INFORME DE PASANTÍA: CUANTIFICACIÓN DEL CONTENIDO...
48
INFORME DE PASANTÍA: CUANTIFICACIÓN DEL CONTENIDO DE ARCILLA EN LOS SUELOS DEL ESTADO DE SANTA CATARINA, BRASIL A TRAVES DE LOS DATOS ESPECTRALES OBTENIDOS MEDIANTE FIELDSPEC PRO 3. SHIRLY VANESSA ESTRELLA MEDINA NATALY JÁCOME MEDINA UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE MEDIO AMBIENTE Y RECURSOS NATURALES INGENIERIA AMBIENTAL BOGOTA D.C. Enero de 2016
Transcript of INFORME DE PASANTÍA: CUANTIFICACIÓN DEL CONTENIDO...
INFORME DE PASANTÍA: CUANTIFICACIÓN DEL CONTENIDO DE
ARCILLA EN LOS SUELOS DEL ESTADO DE SANTA CATARINA, BRASIL
A TRAVES DE LOS DATOS ESPECTRALES OBTENIDOS MEDIANTE
FIELDSPEC PRO 3.
SHIRLY VANESSA ESTRELLA MEDINA
NATALY JÁCOME MEDINA
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE MEDIO AMBIENTE Y RECURSOS NATURALES
INGENIERIA AMBIENTAL
BOGOTA D.C.
Enero de 2016
CUANTIFICACIÓN DEL CONTENIDO DE ARCILLA EN LOS SUELOS DEL
ESTADO DE SANTA CATARINA, BRASIL A TRAVES DE LOS DATOS
ESPECTRALES OBTENIDOS MEDIANTE FIELDSPEC PRO 3.
UNIVERSIDADE DE SÃO PAULO - ESCOLA SUPERIOR DE AGRICULTURA
“LUIZ DE QUEIROZ”
SHIRLY VANESSA ESTRELLA MEDINA Cód.: 20082180018
NATALY JÁCOME MEDINA Cód.: 20131180059
Informe de pasantía presentado como requisito para
Optar por el título de Ingeniero Ambiental
DIRECTOR:
WILMAR DARÍO FERNÁNDEZ GÓMEZ
Director Interno
PhD, Pavement Engineering – Pontificia Universidad Javeriana
JOSÉ ALEXANDRE MELO DEMATTÊ
Director Externo
PhD, Agronomia, Solos e Nutrição de Plantas - Universidade de São Paulo
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERIA
MAESTRIA CIENCIAS DE LA INFORMACION Y LA COMUNICACIONES
ÉNFASIS EN GEOMÁTICA
BOGOTA D.C.
Enero de 2016
AGRADECIMIENTOS
Los sueños y deseos son parte esencial de la vida, es por eso que te dedico a ti madre
querida que permitiste que el sueño de ser ingeniera se hiciera realidad, que a pesar de
los errores nunca me juzgaste, en cambio siempre recibí todo de ti, tu tiempo, tu
juventud y tu buen ejemplo, gracias. Con todo mi amor para Diana Medina Pascuas.
A mi hermana que siempre ha estado junto a mí, brindándome su apoyo y compartiendo
momentos importantes de mi vida.
Gracias Vanessa Estrella por ser más que una compañera de tesis, por construir una
amistad a base de vivencias y ser ese apoyo cuando lo necesité.
Nataly Jácome Medina
Agradezco a mis papás Luis Eduardo Estrella y Ramona Medina por el amor y apoyo
incondicional en cada paso de mi vida. A mis hermanas Ivonne, Diana y Leidy Estrella
Medina por ser siempre un ejemplo a seguir. A mi hermano Luis Estrella Medina por
llevarme de la mano en los momentos cruciales y ser mi familia fuera de casa. A mi
familia en general, gracias por el amor y la confianza depositada en mí.
A mi compañera de escalada Nataly Jácome por la amistad, la paciencia y las aventuras
por vivir.
Vanessa Estrella Medina
A nuestros orientadores, el profesor Wilmar Darío Fernández y el profesor José
Alexandre Demattê, por el apoyo, orientación, dedicación, paciencia y ayuda en la
realización de este trabajo.
Al grupo de Geotecnologías en Ciencias del Suelos (GeoCiS) por el acogimiento,
compañerismo y amistad.
A nuestros amigos Wilson Rodríguez, Ricardo Pinzón, María Paula Gómez y John
Walter Castañeda por el acompañamiento incondicional en esta etapa de formación.
A Danilo Romero, Arnaldo Souza y Mateus Eitelwein por los consejos, asesorías y
sugerencias que nos ayudaron en la realización de este trabajo.
A la Universidad Distrital Francisco José de Caldas por formarnos ética y
profesionalmente para reducir la brecha entre la academia y la comunidad.
A la Escuela Superior de Agricultura “Luiz de Queiroz” por abrirnos sus puertas y
acogernos como esalqueanas.
A todos los que nos apoyaron agradecemos sinceramente, ¡muchas gracias!
NOTA DE ACEPTACIÓN
Director Interno Proyecto de Grado
Director Externo Proyecto de Grado
Jurado
Jurado
Bogotá D.C, Enero 2016
RESUMEN
Cuantificación del contenido de arcilla en los suelos del estado de Santa Catarina,
Brasil a través de los datos espectrales obtenidos mediante Fieldspec Pro 3
El estudio de los suelos es fundamental en la planificación de los territorios. La
obtención de información en muchos casos se dificulta por factores como la
accesibilidad a los terrenos y disponibilidad de recursos; por esta razón es necesario
explorar nuevas tecnologías. Las técnicas de espectroscopia de reflectancia son más
rápidas, menos costosas, y menos contaminantes comparadas con los métodos
tradicionales de análisis de suelos. La caracterización de los 1534 ejemplares de suelos
del Estado de Santa Catarina - Brasil, se basó en la interpretación de las curvas
multiespectrales, también se creó modelo de cuantificación de arcilla basado en la
regresión de los mínimos cuadrados parciales (PLSR). Con ayuda de elementos de
estadística descriptiva se comprobó que el modelo elaborado fue óptimo para la
cuantificación de arcilla en esta región. Fue posible discriminar diferentes clases
texturales de los suelos a través de Análisis de Componentes Principales (ACP). La
elaboración de bibliotecas espectrales permite establecer patrones espectrales y facilita
la cuantificación de atributos fisicoquímicos de los suelos.
Palabras clave: suelos, espectroscopia de reflectancia, cuantificación de atributos,
análisis quimiométrico.
ABSTRACT
Quantification of clay content in soils of the state of Santa Catarina, Brazil
through spectral data obtained by Fieldspec Pro 3
The study of soils is essential in the planning and development of territories.
Acquisition of data during soil studies can be difficult due to factors such as the
accessibility to terrains and limited resources; for this reason, it is necessary to explore
new technologies. Reflectance spectroscopy techniques have proven to be faster, less
expensive, and less polluting compared to traditional methods used in analysis of soils.
The characterization of the 1534 samples of soils of the State of Santa Catarina - Brazil
was based on the interpretation of multi-spectral curves also a model was created to
quantify clay based on the regression of the partial least squares (PLSR). Using elements
of statistics the established model was found to be optimum to quantify the clays of this
region. It was possible to discriminate different soil textural classes through Principal
Component Analysis (ACP). The development of spectral libraries provides spectral
patterns aiding the quantification of physico-chemical attributes of soils.
Keywords: soils, reflectance spectroscopy, attribute quantification, chemometric
analysis.
