânica para o Solo 1
(16-19 g/dm³). No Solo 2, a absorbância teve diminuição com o aumento dos
teores de matéria orgânica.
No solo de textura arenosa, Solo 1, a absorbância para os diferentes
níveis de umidade foi muito próxima, sendo que para o solo seco os valores
foram muito mais baixos em ambos os solos (Figura 5). Já no solo de
textura muito argilosa, Solo 2, as absorbâncias mais altas ocorreram no
nível de umidade mais baixo do solo (22,4 – 26,2 %), diferentemente do que
se esperava, uma vez que a umidade tende a escurecer o solo, o que
aumentaria sua absorbância.
4.3 Curvas Espectrais dos solos
A Figura 6 mostra as curvas espetrais para o teor de argila,
comparando as leituras espectrais am campo (C) e em Bancada (B) para os
dois solos estudados. As maiores absorbâncias ocorreram para as curvas
com dados de campo para todos os níveis de argila, evidenciando uma
possível influência da umidade ou de fatores externos sobre os valores de
absorbância.
28
FIGURA 6.Espectro de absorbância para quatro teores de argila (Solo 1: 0-
35; e Solo 2: 35-60+), com coleta de dados em bancada
(representado por B) e em campo (representado por C).
As curvas das respostas de absorbância dos dados de bancada
praticamente não se diferenciaram entre sim, sendo que a curva para os
níveis de argila 0-15 % foi a que apresentou os menores valores de
absorbância em bancada (Figura 6). Mesmo assim, pode-se ver a diferença
de absorbância entre o níveis de argila muito baixos e muito altos.
Os maiores valores de absorbância são encontrados na curva para
os níveis de argila de 35 - 60 %, com leitura em campo, obtendo
absorbâncias maiores que a curva dos teores de argila maiores que 60%,
evidenciando uma possível influência de outros fatores além da argila, uma
vez que as leituras em bancada para o mesmo nível de argila (35 - 60%)
também tiveram seus valores de absorbância mais elevados que a
absorbância em bancada para o nível de argila maior que 60%, descartando
uma possível influência da umidade, na medida em que foi utilizado solo
29
seco em bancada. Segundo Ferraresi et al. (2012), a composição e o tipo
de argilominerais do solo podem influenciar suas respostas espectrais.
As Figuras 7 a 11 mostram as curvas de absorbância para cada
atributo do solo, com leituras de campo e de bancada para ambos os solos.
FIGURA 7. Curvas de absorbância para os solos: Solo 1 em campo (a) e em
bancada (c) e Solo 2 em campo (b) e em bancada (d), com três
níveis de argila (%).
(B)
(B)
(a) (b)
(c) (d)
30
No talhão arenoso, Figura 7.a, os valores de absorbância foram
maiores para os maiores teores de argila no solo, sendo esta diferença
evidenciada também nas leituras de bancada do mesmo solo (Figura 7.c). Já
o talhão argiloso, Figura 7.b, teve comportamento diferente, tendo os
valores de absorbância sido maiores para os teores mais baixos de argila,
mostrando que o sensor não conseguiu obter respostas espectrais
diferenciadas em uma área com elevado teor de argila. Não foi possível
observar este comportamento nas leituras de bancada, Figura 7.d, visto as
curvas não terem se diferenciado entre si para os três níveis de argila.
As três curvas dos diferentes teores de argila apresentaram
variações significativas entre os comprimentos de onda de 1300 e 1500 nm
e entre 1800 e 200 nm. Estes picos de leitura também ocorreram no solo
argiloso, Figura 7.b, porém com menor variação. Estes picos ocorreram em
um mesmo ponto para todas as curvas encontradas com as leituras de
campo (Figuras 7 a 11). Tal comportamento pode ser indicativo de alguma
influência externa sobre qualquer destas variáveis observadas, já que nas
leituras de bancada, em que há maior controle dos fatores externos, estes
picos foram menores.
