Uso da espectroscopia de reflectância do solo para estimativa da textura para fins de seguro agrícola

DOI: 10.52945/rac.v37i3.1919
Publicado 27-11-2024

Autores

  • Elisângela Benedet da Silva
    Epagri/Ciram
  • Cristina Pandolfo
    Epagri/ Ciram
  • Gabriel Berenhauser Leite
    Epagri/ Ciram
  • Élvio Giasson
    UFRGS

Resumo

O Zoneamento Agrícola de Risco Climático é um instrumento importante para a gestão de riscos que utiliza parâmetros do solo para determinar o risco climático associado ao cultivo de determinadas culturas. Este estudo teve como objetivo avaliar a eficácia da espectroscopia de reflectância do solo associada a um modelo de machine learning na predição dos teores de argila e areia do solo utilizados na classificação do solo para fins de seguro agrícola. Uma matriz de confusão foi utilizada para a classificação de amostras medidas em laboratório e preditas pelo modelo Cubist. Os resultados mostraram que o Cubist apresentou bom desempenho preditivo para os atributos argila e areia. Na matriz de confusão, a maioria das amostras foi corretamente classificada nos tipos de solo definidos pela IN 02/2008. O estudo demonstra o potencial da espectroscopia combinada com algoritmos de machine learning na predição de atributos do solo como técnica complementar na gestão dos riscos agrícolas.

Biografia do Autor

  • Elisângela Benedet da Silva

    Possui graduação em Agronomia pela Universidade Federal de Santa Catarina, mestrado em Engenharia Civil pela Universidade Federal de Santa Catarina e doutorado em Programa de Pós-Graduação em Ciência do Solo pela Universidade Federal do Rio Grande do Sul. Trabalha como pesquisadora nível IV da Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina (2008-atual). Atualmente é vice-presidente da Sociedade Latino-americana de Ciência do Solo (2023-2025). Tem experiência na área de Agronomia, com ênfase em sensoriamento próximo do solo no vis-NIR-SWIR, sensoriamento remoto com vants no vis-NIR (solo e plantas), pedometria e banco de dados legados de solos.

    https://orcid.org/0000-0001-6288-3273

     

    • Cristina Pandolfo

      Possui graduação em Agronomia pela Universidade do Estado de Santa Catarina (1992), mestrado em Fitotecnia pela Universidade Federal do Rio Grande do Sul (1994) e doutorado em Recursos Genéticos Vegetais pela Universidade Federal de Santa Catarina (2010). Atualmente é pequisador nível IV da Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina. Tem experiência na área de Agronomia, com ênfase em Agrometeorologia, atuando principalmente nos seguintes temas: Santa Catarina, agrometeorologia, climatologia agrícola, zoneamento agrícola, análise de risco climático, mudanças climáticas, viticultura, indicações geográficas e sensoriamento remoto utilizando vants.

      https://orcid.org/0000-0001-8086-7939

       

      • Gabriel Berenhauser Leite

        Gabriel Berenhauser Leite concluiu o doutorado em Fisiologia Vegetal na França - Université Blaise Pascal, em 2004. É pesquisador da Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina. Publicou 80 artigos em periódicos especializados e 97 trabalhos em anais de eventos. Possui 23 livros ou capítulos de livros e 2 boletins técnicos publicados. Possui 2 processos ou técnicas e outros 16 itens de produção técnica. Atua na área de Agronomia, com ênfase em Fruticultura de Clima Temperado. Em suas atividades profissionais interagiu com mais de 100 colaboradores em coautorias de trabalhos científicos. Em seu currículo Lattes os termos mais frequentes na contextualização da produção científica, tecnológica e artístico cultural são: Macieira, Fruticultura de Clima Temperado, pereira, pereira japonesa, reguladores de crescimento, Solos, dormência, enxertia, micropropagação e produção, sensoriamento remoto.

        https://orcid.org/0000-0002-7479-7409

         

        • Élvio Giasson

          Possui graduação em Agronomia pela Universidade Federal do Rio Grande do Sul (1988), mestrado em Ciências do Solo pela Universidade Federal do Rio Grande do Sul (1992) e doutorado em Soil Science pela Cornell University (2002). Atualmente é Professor Titular do Departamento de Solos da Faculdade de Agronomia da Universidade Federal do Rio Grande do Sul. Tem experiência na área de Agronomia, com ênfase em Gênese, Morfologia e Classificação dos Solos, atuando em ensino, pesquisa, assessoria e extensão nas áreas de levantamento de solos, avaliação de terras, sistemas de informações geográficas e mapeamento digital de solos. Chefe do Departamento de Solos da UFRGS.