TABLA DE CONTENIDO
INTRODUCCIÓN ........................................................................................................ 1
OBJETIVOS ................................................................................................................. 3
OBJETIVO GENERAL ............................................................................................ 3
OBJETIVOS ESPECIFICOS..................................................................................... 3
MATERIALES Y MÉTODOS ...................................................................................... 5
Muestras de suelo ...................................................................................................... 7
Organización de las muestras de suelo en el Banco de datos ...................................... 7
Adquisición de datos espectrales ............................................................................... 7
Clasificación de las muestras por clases texturales ..................................................... 8
Análisis quimiométrico.............................................................................................. 9
Análisis de los componentes principales................................................................. 9
Calibración y validación de los datos espectrales en la cuantificación de arcilla ..... 9
RESULTADOS Y DISCUSIÓN ................................................................................ 13
Caracterización de los espectros .............................................................................. 13
Argissolos ............................................................................................................ 13
Cambissolos......................................................................................................... 14
Espodossolos ....................................................................................................... 15
Gleissolos ............................................................................................................ 16
Latossolos ............................................................................................................ 17
Neossolos ............................................................................................................ 18
Nitossolos ............................................................................................................ 18
Organossolos ....................................................................................................... 19
Variables que influencian la forma de curva espectral .............................................. 27
Análisis de Componentes Principales (ACP) ........................................................... 29
ACP – Datos usados para la creación del modelo (BESB) .................................... 29
ACP – Datos espectrales de los suelos de Santa Catarina ..................................... 30
Cuantificación de Arcilla ......................................................................................... 31
Validación Cualitativa de los Resultados de la Predicción ....................................... 32
CONCLUSIONES ...................................................................................................... 35
TRABAJO FUTURO .................................................................................................. 37
BIBLIOGRAFÍA ........................................................................................................ 39
INDICE DE TABLAS
Tabla 1- Variables que influencian la forma de la curva espectral. .............................. 28
Tabla 2- Estadística descriptiva y desempeño del modelo de cuantificación de arcilla. 32
INDICE DE FIGURAS
Figura 1- Diagrama ilustrativo de las etapas del análisis químico de suelo. ................... 1
Figura 2-Localización del área de estudio con sus respectivos tipos de suelos. .............. 5
Figura 3- Flujograma de la metodología ....................................................................... 6
Figura 4- Curvas espectrales de los Argissolos Vermelho-Amarelos .......................... 20
Figura 5-Curvas espectrales de los Cambissolos Hálpicos y Húmicos. ........................ 21
Figura 6-Curvas espectrales de los Espodossolos Ferrocárbicos .................................. 22
Figura 7- Curvas espectrales de los Gleissolos Hálpicos ............................................. 23
Figura 8- Curvas espectrales de los Latossolos Brunos y Vermelhos. .......................... 24
Figura 9-Curvas espectrales de los Neossolos Quartzarenicos ..................................... 25
Figura 10- Curvas espectrales de los Nitossolos Hálpicos y Vermelhos ...................... 26
Figura 11- Curvas espectrales de los Organossolos Mésicos ....................................... 27
Figura 12- Scores CP1 vs CP2 .................................................................................... 29
Figura 13- Loadings CP1 (86%) y CP2 (11%) ........................................................... 30
Figura 14- Varianza explicada de los componentes principales PC´s .......................... 30
Figura 15- Scores CP1 vs CP2 .................................................................................... 31
Figura 16- Histograma de la cantidad de arcilla y la cantidad de muestras. ................. 31
Figura 17- Scores CP1 vs CP2 .................................................................................... 33
Figura 18- Curva Espectral Patrón de los suelos de Santa Catarina ............................. 33
INDICE DE ECUACIONES
Ec. 1. Calculo de los Loadings de los vectores de ponderación ................................... 10
Ec. 2 Calculos del factor escalar ................................................................................. 10
Ec. 3 Calculo de la Matriz de Scores de Reflectancia ................................................. 10
Ec. 4 Calculo de los Loadings de Reflectacia ............................................................. 10
Ec. 5 Calculo de los Loadings de los atributos ............................................................. 10
Ec. 6 Calculo del coeficiente de regresión ................................................................... 11
Ec. 7 Calculo de factor de correlación ......................................................................... 11
Ec. 8 Calculo del atributo modelado ............................................................................ 11
Ec. 9 Calculo de la nueva matriz de regresión en X1 .................................................... 11
Ec. 10 Calculo de la nueva matriz de regresión en Y1 .................................................. 11
Ec. 11Calculo del coeficiente de determinación .......................................................... 12
Ec. 12 Calculo de la raiz de error cuadratico medio .................................................... 12
Ec. 13 Calculo del error medio ................................................................................... 12
Ec. 14 Calculo de la desviación estandar .................................................................... 12
Ec. 15 Calculo de Regression Point Displacement....................................................... 12
INTRODUCCIÓN
En relación a suelos, el principal método usado para determinar informaciones
cuantitativas con fines de levantamiento y mapeamiento de suelos, monitoriamento
ambiental, entre otros es el análisis químico convencional, realizado en el laboratorio
(SOUZA JUNIOR et al, 2011). El análisis químico de suelos constituye el método más
difundido para valorar la composición granulométrica y la fertilidad de los suelos.
Investigadores como Raij et al. (2001) desarrollaron metodologías en el área de
fertilidad y Camargo et al. (1986) en el área de física de suelos (composición
granulométrica), siendo tales métodos indiscutiblemente los más desarrollados,
confiables y de gran validez para la sociedad (Sato, 2015).
La valoración de la fertilidad del suelo es el primer paso para la definición de las
medidas necesarias para la corrección y el manejo estas. El análisis químico es uno de
los métodos cuantitativos más utilizados para diagnosticar la fertilidad del suelo
(EMBRAPA, 2009). La Empresa Brasilera de Pesquisa Agropecuaria (EMBRAPA)
agrupo todos los métodos de análisis químicos usados en el Brasil para la determinación
de fertilidad de suelos con el fin de estandarizarla. Actualmente se usa como base
metodológica para los diferentes controles de calidad de los laboratorios (un poco más
del 50%) y realizar las recomendaciones pertinentes para el uso fertilizantes en Brasil
(RAIJ, 2001).
Figura 1- Diagrama ilustrativo de las etapas del análisis químico de suelo. Fuente: EMBRAPA 2009
La metodología tradicional ha sido extensamente debatida, discutida, y
modificada para definir el concepto general. Por otro lado, algunos atributos del suelo y
sus análisis aun generan controversias (Novaes & Smith, 1999).
La determinación de los atributos del suelo mediante recolección de muestras y
análisis de laboratorio convencional representa un costo elevado, requiere de mucho
tiempo desde que se realiza la recolección hasta la obtención de los resultados y para
desarrollar los análisis se requiere de reactivos químicos, que sin un adecuado
tratamiento generan impactos ambientales (NANNI & DEMATTÊ, 2006). La
determinación de la distribución granulométrica de una muestra de suelo seco y
1. Muestreo 2. Envío de muestras
al laboratorio 3. Preparación de
muestras
4. Análisis químico 5. Interpretación
de resultados 6. Recomendaciones
técnicas
7. Confirmación de los procedimientos
2
Perinado, por el método convencional propuesto por Bouyoucos (1962), precisa
aproximadamente de 48 horas (SOUZA JUNIOR et al, 2011), a diferencia de la
determinación hecha a partir de la información espectral del suelo por el VIS-NIR-
SWIR (Del visible e infrarrojo próximo al infrarrojo de ondas cortas, 400 a 2500 nm)
requiere cerca de 10 minutos.
Según Demattê et al. (2001), los costos de los análisis de suelos con los sistemas
de agricultura de precisión son costosos cuando son comparados con los métodos
tradicionales (análisis químicos, físicos y mineralógicos). Es por esto que se hace
necesario explorar nuevas tecnologías que permitan estimar de igual o una mejor forma
los atributos del suelo, que sean asequibles, como por ejemplo los Sensores Remotos
(SR), es un método no destructivo y permite cuantificar los atributos del suelo
(Coleman et al., 1991; Ben-Dor and Banin, 1995; and Madeira Netto, 1996), y en un
largo plazo se puede recuperar la inversión hecha en esta tecnología.
Brasil cuenta con una Clasificación de Suelos propia, esta consiste en una
evolución del antiguo sistema americano, formulado por Baldwin et al. (1938),
modificada por Thorp & Smith (1949). Esta clasificación, tiene su base fundada, en
esencia, en los conceptos centrales de aquel sistema americano, cuya sistematización
actual desciende de modificaciones de criterios, alteraciones de conceptos, creación de
nuevas clases, segmentación de algunas clases originales y formalización del
reconocimiento de subclases de naturaleza transicional o intermediarias.(EMBRAPA,
2006), es por esto que el desarrollo del trabajo se abordó desde la clasificación de suelos
brasilera y no la clasificación de suelos internacional.
3
OBJETIVOS
OBJETIVO GENERAL
Establecer algunas características físicas de los suelos del estado de Santa Catarina,
Brasil, mediante técnicas de espectroradiometría.
OBJETIVOS ESPECIFICOS
Cuantificar el contenido de arcilla de los suelos del Estado de Santa Catarina,
Brasil mediante la modelación de datos espectrales.
Caracterización de los órdenes taxonómicos generales de los suelos presentes,
mediante la evaluación cualitativa de las curvas espectrales.
Identificar las variables que influencian el comportamiento de la curva espectral.
4
5
MATERIALES Y MÉTODOS
Caracterización del área de estudio
El estado de Santa Catarina se encuentra en la Región Sur del Brasil, tiene 295
municipios y cuenta con un área de 95.346.181 Km2. Limita al norte con el Estado de
Paraná, al sur con el Estado de Rio Grande del Sur, al este con el Océano Atlántico y al
Oeste con Argentina. Se localiza entre los paralelos 26º00’08” S y 29º21’03 S y los
meridianos 48º21’30” W y 53º50’09 W (IBGE, 2010).
Se caracteriza por poseer una elevada pluviosidad, lluvias bien distribuidas
durante el año y no tienen una estación seca bien definida, su valor medio de
precipitación actual está entre 1.219 a 2.373 mm. Junio, Julio y agosto es el trimestre
más frio en todo el estado, para dar pasó al trimestre más cálido diciembre, enero y
febrero o enero, febrero y marzo, según la clasificación climática de Köppen el territorio
se encuentra en el grupo C- Mesotérmico, ya que sus temperaturas medias del mes más
frio están debajo de 18º y por encima de 3º. El clima, como factor formador del suelo,
ejerce una gran influencia en algunas de sus características, las variaciones de
temperatura tienen efectos evidentes en el contenido materia orgánica, en la cantidad de
aluminio y el color del suelo. La Serra Geral es la grande divisoria de aguas que
drenan para el río Uruguai y las que se dirigen para el este, desembocando
directamente en el Océano Atlántico. Más al norte, la Serra do Mar es la divisoria entre
la cuenca del Iguazú y las cuencas de la vertiente atlántica que drenan para el litoral
norte. (EMBRAPA, 2004)
Del este en dirección al oeste, afloran en el territorio Catarinense los sedimentos
recientes del litoral, una falla de rocas magmáticas y metamórficas más antiguas, y una
sucesión de rocas sedimentarias gondwanicas y los derrames de lavas básicas,
intermediarias y acidas de la Formación Serra Geral (Scheibe, 1986).