De acordo com Stenberg et al. (2010), o grande desafio do uso da
espectrofotometria em campo é trabalhar com a influência dos fatores
ambientais, como a luz ambiente, o teor de umidade do solo, a estrutura, a
poeira, entre outros fatores que ocorrem conjuntamente com os fatores que
se pretende avaliar. O material de origem exerce grande influência sobre as
leituras de absorbância (LOPES, 2009), influenciando diretamente as
respostas obtidas pelos sensores, assim com os óxidos de ferro e os
argilominerais, que se correlacionam mais diretamente com as respostas
espectrais no VIS e NIR que os valores de argila, por exemplo (VISCARRA
ROSSEL, 2011).
(B)
31
FIGURA 8. Curvas de absorbância para os solos: Solo 1 em campo (a) e em
bancada (c) e Solo 2 em campo (b) e em bancada (d), com três
níveis de fósforo (mg/dm³).
Para a variável fósforo, a curva com maior absorbância foi a que
apresentou os níveis mais baixos de argila em ambos os solos (Figuras 8.a e
8.b). Para os níveis mais elevados de fósforo, as curvas tiveram pouca
diferença entre si, tendo a curva de absorbância mais baixa ocorrido para o
nível mais elevado do elemento. Nas leituras de bancada, Figuras 8.c e 8.d,
o comportamento foi semelhante, porém com as curvas mais próximas entre
si e com valores de absorbância mais baixos no segundo nível de fósforo e
não no nível mais alto, como ocorreu nas leituras de campo.
(B) (b) (a)
(c) (d)
32
FIGURA 9. Curvas de absorbância para os solos: Solo 1 em campo (a) e em
bancada (c) e Solo 2 em campo (b) e em bancada (d), com três
níveis de potássio (mg/dm³).
Para as leituras de campo em ambos os solos em relação aos níveis
de potássio (g/dm³), ocorreu maior absorbância para os níveis mais baixos,
Figuras 9.a e 9.b, tendo sido a diferença maior no Solo 2 (Figura 9.b). Esta
maior diferenciação no talhão argiloso pode ter ocorrido também pela
maior diferença entre os três níveis de potássio nesta área.
Já nas leituras de bancada, a absorbância aumentou com o aumento
no teor de potássio para o Solo 1, Figura 9.c, mas este fator não pôde ser
(b) (a)
(c) (d)
33
observado no Solo 2, pois as curvas ficaram muitos próximas (Figura 9.d).
Esta diferença entre os dados de campo e bancada é um indicativo da
influência de outro fator, sem ser o potássio, na leitura de campo, uma vez
que a tendência é que a absorbância aumente com o aumento do potássio
no solo. De acordo com Viscarra Rossel (2011), o potássio apresenta maior
correlação com comprimentos de onda no infravermelho médio (MIR) do
que no infravermelho próximo (NIR).
FIGURA 10. Curvas de absorbância para os solos: Solo 1 em campo (a) e
em bancada (c) e Solo 2 em campo (b) e em bancada (d), com
três níveis de matéria orgânica (g/dm³).
No caso da matéria orgânica, o comportamento espectral de campo
(b) (a)
(c) (d)
34
foi diferente para o Solo 1 e 2, Figuras 10.a e 10.b, respectivamente. No
Solo 1, a curva com maior absorbância foi para o nível intermediário de
matéria orgânica, seguido pelo nível mais baixo do elemento, e o nível com o
teor mais elevado de matéria orgânica foi o que apresentou menor
absorbância. Já no Solo 2, a absorbância foi maior no nível mais baixo do
atributo.