          https://orcid.org/0000-0003-3659-6873

           

          Referências

          AGÊNCIA NACIONAL DE ÁGUAS E SANEAMENTO BÁSICO – COORDENAÇÃO DE ESTUDOS SETORIAIS (Brasília). Capacidade de água disponível – CAD ou AWC dos solos do Brasil. Brasília: ANA, 2021. 1 mapa. Escala 1:250.000. Disponível em: https://metadados.snirh.gov.br/geonetwork/srv/api/records/28fe4baa-66f3-4f6b-b0d2-890abf5910c4. Acesso em: 19 agosto 2023.

          AHMADI, A.; EMAMI, M.; DACCACHE, A.; HE, L. Soil properties prediction for precision agriculture using visible and near-infrared spectroscopy: A systematic review and meta-analysis. Agronomy, v.11, 2021. DOI: https://doi.org/10.3390/agronomy11030433.

          ARAÚJO FILHO, J.C.; BARROS, A.H.C; GALVÃO, P.V.M.;TEIXEIRA, W.G.; LIMA, E.P.; VICTORIA, D.C.; ANDRADE JUNIOR, A.S.; XAVIER, J.P.S; LUMBRERAS, J.F.; COELHO, M.R.; MANSILLA BACA, J.F.; MONTEIRO, J.E.B.A.; OLIVEIRA, F.C.S.F.; SILVA FILHO, A.D.; BARROS, J.P.F.G. Avaliação, predição e mapeamento de água disponível em solos do Brasil. Rio de Janeiro: Embrapa Solos. 2022. (Boletim de pesquisa e desenvolvimento/Embrapa Solos, ISSN 1678-0892; 282). Disponível em: https://www.embrapa.br/busca-de-publicacoes/-/publicacao/1143345/avaliacao-predicao-e-mapeamento-de-agua-disponivel-em-solos-do-brasil. Acesso em: 19 agosto 2023.

          BAUMANN, P.; HELFENSTEIN, A.; GUBLER, A.; KELLER, A.; MEULI, R. G.; WÄCHTER, D.; LEE, J., VISCARRA ROSSEL, R.; SIX, J. Developing the Swiss mid-infrared soil spectral library for local estimation and monitoring. Soil, v.7, 2021. DOI: https://doi.org/10.5194/soil-7-525-2021.

          BENEDETTI, F.; van EGMOND, F. Global Soil Spectroscopy Assessment. Spectral soil data: needs and capacities. Rome: FAO, 2021. DOI: https://doi.org/10.4060/cb6265en.

          BORTOLINI, D.; ALBUQUERQUE, J.A. Estimation of the retention and availability of water in soil of the state of Santa Catarina. Revista Brasileira de Ciência do Solo, v.42, e0170250, 2018. DOI: https://doi.org/10.1590/18069657rbcs20170250.

          BRASIL. Instrução Normativa no 2 de 09 de outubro de 2008. Brasília: Ministério da Agricultura, Pecuária e Abastecimento, [2008]. Disponível em: https://www.gov.br/agricultura/pt-br/assuntos/riscos-seguro/programa-nacional-de-zoneamento-agricola-de-risco-climatico/documentos/INn2de09.10.2008.pdf/view. Acesso em: 10 abril 2016.

          BRASIL. Instrução Normativa no 1 de 21 de junho de 2022. Brasília: Ministério da Agricultura, Pecuária e Abastecimento, [2022]. Disponível em: https://www.gov.br/agricultura/pt-br/assuntos/riscos-seguro/programa-nacional-de-zoneamento-agricola-de-risco-climatico/documentos/InstruoNormativan1de21dejunhode2022site.pdf/view. Acesso em: 10 jul 2022.

          CEZAR, E.; NANNI, M.R.; GUERRERO, C.; SILVA JUNIOR, C.A.; CRUCIOL, L.G.T.; CHICATI, M.L.; SILVA, G.F.C. Organic matter and sand estimates by spectroradiometry: strategies for the development of models with applicability at a local scale. Geoderma, v.340, 2019. DOI: https://doi.org/10.1016/j.geoderma.2019.01.021.