Figura 2-Localización del área de estudio con sus respectivos tipos de suelos. Fuente: Autores.
Ecuador
Área de estudio
Estado de Santa Catarina
6
Figura 3- Flujograma de la metodología. Fuente: Autores.
Análisis Físico y químico de
muestras:
Organización de las muestras de Suelo
Obtención de Datos Espectrales
Análisis Cualitativo Análisis Quimiométrico
Normalización y transformación de los
Datos y Outliers
PLSR ACP
Modelo de Predicción: 100%- Calibración 30% - Validación
Full cross- validation
7
Muestras de suelo
Las muestras enviadas para la Biblioteca Espectral de Suelos de Brasil (BESB)
por la Empresa de Pesquisa Agropecuaria y de Extensión Rural de Santa Catarina
(EPAGRI) para el desarrollo del trabajo, fueron muestras Simples- una única muestra en
una única profundidad (generalmente los primeros 50 cm)- EMBRAPA. Normalmente
utilizadas para evaluar la fertilidad del suelo o realizar análisis estadísticos. Los análisis
químicos y físicos de las muestras de suelo fueron realizados por la EPAGRI, el análisis
granulométrico (arena, limos y arcilla), lo realizaron según la metodología de Camargo
et al. (1986).
Organización de las muestras de suelo en el Banco de datos
Los ejemplares disponibles para los investigadores y colaboradores de la BESB,
al llegar al Laboratorio de Sensoriamiento Remoto de la Escuela Superior de
Agricultura Luiz de Queiroz – Universidad de Sao Paulo (ESALQ-USP) son
identificadas, catalogadas y almacenadas, para posteriormente ser analizadas.
Cada muestra recibe una nomenclatura única, compuesta por las iniciales del
colaborador, lugar y origen, tipo de muestra y una numeración, esa nomenclatura es
utilizada para identificar las muestras almacenadas y su respectiva información en el
Banco de datos. Así, cada colaborador tiene una ficha de catálogo de la biblioteca, en
donde son inventariadas las muestras y también se puede encontrar información
relevante de estas.
Adquisición de datos espectrales
Para realizar nuestra pasantía nos fueron asignadas 1534 muestras de suelo de la
camada de 0-50 cm provenientes del estado de Santa Catarina, correspondientes a 295
municipios con los que cuenta este estado. Los espectros de reflectancia de las muestras
se obtuvieron en el Laboratorio de Radiometría con el equipo FieldSpec modelo Pro 3:
Analytical Spectral Devices, Boulder, marca Colorado spectroradiometer usando las
longitudes de onda de 350 a 2500 nm (Hatchell, 1999). Para la realización de las
mediciones espectrales, las alícuotas de suelo seco y tamizado fueron colocadas y
distribuidas de forma homogénea en cajas de Petri. El sensor utilizado capto la luz a
través del cable de fibra óptica, colocado a 8cm de la superficie de la muestra. El área
de lectura del sensor fue de aproximadamente 2cm² y la iluminación fue proporcionada
por dos lámparas halógenas externas de 50 W, las lámparas se ubicaron a 35 cm de
distancia de la muestra, con un ángulo cenital de 30°, de tal forma que forma un ángulo
de 90° entre sí. La calibración del sensor se realizó cada 20 minutos utilizando una
8
placa de Spectralon como blanco de 100% de reflectancia. Para cada muestra se
realizaron tres repeticiones, cada una resultante de 50 lecturas del sensor. La media de
estas tres repeticiones se tomó como el comportamiento espectral para cada muestra
(Franceschini et al., 2013).
Foto 1. Montaje para la toma de espectros. Fuente: Autores.
Clasificación de las muestras por clases texturales
Con los datos de la distribución granulométrica de los suelos (proporcionados
por EPAGRI) y la adquisición de los datos radiométrico se calculó el espectro medio
para las diferentes clases texturales de las muestras, clasificadas conforme a las
cantidades de arcilla g/kg, muy arcilloso (mayores o igual a 600), arcilloso (mayores o
iguales a 350 pero menores a 600), medio arcilloso (mayores o iguales a 250 pero
menores a 350), medio arenoso ( mayores o iguales a 150 pero menores a 250), arenoso
(mayores o iguales a 100 pero menores que 150),muy arenosa menor a 100 y una
textura limosa cuando las cantidades de arcilla menores o iguales a 350 y las porciones
de arena menores o iguales a 150, esta clasificación se realizó de acuerdo a la
Clasificación de textural propuesta por EMBRAPA (1997). Posteriormente se
determinaron las medias de las curvas espectrales para clase textural, con el fin de
realizar una comparación de la forma, intensidad y formas de absorción de los espectros
medios conforme con Demattê (2002).
9
Análisis quimiométrico
Diferentes tratamientos se probaron en los espectros con el fin de disminuir
ruidos y no linearidades existentes. Las transformaciones realizadas en los espectros
brutos para mejorar la calidad de los datos fueron la conversión de reflectancia al
logaritmo de su inverso la absorbancia (Log de 1/R) y Multiple Scatering Correction
(MSC)- comúnmente aplicado para la correlación de la línea base, proveniente
principalmente de la no homogeneidad de la distribución de partículas en materiales
sólidos, en espectroscopia en el infrarrojo próximo (BLAZER et al., 1995)
Análisis de los componentes principales
El Análisis de Componentes Principales (ACP) se realizó con el software The
Unscrambler X 10.3 (CAMO software AS). El ACP es uno de los métodos más
comunes utilizados en el análisis de la información por poseer la capacidad de
comprensión de los datos en función de la correlación entre variables existentes
(BROWN, 1995). Ese análisis posibilita evaluar las informaciones espectrales (2150
longitudes de onda) en nuevas variables, o componentes principales. Al aplicar la APC
en datos espectrales el algoritmo calcula un nuevo conjunto de variables (Scores)
denominado Componentes Principales (CP´s).
La mayor parte de la información (Varianza) se concentra en pocas variables
(Scores), esto es una ventaja, pues disminuye la dimensionalidad de los datos, sin
pérdida significativa de la información espectral o química (MANLY, 2004). La
mayoría de las aplicaciones disponibles utilizan la técnica de Descomposición del Valor
Singular (SDV) para obtener las CP´s, siendo en el primer caso la primera Componente
Principal (CP1) definida en la dirección (eje) de mayor varianza del conjunto de
variables originales (VARMUZA et al., 2011).
Calibración y validación de los datos espectrales en la cuantificación de arcilla
Para entender el comportamiento de los datos espectrales, fue realizado un
Análisis de los Componentes Principales (ACP) y para la cuantificación de las
cantidades de arcilla la Regresión por Mínimos Cuadrados (PLSR). La ACP la
desarrollamos con el objetivo de identificar las variaciones espectrales y a partir de los
CP´s identificar los outliers de los datos espectrales. La técnica PLSR combina los
datos espectrales con los valores reales de arcilla generando un modelo para la
cuantificación de estos atributos a través de los espectros. La técnica PLSR es utilizada
a gran escala, debido a la buena respuesta en la estimación de los atributos basada en el
comportamiento del espectro de suelo (VISCARRA ROSSEL, 2008). El software que
10
mejor respondió al gran número de datos para generar el modelo de regresión de arcilla
fue el programa Unscrambler. (CAMO´s. (2014). The Unscrambler X, versión 10.3).
A partir de 9.952 muestras de suelo de la BESB Se creó un grupo de datos para
la calibración de los modelos de predicción (100%, 9.952 muestras) y un grupo para la
validación, muestras de ensayo (30%, 2.986).
Según SATO, (2015) la PLSR puede ser descrita de forma básica en las
siguientes etapas:
Los Loadings de los vectores de ponderación son calculados
𝑊1 = 𝑐. 𝑋0. 𝑦0
Ec. 1
Donde W1 son los pesos de cada una de las regiones del espectro, X0 es la matriz de los
datos espectrales y y0 es la matriz del atributo que se deja moldear, en caso nuestro caso
cantidad de arcilla, c es el factor escalar que es calculado por:
𝑐 = (𝑦0 𝑇 . 𝑋0. 𝑋0
𝑇 . 𝑦0)−0.5
Ec. 2
Los Scores y los Loadings son calculados por
�̂�1 = 𝑋0. �̂�1
Ec. 3
Donde �̂� es una matriz de una columna (Scores de reflectancia)
𝑝1 =(𝑋0
𝑇. �̂�1)
�̂�1𝑇 . �̂�1
Ec. 4
Donde p1 es una matriz de una columna (Loadings de reflectancia)
𝑞1 =(𝑦0
𝑇. �̂�1)
�̂�1𝑇. �̂�1
Ec. 5
11
Y donde q1 es una matriz de una columna y una fila (un único valor, Loading del
atributo), de esta forma los coeficientes de regresión (b) pueden ser calculados por:
𝑏 = 𝑊(𝑝𝑇. 𝑊)−1 . 𝑞
Ec. 6
Y es calculado también el factor de correlación
𝑏0 = 𝑦 − 𝑋𝑇 . 𝑏
Ec. 7
Así, la estimación del atributo puede ser hecha por
𝑌 = 𝑏0 + ∑(𝑅𝑖 . 𝑏𝑖)
𝑛
𝑖=1
Ec. 8
Donde Y es el valor del atributo modelado, b0 es el factor de correlación, bi son
los coeficientes de regresión para cada región del espectro y Ri es la reflectancia en cada
región del espectro. Una de las características de este modelo de regresión es que puede
ser mejorada a través de las matrices de residuos de la regresión inicial. Así, se realiza
una nueva regresión minimizando estos residuos y obteniendo nuevos coeficientes b.
