A carregar...
Publicação
Modelação Das Propriedades De Solos Agrícolas Tendo Por Base A Utilização Do Sensor NIR
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.33 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A análise de solos é tradicionalmente um processo demorado e caro. Neste contexto, a presente dissertação avalia a possibilidade de utilizar a espectroscopia de infravermelho próximo (NIR) como alternativa rápida, económica e não destrutiva às análises laboratoriais tradicionais para a avaliação da fertilidade do solo.
Foram realizadas amostragens de solo, cujos locais foram definidos com recurso ao índice de vegetação por diferença normalizada (NDVI). Foram realizadas análises laboratoriais à fertilidade e, em particular, às várias frações de carbono no solo. Em simultâneo, registaram-se espectros NIR para cada amostra. Dois métodos de modelação - Random Forest (RF) e re-gressão por mínimos quadrados parciais (PLSR) - foram aplicados para prever propriedades químicas a partir dos espectros e recorreu-se à interpolação espacial para gerar mapas de fertilidade.
O modelo RF superou consistentemente o PLSR na maioria dos parâmetros. Alcançou uma previsão elevada (R² > 0,85) para o magnésio, ferro, níquel, cálcio, sódio e matéria orgânica estimada por perda de ignição. Observou‑se um bom desempenho (0,70 < R² < 0,80) para o cobalto, potássio, boro e manganês. No entanto, os modelos foram ineficazes na estimativa do fósforo, enxofre, condutividade elétrica, zinco, pH, azoto total, carbono total e para outras frações de carbono. Os mapas produzidos forneceram informação sobre a distribuição espacial para os nutrientes com melhor previsão, constituindo uma ferramenta valiosa para aplicação diferenciada da fertilização.
Soil analysis is traditionally a time‑consuming and costly process. In this context, the present dissertation evaluates whether near‑infrared (NIR) spectroscopy can be used as a fast, economical and non‑destructive alternative to traditional laboratory analyses in assessing soil fertility. To test this, soil samples were collected at sites delineated using the Normalised Difference Vegetation Index (NDVI). Laboratory analyses focused on fertility parameters and sev-eral fractions of soil carbon were performed. In parallel, NIR spectra were recorded for each sample. Two modelling approaches—Random Forest (RF) and partial least squares regression (PLSR)—were applied to predict chemical properties from the spectra and spatial interpola-tion was used to generate fertility maps. The RF model consistently outperformed PLSR across most parameters. It achieved high predictive accuracy (R² > 0.85) for magnesium, iron, nickel, calcium, sodium and organic matter estimated by loss‑on‑ignition. Good performance (0.70 < R² < 0.80) was observed for cobalt, potassium, boron and manganese. However, the models were ineffective at estimating phosphorus, sulphur, electrical conductivity, zinc, pH, total nitrogen, total carbon and other carbon fractions. The generated maps provided information on the spatial distribution of the best‑pre‑dicted nutrients, offering a valuable tool for site‑specific fertilisation.
Soil analysis is traditionally a time‑consuming and costly process. In this context, the present dissertation evaluates whether near‑infrared (NIR) spectroscopy can be used as a fast, economical and non‑destructive alternative to traditional laboratory analyses in assessing soil fertility. To test this, soil samples were collected at sites delineated using the Normalised Difference Vegetation Index (NDVI). Laboratory analyses focused on fertility parameters and sev-eral fractions of soil carbon were performed. In parallel, NIR spectra were recorded for each sample. Two modelling approaches—Random Forest (RF) and partial least squares regression (PLSR)—were applied to predict chemical properties from the spectra and spatial interpola-tion was used to generate fertility maps. The RF model consistently outperformed PLSR across most parameters. It achieved high predictive accuracy (R² > 0.85) for magnesium, iron, nickel, calcium, sodium and organic matter estimated by loss‑on‑ignition. Good performance (0.70 < R² < 0.80) was observed for cobalt, potassium, boron and manganese. However, the models were ineffective at estimating phosphorus, sulphur, electrical conductivity, zinc, pH, total nitrogen, total carbon and other carbon fractions. The generated maps provided information on the spatial distribution of the best‑pre‑dicted nutrients, offering a valuable tool for site‑specific fertilisation.
Descrição
Palavras-chave
Espectroscopia NIR Modelação espectral Fertilidade do solo Carbono do solo