          COSTA, A.; ALBUQUERQUE, J.A.; COSTA, A.; PÉRTILE, P.; SILVA, F.R. Water retention and availability in soils of the state of Santa Catarina-Brasil: Effect of textural classes, soil classes and lithology. Revista Brasileira de Ciência do Solo, v.37, 2013. DOI: https://doi.org/10.1590/S0100-06832013000600010.

          DE CARVALHO, A. L.; SANTOS, D. V.; MARENGO, J. A., COUTINHO; S. M. V.; MAIA, S. M. F. Impacts of extreme climate events on Brazilian agricultural production. Sustentabilidade em Debate, v.11, 2020. DOI: https://doi.org/10.18472/SustDeb.v11n3.2020.33814.

          DEMATTÊ, J. A. M.; FONGARO, C. T.; RIZZO, R.; SAFANELLI, J. L. Geospatial Soil Sensing System (GEOS3): A powerful data mining procedure to retrieve soil spectral reflectance from satellite images. Remote Sensing of Environment, v.212, 2018. DOI: https://doi.org/10.1016/j.rse.2018.04.047.

          DEMATTÊ, J.A.M; DOTTO, A.D.; PAIVA, A.F.S., SATO, M.V.; DALMOLIN, R.S.D.; ARAÚJO, M.S.B.; SILVA, E.B.; NANNI, M.R.; TEN CATEN, A.; NORONHA, N.C.; LACERDA, M.P.C.; ARAÙJO FILHO. J.C.; RIZZO, R. BELLINASO, H.; FRANCELINO, M.R.; SCHAEFEN, C.E.G.R.; VICENTE, L.E.; SANTOS, U.J.; SAMPAIO, E.V.S.B.; MENEZES, R.S.C.; SOUZA, J.J.L.L; ABRAHÃO, W.A.P.; COELHO, R.M.; GREGO, C.R.; LANI, J.L.; FERNANDES, A.R.; GONÇALVES, D.A.M.; SILVA, S.H.G.; MENEZES, M.D.; CURI, N.; COUTO, E.G.; ANJOS, L.H.C.; CEDDIA, M.B.; PINHEIRO, E.F.M.; GRUNWALD, S.; VASQUES, G.M.; MARQUES JÚNIOR, J.; SILVA, A.J.; BARRETO, M.C.V.; NÓBREGA, G.N.; SILVA, M.Z.; SOUZA, S.F.; VALLADARES, G.S.; VIANA, J.H.M.; TERRA, F.S.; HORÁK-TERRA, I.; FIORIO, P.R.; SILVA, R.C.; FRADE JÚNIOR, E.F.; LIMA, R.H.C.; ALBA, J.M.F.; SOUZA JUNIOR, V.S.; SANTOS BREFIN, M.L.M.; RUIVO, M.L.P.; FERREIRA, T.O.; BRAIT, M.A.; CAETANO, N.R.; BRINGHENTI, I.; MENDES, W.S.; SAFANELLI, J.L.; GUIMARAES, C.C.B.; POPPIEL, R.R.; BARROS E SOUZA, A.; QUESADA, C.A.; COUTO, H.T.Z. The Brazilian Soil Spectral Library (BSSL): A general view, application and challenges. Geoderma, v.354, 2019a. DOI: https://doi.org/10.1016/j.geoderma.2019.05.043.

          DEMATTÊ, J.A.M.; DOTTO, A.C.; BEDIN, L.G.; SAYÃO, V.M.; BARROS E SOUZA, A. Soil analytical quality control by traditional and spectroscopy techniques: Constructing the future of a hybrid laboratory for low environmental impact. Geoderma, v.337, 2019b. DOI: https://doi.org/10.1016/j.geoderma.2018.09.010.

          DEMATTÊ, J.A.M; PAIVA, A.F.S., POPPIEL, R.R.; ROSIN, N.A.; RUIZ, L.F.C.; MELLO, F.A.O.; MINASNY, B.; GRUNWALD, S.; GE, Y.; BEM DOR, E.; GHOLIZADEH, A.; GOMEZ, C.; CHABRILLAT, S.; FRANCOS, N.; AYOUBI, S.; FIANTIS, D.; BINEY, J.K.M.; WANG, C.; BELAL, A.; NAIMI, S.; HAFSHEJANI, N.A.; BELLINASO, H.; MOURA-BUENO, J.M.; SILVERO, N.E.Q. The Brazilian Soil Spectral Service (BraSpecS): A User‐Friendly System for Global Soil Spectra Communication. Remote Sensing, v.14, 2022. DOI: https://doi.org/10.3390/rs14030740.