Estas matrices son calculadas por:
𝑋1 = 𝑋0 − 𝑡1. 𝑝1𝑇
Ec. 9
𝑦1 = 𝑦0 − 𝑡1. 𝑞1𝑇
Ec. 10
Donde X1 y y1 son las nuevas matrices a partir de las cuales es realizada la nueva
regresión. Este procedimiento puede ser repetido varias veces minimizando cada vez
más los residuos o el error y mejorando así, hasta cierto punto las regresiones, si el
procedimiento es realizado n veces se dice que tiene n factores o n CP´s de PLSR. Las
regresiones PLSR han sido ampliamente utilizadas, presentando buen desempeño en la
estimativa del atributo basada en el comportamiento espectral de suelos
(MCBRATNEY, MENDONÇA-SANTOS, & MINASNY, 2006; VISCARRA
ROSSEL, 2008; VASQUES, GRUNWALD, & SICKMAN, 2008; J.A.F. PIERNA &
P.DARDENNE, 2008; ZORNOZA et al., 2008; FRANCESCHINI et al., 2013)
12
En la calibración de la arcilla el número de factores o CP´s de PLSR fueron
escogidos usando como criterio la Raíz del Error Cuadrático Medio (RMSE) y la
Varianza Residual de Y (arcilla). Durante la fase de validación de los modelos fueron
estimados a través del Coeficiente de Determinación (R2) (Ec. 11), RMSE (Ec. 12),
Error Medio (ME o Margen de error) (Ec. 13), Desviación Estándar del Error (SDE)
(Ec. 14), Regression Point Displacement (RPD) (WILLIAMS, 1987) y la línea de
tendencia (slope)
Donde:
𝑅2 =∑ (�̂�𝑖
𝑛𝑖=1 − �̅�𝑖)2
∑ (𝑦𝑖𝑛𝑖=1 − �̅�𝑖)2
Ec. 11
𝑅𝑀𝑆𝐸 = √1
𝑁∑(�̂�𝑖 − 𝑦𝑖)2
𝑁
𝑖=1
Ec. 12
𝑀𝐸 = 1
𝑁∑(�̂�𝑖 − 𝑦𝑖)
𝑁
𝑖=1
Ec. 13
𝑆𝐷𝐸 = ∑ (�̂�𝑖 − 𝑦𝑖 − 𝑀𝐸)2𝑁
𝑖=1
1 − 𝑁
Ec. 14
𝑦�̂� indica los valores estimados por el modelo, 𝑦𝑖 indica los valores observados y
N es el número de observaciones de la variable a modelar. A diferencia entre el valor
observado (referencia) y el predicto es denominado residuo.
El RPD es la división entre la Desviación Estándar de los datos de referencia y el
RMSE de la validación del modelo (Ec. 15)
𝑅𝑃𝐷 = 𝑆𝐷 𝑟𝑒𝑓𝑒𝑟é𝑛𝑐𝑖𝑎
𝑅𝑀𝑆𝐸𝑉𝑎𝑙𝑖𝑑𝑎𝑐𝑖ó𝑛
Ec. 15
La inclinación de la línea de tendencia indica la calidad del modelo de los datos.
Por ejemplo en una validación donde los valores predictos son exactamente iguales a los
observados, la relación es 1:1 Y la inclinación de la línea de tendencia es igual a 1. El
ME es la media de los residuos, e indica si un modelo sobrestima o subestima los
valores del atributo (Sato, 2015).
13
Para determinar cuáles valores de los parámetros R2 y RSME que constituyen el
modelos son adecuados es subjetivo; también en el momento de comparar los resultados
de diferentes calibraciones, es por esto que se usa el RPD como otra forma de parámetro
(DUNN et al., 2002). Según Shi et al., (2014) en general buenas predicciones tienen
altos valores de R2 y RPD.
RESULTADOS Y DISCUSIÓN
Caracterización de los espectros
Se observan espectros de los principales órdenes de suelos del Sistema Brasilero
de Clasificación de Suelos (Figuras 4-11). El sistema de caracterización de los espectros
se adaptó de la técnica MIRS de Demattê et al. (2014).
Argissolos
Los Argissolos poseen como característica de formación la acumulación de
arcilla en los horizontes subsuperficiales asociado a la baja actividad de la arcilla o a la
baja actividad cuando está asociada al carácter alítico (EMBRAPA, 2013). Los
Argissolos presentes en 43 de los 295 municipios del Estado de Santa Catarina
mostraron alta variabilidad en los atributos pedológicos influenciando la variación de
sus espectros (Figura 4).
El albedo presentó valores de reflectancia entre 0,1 y 0,65; esto ocurrió debido a
variaciones en la composición granulométrica y la mineralogía de estos suelos. Los
suelos con cantidades elevadas de arcilla poseen espectros con bajos valores de albedo.
(STONER et al., 1980; FORMAGGIO, 1996; DEMATTÊ et al., 2014, DEMATTÊ;
TERRA, 2014). Contrario a los suelos con fracción de arena y limo predominan que
poseen en media 0,7 de albedo ocasionado por la alta reflectancia del cuarzo (WHITE et
al., 1997; BELLINASO; DEMATTÊ; ROMEIRO, 2010).
La materia orgánica tiene una fuerte influencia en los espectros de los horizontes
superficiales a lo largo de todo el espectro electromagnético e interfiere en la reducción
de varias características de absorción de óxidos de hierro, minerales 2:1 y caolinita
(SORIANO-DISLA et al., 2014). Los espectros de los suelos de la región oeste fueron
14
los que presentaron las características más determinantes de minerales 2:1 (1400, 1900,
y 2200 nm) (CLARK, 1999; GOETZ; CURTISS; SHILEY, 2009; DEMATTE;
TERRA, 2014), hematita y goethita que dan forma cóncava a la curva y una fracción
sutil de gibbsita.
En la figura 4a se presentan las curvas espectrales de los Argissolos presentes en
los municipios de Treviso (amarilla) de mayor reflectancia, São Ludegero (roja), Treze
de Maio (verde) y São Martinho (azul) que además de ser de reflectancia baja
comparten un formato plano. En la figura 4b se evidencia la presencia de materia
orgánica que deja de forma cóncava a rectilínea a las curvas espectrales de muestras de
suelo pertenecientes a los municipios de Luiz Alves (amarilla), Bom Retiro (roja),
Urubici (verde) y Lauro Muller (azul), también se observa una fracción. En algunos
suelos de los municipios de Cocal do sul, Urrussanga, Críciuma y Orleans (figura 4c) se
puede apreciar claramente como la presencia de minerales como la goethita (450 nm),
hematita (800 nm) y caolinita (2200 nm) dan formas características en la longitud de
onda donde son absorbidos.
Las curvas espectrales de los Argissolos en su mayoría tienen una inclinación
ascendente hasta los 2200 nm donde cambia a inclinación descendente, más allá de eso
a partir de esa franja de espectro el albedo es alto consecuencia de la cantidad de las
cantidad de fracción arenosa en los horizontes superficiales de acuerdo con Demattê &
Terra (2014).
Cambissolos
Su nombre hace alusión al principio de diferenciación de los horizontes
manifestados por el cambio de color, son suelos con pedogénesis poco avanzada y
horizonte B incipiente, poseen cantidades relativamente altas de minerales primarios
fácilmente reconocibles a la intemperie con fragmentos de roca (EMBRAPA, 2013). Es
el tipo de suelo con más frecuencia en Santa Catarina; presente en 164 del total
municipios.
Las curvas espectrales de los Cambissolos (figura 5) tienen sus valores de
reflectancia entre 0,1 y 0, 8, son de forma cóncava a rectilínea por la influencia de
15
materia orgánica como se puede ver en la figura 5b y presencia de minerales 2:1 (1400,
1900 y 2200 nm) sin presencia de caolinita ni gibbsita (2265nm) característico de suelos
con bajo desarrollo pedogenético de acuerdo con Demattê & Nanni (2003). También
minerales como la hematita (530, 885 nm) y goethita (480 nm, 917 nm) son
ampliamente encontrados en gran parte de los Cambissolos.
Los Cambissolos Hálpicos presentes en los municipios de Saudades,
Romelândia, Correia Pinto y Balneário Piçarras (Figura 5a) mostraron tener un valor de
albedo casi igual entre sí, además de su formato plano y ausencia de minerales. Por el
contrario las curvas espectrales de los Cambissolos Hálpicos de los municipios de Rio
dos Cedros, Ipira, Taió y Jaborá (figura 5c) muestran claramente la influencia de los
minerales en el formato de la curva espectral. Los Cambissolos Húmicos de los
municipios Descanso, Palmitos, Capinzal e Imaruí (figura 5b) muestran la presencia de
minerales 2:1 por los picos presentados en los 1400, 1900 y 2200 nm y también
evidencian la fuerte influencia de la materia orgánica por la forma rectilínea a cóncava
que tiene la curva espectral entre los 550 y 1200 nm.