A presença de matéria orgânica influencia na diminuição da
reflectância, aumento da absorbância, devido à sua influência na cor do
solo, deixando-o, geralmente, mais escuro (LOPES, 2009). Sendo assim,
quanto maior o teor de matéria orgânica de um solo, maior seria sua
absorbância, fato que não ocorreu nas leituras de campo dos solos
avaliados (Figuras 10.a e 10.b)
Para as leituras de bancada do Solo 1, Figura 10.c, foi possível
observar uma pequena diferença entre as curvas espectrais, sendo que,
com o aumento da matéria orgânica, ocorreu pequeno aumento da
absorbância em um mesmo solo. No Solo 2, Figura 10.d, as curvas não se
diferenciaram entre sim, sendo possível observar que suas absorbâncias
foram maiores que no Solo 1.
FIGURA 10. Curvas de absorbância para os solos: Solo 1 em campo (a) e
em bancada (c) e Solo 2 em campo (b) e em bancada (d), com
três níveis de potássio (g/dm³).
(a) (b)
35
A Figura 11 mostra as curvas espectrais para os níveis de umidade
no solo de textura arenosa, Solo 1, e no solo de textura muito argilosa (Solo
2). No talhão arenoso, a absorbância foi maior nos valores de umidade
mais elevados, Figura 11.a; já para o talhão argiloso, o comportamento foi
semelhante ao da variável argila, com valores de absorbância maiores para
os valores mais baixos de umidade (Figura 11.b).
O aumento do teor de água de um solo geralmente resulta no seu
escurecimento, havendo diminuição da sua reflectância, ou seja, aumento
dos valores de absorção. Porém este comportamento pode não ocorrer da
mesma forma para todos os solos, podendo variar de solo para solo
(EPINHANIO et al., 1992).
5. CONCLUSÕES
A influência da argila e da umidade na resposta espectral do solo
ficou mais evidente no solo de textura arenosa, em que o aumento destes
atributos resultou no aumento da absorbância.
Em ambos os solos, a absorbância diminuiu com o aumento no teor
de fósforo, tanto em leituras de campo como de bancada.
Para as leituras de campo, a absorbância diminuiu com o aumento
do teor de potássio. Já para as leituras de bancada do solo de textura
arenosa, a absorbância aumentou com o aumento do teor do elemento.
No solo de textura muito argilosa, o aumento da matéria orgânica
diminuiu a absorbância para as leituras de campo, não variando nas leituras
de bancada. No solo de textura arenosa, a absorbância aumentou com o
aumento da matéria orgânica nas leituras de bancada.
A absorbância aumentou com o aumento da umidade no solo de
textura arenosa. No solo de textura muito argilosa, a absorbância diminuiu
com o aumento da umidade.
6. REFERÊNCIAS BIBLIOGRÁFICAS
ADAMCHUK, V.I.; HUMMEL, J.W.; MORGAN, M.T.; UPADHYAYA, S.K. On-
the-go soil sensors for precision agriculture. Computers and Electronics in
Agriculture, v.44, p.71–91, 2004.
BARNES, E.M.; SUDDUTH, K.A.; HUMMEL, J.W.; LESCH, S.M.; CORWIN,
D.L.; YANG, C.; DAUGHTRY, C.S.T. BAUSCH, W.C. Remote- and Ground-
Based Sensor Techniques to Map Soil Properties. Photogrammetric
Engineering & Remote Sensing. v.69, n.6, p. 619–630, 2003.
BELLINASO, H., J. A. M. DEMATTÊ, et al. Soil spectral library and its use in
soil classification. Revista Brasileira de Ciência do Solo, v. 34, p. 861-870,
2010
BRICKLEMYER, R.S.; BROWN, D.J. On-the-go VisNIR: Potential and
limitations for mapping soil clay and organic carbon. Computers and
Electronics in Agriculture, v.70, p.209–216, 2010.
CHANG, C. W.; D. A. LAIRD, et al. "Near-Infrared Reflectance Spectroscopy-
Principal Components Regression Analyses of Soil Properties." Soil Science
Society of America Journal, v.65, p.480-490, 2001.