          DOTTO, A. C.; DALMOLIN, R.S.D.; ten CATEN, A.; MOURA-BUENO, J.M. Potential of spectroradiometry to classify soil clay content. Revista Brasileira de Ciência do Solo, Viçosa, v.40, 2016. DOI: https://doi.org/10.1590/18069657rbcs20151105.

          FRANCESCHINI, M. H.D.; DEMATTÊ, J.A.M.; SATO, M.V.; VICENTE, L.E.; GREGO, C.R. et al. Abordagens semiquantitativa e quantitativa na avaliação da textura do solo por espectroscopia de reflectância bidirecional no VIS-NIR-SWIR. Pesquisa Agropecuária Brasileira, Brasília, v.48, 2013. DOI: http://dx.doi.org/10.1590/S0100-204X2013001200006.

          HOLMES, G.; HALL, M.; PRANK, E. Generating rule sets from model trees. In: AUSTRALIAN JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE, 12., 1999, Sydney, Proceedings[…] Berlin, 1999.

          HOSSEINI, E.; ZAREI, M.; MOOSAVI, A.A.; GHASEMI-FASAEI, R.; BAGHERNEJAD, M.; MOZAFFARI, H. Feasibility of Vis-NIR spectroscopy approach to predict soil biological attributes in arid land soils. PLos ONE, v.19, e0311122, 2024. DOI: https://doi.org/10.1371/journal.pone.0311122.

          JACONI, A.; VOS, C.; DON, A. Soil texture - Near infrared spectroscopy as an easy and precise method to estimate soil texture. Geoderma, v.337, 2019. DOI: https://doi.org/10.1016/j.geoderma.2018.10.038.

          LACERDA, M.; DEMATTÊ, J.A.M; SATO, M.V.; FONGARO, C.T.; GALLO, B.C.; SOUZA, A.B. Tropical texture determination by proximal sensing using a regional spectral library and its relationship with soil classification. Remote Sensing, v. 8, 2016. DOI: https://doi.org/10.3390/rs8090701.

          MELSER, D.; LE, T.; RUTHBAH, U. Climate change and its impact on home insurance uptake in Australia. Ecological Economics, v.222, 2024. DOI: https://doi.org/10.1016/j.ecolecon.2024.108195.

          MENDES, W.S.; DEMATTÊ, J. A. M.; ROSIN, N. A.; TERRA, F. S.; POPPIEL, R. R.; URBINA-SALAZAR, D. F.; BOECHAT, C. L.; SILVA, E. B.; CURI, N., SILVA, S. H. G.; Uemeson, J.S.; Valladares, G.S. The Brazilian soil Mid-infrared Spectral Library: The Power of the Fundamental Range. Geoderma, v.415, 2022. https://doi.org/10.1016/j.geoderma.2022.115776.

          MENDES, W.S.; MEDEIROS NETO, L. G.; DEMATTÊ, J. A. M.; GALLO, B. C.; RIZZO, R.; SAFANELLI, J. L.; FONGARO, C. T. Is it possible to map subsurface soil attributes by satellite spectral transfer models? Geoderma, v.343, 2019. DOI: https://doi.org/10.1016/j.geoderma.2019.01.025.

          OECD-FAO. Agricultural Outlook 2021-2030. OECD Publishing, Paris, 2021. DOI: https://doi.org/10.1787/19991142.

          PAIVA, A. F. S.; POPPIEL, R. R.; ROSIN, N. A.; GRESCHUK, L. T.; ROSAS, J. T. F.; DEMATTÊ, J. A. M. The Brazilian Program of soil analysis via spectroscopy (ProBASE): Combining spectroscopy and wet laboratories to understand new technologies. Geoderma, v.421, 2022. DOI: https://doi.org/10.1016/j.geoderma.2022.115905.

          PICCINI, C.; METZGER, K.; DEBAENE, G.; STENBERG, B.; GÖTZINGER, S.; BORŮVKA, L.; SANDÉN, T.; BRAGAZZA, L.; LIEBISCH, F. In-field soil spectroscopy in Vis–NIR range for fast and reliable soil analysis: A review. In European Journal of Soil Science, v.75, 2024. DOI: https://doi.org/10.1111/ejss.13481.