Semejante con los Argissolos gran parte de las Cambissolos muestran curvas de
aspecto ascendente hasta los 2200 nm donde la dirección de la curva cambia a ser de
aspecto descendente hasta llegar a los 2500 nm.
Espodossolos
Los Espodossolos generalmente son suelos de fertilidad pobre, con acidez
moderada a fuerte, normalmente con saturación baja por bases y con ocurrencia de altas
cantidades de aluminio extraíble. Se desarrollan principalmente a partir de materiales
arenocuarzosos con condiciones de humedad elevada, en clima tropical y subtropical
(EMBRAPA, 2013).
Los espectros de los Espodossolos encontrados tienen valores de albedo entre
0,3 y 0, 7 como se observa en la figura 6 y se destacan por mostrar con claridad sus
características físicas. La mayoría de las curvas espectrales muestran presencia de
óxidos de hierro (800 – 900 nm), goethita (760 – 1150 nm), minerales 2:1 (1400, 1900 y
2200 nm), fuerte marcación de las fracciones de caolinita (2200 nm) y gibbsita (2265
16
nm) y ausencia de hematita. Los Espodossolos Ferrocárbicos están presentes apenas en
tres municipios del Estado de Santa Catarina; Araquari, Barra Velha y São João do
Itapería. En la figura 6a; la curva espectral amarilla de un suelo procedente de Araquari
tiene un valor de albedo superior a las demás, junto con la curva espectral verde de
Barra Velha tienen un formato convexo en el intervalo de 550 a 800 nm. Los
Espodossolos Ferrocárbicos de la figura 6b al igual que los de la figura 6a denotan la
presencia de algunos minerales como la goethita, hematita, caolinita y gibbsita por la
forma de sus picos en los 900 nm, 2150 nm y 2200 nm respectivamente.
Algunos de ellos muestran la forma rectilínea a curva asociada a la influencia
que tienen las altas cantidades de materia orgánica en la región comprendida entre los
600 y 850 nm.
Gleissolos
Los Gleissolos son hidromorfos por la fuerte gleización resultante de procesos
de intensa reducción de compuestos de hierro, en presencia de materia orgánica, con o
sin alternancia de oxidación, por efecto de la fluctuación del nivel freático, en
condiciones de mal drenaje permanente o periódico (EMBRAPA, 2013). Están
presentes en 7 de los 295 municipios que conforman el estado de Santa Catarina.
Los Gleissolos presentaron valores de albedo entre 0,3 y 0,66 (Figura 7) y
generalmente presentan gran variabilidad textural con valores de arcilla entre 80 y 340
g/Kg. Las curvas espectrales son de forma rectilínea a cóncava típico de suelos con alto
contenido de materia orgánica (DEMATTÊ et al., 2014).
Las características de hidromorfismo están presentes en todos los espectros de
los Gleissolos encontrados en Santa Catarina, en los algunas muestras de los municipios
de Itajaí, Irienópolis y Gaspar (figura 7a) es posible observar una convexidad de la
curva entre los 350 y 450 nm, ausencia de concavidad de óxidos de hierro en la región
de los 850 nm y 900 nm y un formato plano dominante. Los Gleissolos Hálpicos de
reflectancia media (figura 7b) muestran un diferencia en la forma de la curva espectral
en el intervalo de 550 a 800 nm, en el caso uno de los suelos del municipio de
Canoinhas y uno de Camboriú hay una concavidad que representa la presencia de altas
17
cantidades de materia orgánica contrario del suelo del municipio de Navegantes que
muestra convexidad en este mismo intervalo. En la figura 7c se evidencia un mayor
valor de albedo del suelo proveniente del municipio de Ilhota (curva amarilla) con
respecto a los suelos de Irienópolis (curvas roja y verde) de reflectancia media y la del
municipio de Camboriú (curva azul) con el menor valor de albedo, un cambio en la
inclinación de la curva espectral de ascendente hacia plano en los 800 nm y picos en los
1400, 1900 y 2000 nm que según Demattê et al., (2014) indican la presencia de
minerales 2:1.
Latossolos
Los Latossolos generalmente son suelos profundos, viejos, bien drenados,
homogéneos, poseen estructura granular y siempre ácidos. Son formados por el proceso
denominado latolización que consiste básicamente en la remoción de sílice y de algunas
bases ( Ca2+, Mg2+, k+, etc.) después de la transformación de los constituyentes
minerales primarios. Son los suelos de mayor representación geográfica de Brasil;
ocupando cerca de 300 millones de hectáreas (EMBRAPA, 2013).
El albedo de las curvas espectrales varía de 0,2 a 0,6. Los espectros muestran
una tendencia de reflectancia baja, esto ocurre debido a la influencia de los óxidos de
hierro asociados al material de origen lo que de acuerdo con Sato (2015) es típico de los
Latossolos Vermelhos Férricos y los Latossolos Brunos, presentes en Santa Catarina.
Los Latossolos Vermelhos de reflectancia baja (figura 8a) muestran un formato
plano con una ascendencia leve y de manera sutil la presencia de Gibbsita en 2265 nm.
Reconocimiento caolinita en los Latossolos Brunos de reflectancia media de los
municipios Zortéa (curva amarilla), Ipuaçu (curva roja), Gutambú (curva verde) y
Guarujá (curva azul) en la figura 8b y cambio de sentido de la curva espectral en los
2200 nm en los Latossolos Brunos de reflectancia alta de los municipios Bela vista do
Toldo (curva amarilla), Três Barras (curva verde), Abelardo Luz (curva azul) y
Cordilheira Alta (curva roja) (figura 8c) semejante al presente en los Cambissolos y
Argissolos.
18
Neossolos
Son suelos con baja actuación de los procesos pedogenéticos, sin alteraciones
expresivas de su material parental prevaleciendo las características heredadas del
mismo. No poseen horizonte B diagnóstico y se forman de materiales muy resistentes al
intemperismo (EMBRAPA, 2013).
La intensidad de reflectancia de los Neossolos de Santa Catarina se encuentra
entre 0,1 y 0,67 como se observa en la figura 9. En todos los espectros se puede
determinar fácilmente la presencia de minerales 2:1 en 1400 nm, 1900 nm y 2200 nm.
Se identificaron tres principales tendencias en las curvas espectrales, la primera
aquellas con valores de reflectancia muy bajos (figura 9a) con forma plana a partir de
los 800 nm, la segunda (figura 9b) con valores de reflectancia medios y presencia de
goethita (480 nm), una fracción sutil de hematita (760-1150 nm) y caolinita (2200 nm)
bien marcadas y la tercera tendencia (figura 9c) con los valores de albedo más altos con
aspecto ascendente y de forma cóncava que muestra la influencia de la materia orgánica.
Posiblemente no se logró identificar la presencia de óxidos de hierro debido a la
presencia de materia orgánica, principalmente entre 350 nm y 1100 nm, disminuyendo
la intensidad de la reflectancia en estas longitudes de onda como lo afirman Mathews,
Conningham & Petersen (1973).
Nitossolos
Los Nitossolos poseen un alto desarrollo pedogenético, con horizonte
diagnostico B nítido y débil diferenciación entre horizontes. Poseen textura arcillosa o
muy arcillosa, sin aumento significativo de arcilla en profundidad (ausencia de
gradiente textural) (EMBRAPA, 2013).
De acuerdo con las cantidades de arcilla predictas los Nitossolos evaluados son
de textura arcillosa, los valores de albedo varían entre 0,15 y 0,39 (figura 10). En su
mayoría los espectros poseen una fuerte influencia de la hematita, observada en los 530
nm. En la figura 10a se muestran los Nitossolos Vermelhos de reflectancia baja de los
municipios Curitibanos (curva amarilla), São Cristóvão do Sul (curva roja), Frei
19
Rogério (curva verde) y Fraiburgo (curva azul) que comparten un formato descendente
después delos 800 nm. Por el contrario los Nitossolos Hálpicos de reflectancia media
(figura 10b) presenten en los municipios de Praia Grande (curva amarilla), Abdon
Batista (Curva Roja), Celso Ramos (curva verde) y Cerro Negro (curva azul) muestran
un formato ascendente junto con la presencia de goethita en los 480 nm. Generalmente
no pronuncian absorción de minerales 2:1 ni de caolinita.
Organossolos
Los Organossolos son formados por la acumulación de material orgánico y son
de colores oscuros. Los materiales orgánicos presentes en esta clase de suelo se
descomponen lentamente, pues están asociados a condiciones restrictivas de drenaje o
en ambientes húmedos y fríos de altitudes elevadas, saturados con agua por pocos días
durante el periodo lluvioso (EMBRAPA, 2013).