CHRISTY, C. D. Real-time measurement of soil attributes using on-the-go
near infrared reflectance spectroscopy. Computers and Electronics in
Agriculture, v.61(1), p.10-19, 2008.
DALMOLIN, R.S.D.; GONÇALVES, C.N.; KLAMT, E.; DICK, D.P. Relação
entre os constituintes do solo e seu comportamento espectral.Ciência Rural,
Santa Maria, v.35, n.2, p.481-489, 2005.
38
DELWICHE, S.R.; REEVES, J.B. A graphical method to evaluate spectral
preprocessing in multivariate regression calibrations: example with savitzky–
golay filters and partial least squares regression. Applied Spectroscopy,
v.64, n.1, p.73-82, 2010.
DEMATTE, J.A.M.; CAMPOS, R.C.; Marcelo C. ALVES, M.C.; FIORIO, P.R.;
NANNI, M.R. Visible–NIR reflectance: a new approach on soil evaluation.
Geoderma, v.121, p.95-112, 2004.
DEMATTÊ, J.A.M.; EPIPHANIO, A.R.F.; FORMAGGIO, A.R. Influência da
matéria orgânica e de formas de ferro na reflectância de solos tropicais.
Bragantia, Campinas, v.62, n.3, p.451-464, 2003.
DIAS, B.O.; SILVA, C.A.; SOARES, E.M.B.; BETTIOL, W.; GUERREIRO,
M.C.; BELIZÁRIO, M.H. Infravermelho na caracterização de ácidos húmicos
de Latossolo sob efeito de uso contínuo de lodo de esgoto. Revista
Brasileira de Ciência do Solo, v.33, p.885-894, 2009.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA.
Serviço Nacional de Levantamento e Conservação do Solo. Manual de
análises de solo. 2.ed. Rio de Janeiro, 1997. 212p.
EPINHANIO, J. C. N., FORMAGGIO, A. R., VALERIANO, M. M., OLIVEIRA,
J. B. Comportamento Espectral de Solos do Estado de São Paulo. São
José dos Campos : INPE, 1992. 132p.
FERRARESI, T. M.; SILVA W. T. L.; MARTIN-NETO, L.; SILVEIRA, M.;
MADARI, B. E. Espectroscopia de Infravermelho na Determinação da
Textura do Solo. Revista Brasileira de Ciência do Solo. v.36, p. 1769-1777,
2012.
39
FERNANDES, F. A. F.; BUENO SOBRINHO, A. A.; MONTEIRO, H. de C.;
SILVA, A. C. G. Uso de espectrometria de refletância no infravermelho
próximo (NIRS) na análise de carbono de Neossolos do Pantanal. Corumbá:
Embrapa Pantanal Comunicado técnico, v. 86, 2010.
GREGO, C.R.; VIEIRA, S.R.Variabilidade espacial de propriedades físicas
do solo em uma parcela experimental.Revista Brasileira de Ciência do
Solo, v.29, p.169-177, 2005.
HE, Y.; SONG, H.; PEREIRA, A.G.; GÓMEZ, A.H. Measurement and
analysis of soil nitrogen and organic matter content using near-infrared
spectroscopy techniques. Journal ofZhejiang University Science, v.6B,
n.11, p.1081-1086, 2005.
LIN, H.; BOUMA, J.; PACHEPSKY, Y.; WESTERN, A.; THOMPSON, J.; VAN
GENUCHTEN, R.; VOGEL, H.; LILLY, A. Hydropedology: Synergistic
integration of pedology and hydrology. Water Resources Research, v.42,
p.1-13, 2006.
LOPES, L. R. Pedologia quantitativa: espectrometria VIS-NIR-SWIR e
mapeamento digital de solos. 171p. Dissertação (Mestrado). Escola
Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo,
Piracicaba, 2009.
MOUAZEN, A.M.; KAROUI, R.; DE BAERDEMAEKER, J.; RAMON, H.
