Tesis
Mapeamento de fósforo por técnicas de espectroscopia VIS-NIR e suscetibilidade magnética dos solos do Planalto Ocidental Paulista
Fecha
2021-02-24Registro en:
33004102071P2
Autor
Marques Júnior, José [UNESP]
Universidade Estadual Paulista (Unesp)
Institución
Resumen
Mapas precisos de fósforo (P) do solo, em todo noroeste do estado de São Paulo, tornam-se praticamente inviáveis por métodos laboratoriais convencionais. A suscetibilidade magnética (SM), a espectroscopia de reflectância difusa (ERD) e a cor do solo, aliados a modelos matemáticos, possibilitam o mapeamento do padrão espacial do fósforo no solo, permitindo melhorar a gestão de P, tanto do ponto de vista agrícola, quanto ambiental. Desse modo, objetivou-se nesse estudo, avaliar a capacidade da ERD, SM e a cor do solo no mapeamento de P em solos de diferentes litologias e grau de dissecação da paisagem em grandes áreas. Foram coletadas 200 amostras de solo de arenito e basalto na profundidade de 0,0 – 0,2 m, em três estágios de dissecação da paisagem, representativas da variabilidade fisiográfica do Planalto Ocidental Paulista (POP). O Ptotal, Padsorvido (Pads) e o Pdisponível foram obtidos por método químico convencional e estimados por ERD com calibração quimiométrica por análise de regressão de mínimos quadrados parciais (PLSR). O Pads também foi obtido por “Random Forest” (RF) usando a SM e o índice de avermelhamento (IAV) como variáveis preditoras. Os resultados foram submetidos à análise estatística descritiva, multivariada e o padrão espacial por análise geoestatística. A distribuição espacial do fósforo é influenciada pela geologia e pelo grau de dissecação da paisagem, sendo os óxidos de ferro (goethita e hematita) os mais importantes indicadores de ambientes com maiores e menores potenciais de adsorção e teores de fósforo. A caracterização das curvas espectrais permite diferenciar o conteúdo de fósforo do solo com base nos óxidos de ferro. A análise por regressão de PLSR dos dados espectrais na região do visível e infravermelho próximo (VIS-NIR) possibilita a predição de Ptotal e Pads do solo, sendo semelhante ao obtido por método convencional. Análise de aprendizagem de máquina como “random forest” são modelos matemáticos eficientes na predição e caracterização de ambientes com ampla variação de Pads no contexto solo-paisagem. As correlações entre Pads e SM (R2 = 0,75; p < 0,001), IAV (R2 = 0,68; p < 0,005) e a análise de “Random Forest” (R2 = 0,90 e RMSE = 61) indicam o sinal magnético e a cor do solo como marcadores sensíveis da variação de Pads, e fortes atributos preditores na caracterização espacial de Pads do solo em grandes áreas sob complexidade litológica e grau de dissecação da paisagem. A variabilidade espacial do P no solo estimada por ERD e SM valida o uso das técnicas no mapeamento de atributos do solo em grandes áreas. Podendo ser usado como base para desenvolver um inventário de dados de P do solo, bem como monitorar possíveis consequências do uso e manejo do solo. Accurate maps of phosphorus (P) of the soil, throughout the northwest of the state of São Paulo, become practically unviable by conventional laboratory methods. Magnetic susceptibility (MS), diffuse reflectance spectroscopy (DRS) and soil color, combined with mathematical models, make it possible to map the spatial pattern of phosphorus in the soil, allowing to improve P management, both from an agricultural point of view , as for environmental. Thus, the objective of this study was to evaluate the capacity of DRS, MS and soil color in the mapping of P in soils of different lithologies and degree of dissection of the landscape in large areas. 200 samples of sandstone and basalt soil were collected at a depth of 0.0 - 0.2 m, in three stages of landscape dissection, representative of the physiographic variability of the São Paulo Western Plateau (WPP). Ptotal, Pads (Pads) and Pavailable were obtained by conventional chemical method and estimated by DRS with chemometric calibration by partial least squares regression analysis (PLSR). Pads were also obtained by ―Random Forest‖ (RF) using MS and the reddening index (IAV) as predictor variables. The results were subjected to descriptive, multivariate statistical analysis and the spatial pattern by geostatistical analysis. The spatial distribution of phosphorus is influenced by geology and the degree of dissection of the landscape, with iron oxides (goethite and hematite) being the most important indicators of environments with greater and lesser potential for adsorption and phosphorus contents. The characterization of the spectral curves allows to differentiate the phosphorus content of the soil based on iron oxides. PLSR regression analysis of spectral data in the visible and near infrared region (VIS-NIR) allows the prediction of Ptotal and Pads of the soil, being similar to that obtained by conventional method. Machine learning analysis like ―random forest‖ are efficient mathematical models in the prediction and characterization of environments with wide variation of Pads in the soil-landscape context. Correlations between Pads and MS (R2 = 0.75; p <0.001), IAV (R2 = 0.68; p <0.005) and the ―Random Forest‖ analysis (R2 = 0.90 and RMSE = 61) indicate the sign magnetic and soil color as sensitive markers of Pads variation, and strong predictive attributes in the spatial characterization of soil Pads in large areas under lithological complexity and degree of landscape dissection. The spatial variability of P in the soil estimated by DRS and MS validates the use of techniques in the mapping of soil attributes in large areas. It can be used as a basis to develop an inventory of soil P data, as well as to monitor possible consequences of land use and management.