Las curvas espectrales de los Organossolos presentes en Santa Catarina (figura
11) muestran las características típicas de los suelos con altas cantidades de materia
orgánica, baja reflectancia de la región de longitudes de onda 350 - 1350 nm, como lo
expresan algunos autores (DEMATTÊ & TERRA, 2014), especialmente entre los 400 y
700 nm (espectro visible) los espectros tienen una intensidad de reflectancia entre 0,03 y
0, 2, o sea, para el ojo humano son de color oscuro porque absorben bastante energía
electromagnética en estos longitudes de onda.
Los Organossolos Hálpicos de reflectancia media presentes en los municipios de
Gravatal y Tubarão (figuras 11a y 11b) muestran presencia de minerales 2:1 (1400 nm,
1900 nm y 2200 nm), minerales como goethita (760 – 1150 nm) y Caolinita en la
longitud de onda 2200 nm. Las altas cantidades de materia orgánica dificultan el
reconocimiento de los óxidos de hierro en la franja espectral comprendida entre 800 y
950 nm (MATHEWS, CONNINGHAM, & PETERSEN, 1973).
20
Figura 4- Curvas espectrales de los Argissolos Vermelho-Amarelos, G: Goethita, Gb: Gibbsita, H:
Hematita, K: Caolinita. Fuente: Autores.
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Re
fle
ctan
cia
Complementos de onda (nm)
Treviso São Ludegero Treze de Maio São Martinho
Formato plano
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Complementos de onda (nm)
Luiz Alves Bom Retiro Urubici Lauro Muller
MO : formato
cóncavo a rectilíneo
Gb
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Complementos de onda (nm) Cocal do Sul Urussanga Críciuma Orleans
G
G + H Minerales 2:1
G
G + H
K
a) Argissolos Vermelho-Amarelos de reflectancia baja
b) Argissolos Vermelho- Amarelos de reflectancia media
c) Argissolos Vermelho-Amarelos de reflectancia alta
21
Figura 5-Curvas espectrales de los Cambissolos Hálpicos y Húmicos, G: Goethita, H: Hematita,
MO: Materia Orgánica, 2:1: Minerales 2:1. Fuente: Autores.
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Re
fle
ctan
cia
Longitudes de Onda (nm)
Saudades Romelândia Correia Pinto Balneário Piçarras
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Descanso Palmitos Capinzal Imaruí
Formato rectilíneo
a cóncavo típico de
altas cantidades de
MO
Más arcilla
Menos arcilla
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Rio dos Cedros Ipira Taió Jaborá
G +H
2:1
(a) Cambissolos Hálpicos de reflectancia baja
(b) Cambissolos Húmicos de reflectancia media
(c) Cambissolos Hàlpicos de reflectancia alta
22
Figura 6-Curvas espectrales de los Espodossolos Ferrocárbicos, G: Goethita, Gb: Gibbsita, H:
Hematita, K: Caolinita, OH: Óxidos de hierro, W: Agua, 2:1: Minerales 2:1. Fuente: Autores.
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Re
fle
cta
nci
a
Longitudes de Onda (nm) Araquari Barra Velha Barra Velha Barra Velha
Formato
convexo
OH W, 2:1
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm) Barra Velha São João do Itapería Araquari Araquari
G + H
Gb
K
(a) Espodossolos Ferrocárbicos de reflectancia alta
(b) Espodossolos Ferrocárbicos de reflectancia alta
23
Figura 7- Curvas espectrales de los Gleissolos Hálpicos
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Re
fle
ctan
cia
Longitudes de Onda (nm)
Itajaí Irienópolis Gaspar Irienópolis
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Navegantes Canoinhas Canoinhas Camboriú
Formato
rectilíneo a
cóncavo
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Ilhota Irienópolis Irienópolis Camboriú
(a) Gleissolos Hálpicos de reflectancia baja
(b) Gleissolos Hálpicos de reflectancia media
(c) Gleissolos Hálpicos de reflectancia alta
24
Figura 8- Curvas espectrales de los Latossolos Brunos y Vermelhos, Gb: Gibbsita, K: Caolinita.
Fuente: Autores.
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Lajeado Grande Galvão São Domingos Xaxim
Gb
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Zortéa Ipuaçu Gutambú Guarujá
K
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Re
fle
cta
nci
a
Longitudes de Onda (nm)
Bela Vista do Toldo Três Barras Abelardo Luz Cordilheira Alta
Cambio de
sentido
(a) Latossolos Vermelhos de reflectancia baja
(b) Latossolos Brunos de reflectancia media
(c) Latossolos Brunos de reflectancia alta
25
Figura 9-Curvas espectrales de los Neossolos Quartzarenicos, G: Goethita, H: Hematita, K:
Caolinita. Fuente: Autores.
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Re
fle
ctan
cia
Longitudes de Onda (nm)
Seara Anchieta São José do Cedro Vargeão
Formato plano
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Xavantina São Lourenço do Oeste Ipumirim Guaraciaba
G + H
K
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Morro da Fumaça Balneário Gaviota Sombrio Imbituba
Minerales 2:1
(a) Neossolos Quartzarenicos de reflectancia baja
(b) Neossolos Quartzarenicos de reflectancia media
(c) Neossolos Quartzarenicos de reflectancia alta
26
Figura 10- Curvas espectrales de los Nitossolos Hálpicos y Vermelhos, G: Goethita. Fuente:
Autores.
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Re
fle
ctan
cia
Longitudes de Onda (nm)
Curitibanos São Cristóvão do Sul Frei Rogério Fraiburgo
Formato descendente
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Praia Grande Abdon Batista Celso Ramos Cerro Negro
G
(a) Nitossolos Vermelhos de reflectancia baja
(b) Nitossolos Hálpicos de reflectancia media
27
Figura 11- Curvas espectrales de los Organossolos Mésicos, G: Goethita, K: Caolinita, MO:
Materia Orgánica. Fuente: Autores.
Variables que influencian la forma de curva espectral
La reflectancia espectral del suelo es medida a través de la combinación de los
constituyentes del suelo con la luz incidente, los constituyentes incluyen materia
orgánica, minerales y agua (CLARK, 1999). El porcentaje de luz incidente que es
reflejada por los suelos en las diferentes longitudes de onda constituye el
comportamiento espectral de los suelos y es conocida como curva espectral de los
suelos o espectro del suelo. Estas interacciones generan características específicas de
absorción en diferentes longitudes de onda para los diferentes suelos. El
comportamiento del espectro de suelo depende directamente de la composición química,
física, biológica y mineralógica del suelo. Los principales constituyentes que influyen el
0
0.2
0.4
0.6
0.8
1
350 600 850 1100 1350 1600 1850 2100 2350
Re
fle
ctan
cia
Longitudes de Onda (nm)
Gravatal Gravatal Tubarão Tubarão
Minerales 2:1
MO
00.10.20.30.40.50.60.70.80.9
1
350 600 850 1100 1350 1600 1850 2100 2350
Ref
lect
anci
a
Longitudes de Onda (nm)
Gravatal Tubarão Gravatal Tubarão
G
K
(a) Organossolos Hálpicos de reflectancia media
(b) Organossolos Hálpicos de reflectancia media
28
comportamiento espectral de los suelos son la materia orgánica, óxidos de hierro,
tamaño de las partículas, mineralogía de las fracciones de arcilla y humedad del suelo
(DAMOLIN et al., 2005). Para el desarrollo de nuestro trabajo se obtuvieron 1534
curvas espectrales, las cuales se clasificaron de acuerdo a su clase textural y
posteriormente se realizó un análisis cualitativo de los minerales y el albedo presente en
las curvas y su influencia en otras características, las variables identificadas se
relacionan en la tabla No 1.
Tabla 1- Variables que influencian la forma de la curva espectral. Fuente: Autores.
VARIABLES IDENTIFICADAS DESCRIPCIÓN
Albedo
Es el porcentaje de radiación que cualquier
superficie refleja respecto a la radiación que incide
sobre la misma (DAMOLIN, 2002)
Minerales
Gibbsita: es un oxido (Al (OH)3) muy abundante.
Está ampliamente difundida en los suelos del
mundo, pero especialmente en los suelos
tropicales, como típico producto de meteorización
tropical. (BESAAIN, 1970)
Caolinita: es el mineral más representativo de los
minerales caoliníticos, está formada por la unión
de una capa tetraédrica de silicio con una
octaédrica de aluminio. (BESAAIN, 1970)
Hematita: (Fe2O3), puede encontrarse en formas
groseramente cristalinas en limos y arenas de
suelos. Proporciona el color rojo brillante.
Particularmente abundante en oxisoles. Muy
abundante en todas las tierras rojas. (BESAAIN,
1970)
Cuarzo: es un mineral compuesto de sílice (SiO2),
es uno de los minerales más comunes de la corteza
terrestre. Se destaca por su pureza y resistencia a la
meteorización. (BESAAIN, 1970)
Goethita: (Fe2O3H2O), se presenta
preferentemente en los Latossolos (oxisoles), en
forma de acumulación de hierro en capas
cementada. Este Óxido de Hierro otorga un color
rojizo o parduzco al suelo. (BESAAIN, 1970)
29
Análisis de Componentes Principales (ACP)
ACP – Datos usados para la creación del modelo (BESB)
La variabilidad de las muestras de la BESB puede ser observada en la figura 12
donde se presentan las Scores de los componentes principales 1 y 2. En este análisis se
utilizaron los espectros de 2000 muestras de suelo escogidas aleatoriamente del banco
de datos de la BESB. Los colores en la figura 12 representan la textura de las muestras,
donde verde representa la textura arenosa, rojo la textura franca (media) y azul la
textura arcillosa. Los valores negativos de CP1 corresponden a las muestras más
arenosas y los positivos a las muestras más arcillosas de acuerdo con Galvão, Pizarro &
Epiphanio (2001). Sobre la varianza tenemos que el CP1 explica el 86% de los datos y
el CP2 el 11%, siendo así la varianza total de estos componentes es 97% de los 2000
datos usados para la creación del modelo.