Characterization of Soil Water Content Using Measured Visible and Near
Infrared Spectra. Soil ScienceSociety of AmericaJournal, v.70, p.1295-
1302, 2006.
MUÑOZ, J.D.; KRAVCHENKO, A. Soil carbon mapping using on-the-go near
infrared spectroscopy, topography and aerial photographs. Geoderma,
40
v.166, p.102–110, 2011.
SANKEY, J.B.; BROWN, D.J.; BERNARD, M.L.; LAWRENCE, R.L.
Comparing local vs. global visible and near-infrared (VisNIR) diffuse
reflectance spectroscopy (DRS) calibrations for the prediction of soil clay,
organic C and inorganic C. Geoderma, v.148, p.149–158, 2008.
SANTOS, D; SOUZA, E.G; NÓBREGA, L.H.P.; BAZZI, C.L.; GONÇALVES
JÚNIOR, A.C. Variabilidade espacial de atributos físicos de um Latossolo
Vermelho após cultivo de soja. Revista Brasileira de Engenharia Agrícola
e Ambiental, v.16, n.8, p.843–848, 2012.
SHEPHERD, K. D. and M. G. WALSH. Development of Reflectance Spectral
Libraries for Characterization of Soil Properties. Soil Science Society Of
America Journal, v.66(3), p.988-998, 2002.
STERBERG, B. VISCARRA ROSSEL, R. A., MOUAZEN, A. M.,
WETTERLIND, J. Visible and Near Infrared Spectroscopy in Soil Science.
Advances In Agronomy, v.107. p.164-206. 2010.
TRANTER, G; MINASNY, B.; MCBRATNEY, A.B. ; R. A. VISCARRA
ROSSEL, R.A. Comparing Spectral Soil Inference Systems and Mid-Infrared
Spectroscopic Predictions of Soil Moisture Retention. Soil Science
Society of America Journal , vol.72, n.5, p.1394-1400, 2008.
VASQUES, G.M.; GRUNWALD, S.; SICKMAN, J.O. Comparison of
multivariate methods for inferential modeling of soil carbon using visible/near-
infrared spectra.Geoderma, v.146, p.14–25, 2008.
VIEIRA, V.A.S.; MELLO, C.R.; LIMA, J.M. Variabilidade espacial de atributos
físicos do solo em uma microbacia hidrográfica. Ciência e Agrotecnologia,
Lavras, v.31, n.5, p.1477-1485, 2007.
41
VIEIRA, S.R.; GARCIA, M.A.G.; GONZÁLEZ, A.P.; SIQUEIRA, G.M.
Variabilidade espacial e temporal do teor de água do solo sob duas formas
de uso. Bragantia, Campinas, v.69, n.1, p.181-190, 2010.
VISCARRA ROSSEL, R.A.; WALVOORT, D.J.J.; McBRATNEY, A.B.; JANIK,
L.J.; SKJEMSTAB, J.O. Visible, near infrared, mid infrared or combined
diffuse reflectance spectroscopy for simultaneous assessment of various soil
properties. Geoderma, v.131, p.59-75, 2006.
VISCARRA ROSSEL, R. A., R. RIZZO et al. Spatial Modeling of a Soil
Fertility Index using Visible Near-Infrared Spectra and Terrain Attributes. Soil
Science Society Of America Journal, v.74(4), p.1293-1300, 2010.
VISCARRA ROSSEL, R. A., ADAMCHUK, V. I., SUDDUTH, K. A.,
McKENZIE, N. J., LOBSEY, C. Proximal Soil Sensing: An Effective Approach
for Soil Measurements in Space and Time. Advances in Agronomy, v.113,
p.237-264, 2011.
ZHU, Y; WEINDORF, D.C.; CHAKRABORTY, S.; HAGGARD, B.;
JOHNSON, S.; BAKR, N. Characterizing surface soil water with field portable
diffuse reflectance spectroscopy. Journal of Hydrology, v.391, p.133–140,
2010.
Top Related