Figura 12- Scores CP1 vs CP2. Fuente: Autores.
Cada CP tiene sus valores de Loading que representan la importancia o peso de
las longitudes de onda dentro de cada componente. Las variables con valor de Loading
distante de cero es considerada importante, con alto peso dentro del CP (SORIANO-
DISLA et al., 2014). En la figura 13 se muestras los valores de Loading para CP1 (azul)
y CP2 (rojo), donde para CP1 todas las longitudes de onda muestran una importancia
casi constante relacionado con el albedo general de la curva, mostrando la influencia del
mineral cuarzo. En cuanto al CP2 se tienen los Loading representativos entre 350 y 400
nm con un pico en 480 nm (goethita), entre 500 y 600 nm (hematita), entre 1900 y 2000
-12
-10
-8
-6
-4
-2
0
2
4
6
-20 -10 0 10 20 30
CP
2
CP1 Arcilloso Franco Arenoso
30
nm (minerales 2:1) y un pico en 2200 nm (caolinita) (VISCARRA ROSSEL &
WEBSTER, 2011).
Figura 13- Loadings CP1 (86%) y CP2 (11%). Fuente: Autores.
Considerando que el ACP correlaciona todas las longitudes de onda entre si, se
puede observar que son suficientes los CP1 y CP2 para explicar la mayoria de los datos
espectrales usados para la creación del modelo como se ve reflejao en la figura 14.
Figura 14- Varianza explicada de los componentes principales PC´s. Fuente: Autores.
ACP – Datos espectrales de los suelos de Santa Catarina
Los espectros de los suelos de Santa Catarina expresan bien sus caracteristicas
texturales en la grafica de las Scores de los componentes principales 1 y 2 (figura 15),
Los colores en la figura 15 representan la textura de las muestras, donde verde
representa la textura arenosa, rojo la textura franca (media) y azul la textura arcillosa.
31
Figura 15- Scores CP1 vs CP2. Fuente: Autores.
En este caso el CP1 muestra el 95% de las caracteristicas texturales de las
muestras, el CP2 apenas contribuye con un 3%, o sea, en total se representan el 98% de
los 1534 muestras de suelo de Santa Catarina.
Cuantificación de Arcilla
En la figura 16 se presente el histograma con los valores de cantidad de arcilla
(g/Kg) y el numero de muestras del estado de Santa Catarina, generalmente se tiene un
mayor numero de muestras de suelos con textura média. Los valores de media y
desviacion estandar son 269,56 y 115,81 g/Kg de arcilla, respectivamente.
Figura 16- Histograma de la cantidad de arcilla y la cantidad de muestras. Fuente: Autores.
El modelo hecho con los datos espectrales de 2000 muestras de la BESB
demostró con datos robustos que es optimo para la prediccion de la cantidad de arcilla,
-6
-4
-2
0
2
4
6
8
10
-30 -20 -10 0 10 20 30
CP
2
CP1
Arcilloso Franco Arenoso
0
100
200
300
400
500
600
700
1
70
139
208
277
346
415
484
553
622
691
760
829
898
967
1036
1105
1174
1243
1312
1381
1450
Can
tid
ad d
e A
rcill
a g/
Kg
Muestras
En este sentido suelos más arcillosos
32
en este caso de las 1534 muestras de suelo del Estado de Santa Catarina como lo
expresa la tabla 1, donde el valor de RMSE fue de 64,1134 g/Kg, el coeficiente de
correlación R2 tuvo un valor de 0,81 y el RPD igual a 2,0547.
Tabla 2- Estadística descriptiva y desempeño del modelo de cuantificación de arcilla. Fuente:
Autores.
Nº Muestras Media Desviación
estandar R2 RMSE RPD
Santa Catarina 1534 269,5686 115,8156 - - -
BESB 2000 252,0700 131,7394 0,8084 64,1134 2,0547
Sayes, Mouazen & Ramon (2005) establecieron que valores de R2 entre 0,66 a
0,81, de 0,82 a 0,90 y superiores 0,90 indican modelos cuantitavos de prediccion de los
atributos de suelo aceptables, buenos y excelentes, respectivamente. De acuerdo con lo
anterior el R2 obtenido en el actual trabajo, entre 0,81 < R
2 < 0,90 indicia un modelaje
aceptable a bueno para la predicción de valores de arcilla.
Los valores de RPD menores que 1,5 son insuficientes para la mayoría de las
aplicaciones, mientras que los modelos con valores mayores que 2,0 son considerados
excelentes para la prediccion de atributos. Los modelos con RPD entre 1,5 y 2,0 son
útiles en relacion a la exactitud de la predicciones (CHANG et al., 2001; DUNN et al.,
2002). Lo que indica que el modelo generado con los datos espectrales de la BESB es
un modelo excelente para la predicción de cantidades de arcilla teniendo un valor de
2,05.
Considerando el conjunto de resultados gráficos, bajos valores de error, valores
altos de R2 y RPD, el modelo puede ser considerado bueno para la predicción de
cantidades de arcilla en los suelos de Santa Catarina.
Validación Cualitativa de los Resultados de la Predicción
Cualitativamente también es posible dar una idea de la validez de la predicción
de arcilla hecha por el modelo, consiste basicamente en el análisis de las tendencias
expresadas en la gráfica de las Scores CP1 vs CP2 (figura 17) y la curva patrón (figura
18).
33
En la figura 17 se puede observar las cinco clases texturales bien definidas
gracias al modelo de cuantificación de arcilla. De izquierda a derecha los scores de
color fucsia representan los suelos muy arenosos, los rojos los suelos arenosos, los
naranjas los suelos medio arenosos, los amarillos los suelos de textura medio arcillosa y
por último el morado representa los suelos arcillosos.
Figura 17- Scores CP1 vs CP2. Fuente: Autores.
En la figura 18 se muestra un resumen de los espectros por cantidades de arcilla
predichas usando la clasificación textural propuesta por EMBRAPA (1997), donde
también se pueden apreciar las mismas cinco clases texturales que en la figura anterior.
En este caso de arriba hacia abajo, el color fucsia representa los suelos muy arenosos
con reflectancia mayor, el rojo los suelos arenosos, el naranja los suelos medio
arenosos, el amarillo los suelos medio arcillosos y el morado los suelos arcillosos con
valores de albedo más bajos.
Figura 18- Curva Espectral Patrón de los suelos de Santa Catarina. Fuente: Autores.
-6
-4
-2
0
2
4
6
8
10
-30 -20 -10 0 10 20 30
CP
2
CP1 Arcilloso Medio Arcilloso Medio Arenoso Arenoso Muy Arenoso
00.10.20.30.40.50.60.70.80.9
1
350 850 1350 1850 2350
Re
lect
anci
a
Complementos de Onda (nm)
Arcilloso Medio Arcilloso Medio ArenosoArenoso Muy Arenoso
34
Una valoración cualitativa de los datos objeto de estudio es una herramienta
importante para decidir la pertinencia de los mismos, además de ser una validación
sencilla y rápida.
35
CONCLUSIONES
1. Podemos predecir cuantitativamente atributos físicos como las cantidades de
arcilla de los suelos de Santa Catarina a través de un modelo elaborado con el
banco de datos de la Biblioteca Espectral de Suelos de Brasil con resultados
robustos que demuestran que el modelo es aceptable para la región.
2. Suelos de diferentes órdenes taxonómicas, o suelos del mismo orden, pero con
clases texturales diferentes, presentaron diferencias apreciables en la forma de la
curva espectral, siendo susceptibles a ser discriminados por sensoramiento.
3. Los siguientes parámetros influenciaron las variaciones espectrales: el albedo, la
forma de la curva como un todo, cantidad de materia orgánica, óxidos de hierro,
hematita, goethita, caolinita, gibbsita, cuarzo, agua higroscópica y minerales 2:1.
4. La validación cualitativa funcionó para comprobar si los datos espectrales se
correlacionan con las variables fisicoquímicas de los suelos por tanto es
replicable a manera de pretratamiento para los datos espectrales usados en la
creación de modelos estadísticos de predicción o cuantificación de atributos
fisicoquímicos.
36
37
TRABAJO FUTURO
En Colombia, la información derivada de la espectroscopía es ampliamente
utilizada por diferentes instituciones como el Instituto de Investigaciones Marinas y
Costeras (INVEMAR), La Universidad Nacional de Colombia y el Centro Internacional
de Agricultura Tropical (CIAT) en sus respectivos temas de interés. Sin embargo el
desconocimiento del potencial que tienen estas herramientas hacen que se subutilicen
este tipo de tecnologías que por costos razonables permiten el desarrollo de
investigaciones en temas ambientales, especialmente útiles en el planeamiento y
administración de los recursos naturales que es uno de los paradigmas del desarrollo
sostenible que queremos alcanzar.
Modelos de cuantificación de atributos fisicoquímicos del suelo como el
presentado en este trabajo son replicables en Colombia, reforzando los lazos de
cooperación entre instituciones como el Instituto Colombiano Agropecuario (ICA) -que
cuenta con espectroradiómetros de campo- universidades u otras instituciones para
desarrollar proyectos de investigación del recurso suelo. También el aprovechamiento la
información espectral contenida en las imágenes satelitales permitiría el análisis de
fenómenos terrestres, oceánicos y atmosféricos con continuidad en el tiempo, creándose
así un sistema de evaluación de dichos fenómenos de manera remota.
El trabajo de pasantía desarrollado en el laboratorio de Espectroradiometría de
suelos de la USP-ESALQ fue una primera aproximación a la cuantificación del
contenido de arcilla de los suelos del estado de Santa Catarina, la continuidad del
trabajo podría ser abordada mediante la generación de nuevos modelos estadísticos para
la cuantificación de otros atributos (arena, limos, materia orgánica, fosforo, potasio,
calcio, magnesio, aluminio, hidrogeno, capacidad de intercambio catiónico, pH, etc),
que a su vez serian una gran base de datos para dar un manejo adecuado a los suelos de
esta región.
38
39
BIBLIOGRAFÍA
Baldwin, M., kellogg, C., & Thorp, J. (1938). Soil classification. Washington, D.C: Agriculture
Yearbook.
Bellinaso, H. (2009). Biblioteca espectral de solos e sua aplicacao na quantificacao de
atributos e classificacao. Piracicaba: Dissertacao (Mestrado)- Escola Superior de
Agricultura Luiz de Queiroz.
Ben Dor, E., & Banin, A. (1995). Near-Infrared analysis as a rapid method so simultaneously
evaluate several soil properties. . Soil Sci. Soc. , 56: 364-372.
Besaain, M. (1970). Curso de Mineralogia de Suelos. Turrialba , Costa Rica: Instituto
Interamericano de Ciencias Agricolas de la OEA.
Blaser, W., Bregedeweg, R., Harner, R., Lapack, M., Leugers, A., Martin, D., . . . Wright, L.
(1995). Process analytical chemestry.
Brown, D. (1995). Chemical Systems Under Indirect Observation: Latent Propeeties and
Chemometrics. Baltimore: Applied Spectroscopy.
Camargo, A., Moniz, A., Jorge, J., & Valadares, J. (1986). Métodos de análise química,
mineralógica e física de solos do IAC. In: IAC. Boletim Técnico,106 (p. 94p).
Campinas: Insituto Agronômico.
Chitolina, J. (1982). Contribuição de alguns fatores nos resultados da análise química de terra
e seus efeitos nas recomendações de adubação. Universidade de São Paulo, Piracicaba:
Tese (Doutorado) Escola Superior de Agricultura Luiz de Queiroz.
Clark, R. (1999). Spectroscopy of rocks and minerals, and principles of spectroscopy. Manual
of remote sensing, v. 3, p. 3-58.
Coleman, T., P.A Agbu, O. M., & Prasad, a. S. (1991). Spectral band selection for quantifying
selected properties in highly weathered soils. Soil Sci, 151: 355-361.
Damolin, R. (2002). Matéria Orgânica e características físicas, químicas,mineralógicas e
espectrais de Latossolos de diferentes ambientes. Tese (Doutorado em Ciências do
Solo) - Universidade Federal do Rio grande do Sul, Faculdade de Agronomia, p. 151.
Demattê, J., & J.L.I. Demattê, W. C. (2001). Remote sensing in the recognition and mapping of
tropical soils developed on topographic sequences. Mapping Sci Remote Sens, 38: 79-
102.
Demattê, J., & Terra, F. (2014). Spectral pedology: A new perspective on evluation of soils
along pedogenetic alterations. Geoderma, Amsterdam, v.217-218, 190-200.
Dunn, B., Beecher, H., BATTEN, G., & CIAVARELLA, S. (2002). The potencial of near-
infrared reflectance spectroscopy for soil analysis – a case study from theRiverine Plain
of south-eastern Australia. Australian Journal of Experimental, V. 42, p. 607-614.
40
EMBRAPA. (1997). Manual de Métodos de Análise de Solo. Rio de Janeiro: EMBRAPA-
CNPS.
EMBRAPA. (2004). Solos do Estado de Santa Catarina. Boletim de Pesquisa e
Desenvolvimento, ISSN: 1678-0892.
EMBRAPA. (2006). Sistema Brasileiro de Classificação de Solos. Brasilia: EMBRAPA-CNPS.
EMBRAPA. (2009). Manual de análises químicas de solos, plantas e fertilizantes. Brasília, DF:
Embrapa Informação Tecnológica.
EMBRAPA. (2013). Sistema Brasileiro de Classificação de Solos. Brasília: Embrapa.
Franceschini, M., Demattê, J., Sato, M., Vicente, L., & Grego, C. (2013). Abordagens
semiquantitativa e quantitativa na avaliação da textura do solo por espectroscopia de
reflectância no VIS-NIR-SWIR. Pesquisa Agropecuária Brasileira, v. 48, p. 1569-
1582.
Hatchell, D. (1999). Analytical Spectral Device 3ed. Analytical Spectral Device , 140.
Henderson, T., Baumgardner, M., Franzmeier, D., & Stott, D. a. (1992). High dimensional
reflectance analysis of soil organic matter. Soil Sci Soc, 56: 865-872.
Ibge, I. B. (s.d.). Anuario estatístico do Brasil. Acesso em 1 de Julio de 2015, disponível em
Instituto Brasileiro de Geografia e Estatística: http://www.ibge.gov.br/home/
J.A.F. Pierna, F., & P.Dardenne. (2008). Soil parameter quantification by NIRS as a
chemometric challange at 'Chimiometrie 2006'. Chemometrics and Intelligent
Laboratory Systems, v. 91, p. 94-98.
Madeira Netto, J. (1996). Spectral reflectance properties of soils . Photo Interpretation, 34: 59-
70.
Manly, B. (2004). Multivariate statistical methods a primer. London: Chapman & Hall.
Mathews, H., Conningham, R., & Petersen, G. (1973). Spectral reflectance of selected
Pennsylvania soils. Soil Science Society of America Journal, Madison, v. 37, n.3, pp.
421-424.
Mcbratney, A., Mendonça-Santos, M., & Minasny, B. (2006). On digital soil. Geoderma, v.136,
p.3-52.
Novaes, R., & Smith, I. (1999). Fósforo em solo e planta em condições tropicais. Viçosa,
Minas-Gerais.
Raij, B. V., Andrade, J., Cantarella, H., & Quaggio.J.A. (2001). Análise química para avaliação
de fertilidade de solos tropicais. Campinas: Instituto Agronômico.
Sato, M. (2015). Primeira aproximação da biblioteca espectral de solos do Brasil:
caracterização de espectros de solos e quantificação de atributos. Piracicaba:
Universidade de São Paulo, Escola Superior de Agricultura "Luiz de Queiroz".
41
Shi, Z., Wang, Q., Peng, J., Ji, W., Liu, H., Li, X., & Rossel, R. (2014). Development of a
national VNIR soil-spectral library for soil classification and prediction of organic
matter concentrations. Science China Earth Sciences, V. 57, p. 1671-1680.
Souza, J. G., Demattê, J., & Araújo, S. (2011). Modelos espectrais terrestres e orbitais na
determinação de teores de atributos dos solos: potencial e cosotos. Brangantia, 610-621.
Thorp, J., & Smith, G. D. (1949). Higher categories for soil classification. Soil Science, p. 117-
126.
Varmuza, K., & Filzmoser, P. (2009). Introduction to multivariate statistical analysis in
chemometrics. Boca Raton: CRC Press.
Varmuza, K., Engrand, C., Filzmoser, P., Hilchenbach, M., Kissel, J., Krüger, H., . . . Trieloff,
M. (2011). Ramdom projection for dimensionality reduction- Applied to time-of-flight
secondary ion mass spectrometry data. Analytica Chimica Acta, 48-55.
Vasques, G., Grunwald, S., & Sickman, J. (2008). Comparison of multivariate methods for
inferential modeling of soil carbon using visible/near-infrared spectra. Geoderma, v.
146, p. 14-25.
Viscarra Rossel, R. (2008). ParLes: Software for chemometric analysis of spectroscopic data.
Chemometrics and intelligent laboratory systems, v.90, p. 72-83.
Viscarra Rossel, R., & Webster, R. (2011). Discrimination of Australian soil horizonsand
classes from their visible–near infrared spectra. European Journal of SoilScience,
Oxford, v.62, 637-647.
Williams, P. (1987). Variables affecting near-infraredreflectance spectroscopic analysis. Near-
Infrared Technology in the Agricultural and Food Industries, p.143-167.
Zornoza, R., Guerrero, C., Mataix-Solera, J., Scow, K., Arcenegui, V., & Mataix-Beneyto, J.
(2008). Near infrared spectroscopy for determination of various physical, chemical and
biochemical properties in Mediterranean soils. Soil Biology and Biochemistry, v.40,
p.1923-1930.