          R CORE TEAM. R: A language and environment for statistical computing. R version 4.1.1. Viena, Áustria: R Foundation for Statistical Computing, 2021. Disponível em: <https://www.R-project.org/>. Acesso em: 10 abril 2023.

          ROMERO, D. J.; BEN-DOR, E.; DEMATTÊ, J.A.M.; BARROS e SOUZA, A.; VICENTE, L.E.; TAVARES, T.R.; MARTELLO, M.; STRABELI, T.F.; BARROS, P.P.S.; FIORIO, P.R.; GALLO, B.C.; SATO, M.V.; EITELWEIN, M.T. Internal soil standard method for the Brazilian soil spectral library: Performance and proximate analysis. Geoderma, v.312, 2018. DOI: https://doi.org/10.1016/j.geoderma.2017.09.014

          SHEPHERD, K.D.; FERGUSON, R.; HOOVER, D.; VAN EGMOND, F.; SANDERMAN, J.; GE, Y. A global soil spectral calibration library and estimation service. Soil Security, v.7, 2022. DOI: https://doi.org/10.1016/j.soisec.2022.100061.

          SILVA, E. B.; GIASSON, É.; DOTTO, A. C.; ten CATEN, A.; DEMATTÊ, J. A. M., BACIC, I. L. Z., VEIGA, M. A regional legacy soil dataset for prediction of sand and clay content with VIS-NIR-SWIR, in southern Brazil. Revista Brasileira de Ciência Do Solo, v.43, 2019. DOI: https://doi.org/10.1590/18069657rbcs20180174.

          SORIANO-DISLA, J. M.; JANIK, L. J.; VISCARRA-ROSSEL, R. A.; MACDONALD, L. M.; MCLAUGHLIN, M. J. The performance of visible, near-, and mid-infrared reflectance spectroscopy for prediction of soil physical, chemical, and biological properties. Applied Spectroscopy Reviews, v.49, 2014. DOI: https://doi.org/10.1080/05704928.2013.811081.

          STEVENS, A.; TÓTH M.N.G; MONATARELLA, L.; VAN WESEMAEL, B. Prediction of Soil Organic Carbon at the European scale by visible and near infrared reflectance spectroscopy. PLosOne, v.19, 2013. DOI: http://doi: 10.1371/journal.pone.0066409.

          SUMMERAUER, L.; BAUMANN, P.; RAMIREZ-LOPEZ, L.; BARTHEL, M.; BAUTERS, M.; BUKOMBE, B.; REICHENBACH, M.; BOECKX, P.; KEARSLEY, E.; VAN OOST, K.; VANLAUWE, B.; CHIRAGAGA, D.; HERI-KAZI, A. B.; MOONEN, P.; SILA, A.; SHEPHERD, K.; BAZIRAKE MUJINYA, B.; VAN RANST, E.; BAERT, G.; SIX, J. The central African soil spectral library: A new soil infrared repository and a geographical prediction analysis. Soil, v.7, 2021. DOI: https://doi.org/10.5194/soil-7-693-2021

          TEIXEIRA, W.G.; VICTORIA, D.C.; BARROS, A.H.C.; LUMBRERAS, J.F.; ARAÚJO FILHO, J.C.; SILVA, F.A.M.; LIMA, E.P.; BUENO FILHO, J.S.S.; MONTEIRO, J.E.B.A. Predição de água disponível no solo em função da granulometria para uso nas análises de risco no zoneamento agrícola de risco climático. Rio de Janeiro: Embrapa Solos, 2021. (Boletim de pesquisa e desenvolvimento/Embrapa Solos, 272).

          THOMAS, C. L.; HERNANDEZ-ALLICA, J.; DUNHAM, S. J.; MCGRATH, S. P.; HAEFELE, S. M. A comparison of soil texture measurements using mid-infrared spectroscopy (MIRS) and laser diffraction analysis (LDA) in diverse soils. Scientific Reports, v.11, 2021. DOI: https://doi.org/10.1038/s41598-020-79618-y

          VASQUES, G.M.; DEMATTÊ, J.A.M.; VISCARRA ROSSEL, R.A.; RAMIREZ-LÓPEZ, L.; TERRA, F.S. Soil classification using visible/near-infrared diffuse reflectance spectra from multiple depths. Geoderma, v.223-225, 2014. DOI: https://doi.org/10.1016/j.geoderma.2014.01.019.

          VEIGA, M.; SANTOS, O. V.; HAMMES, L. A.; PANDOLFO, C. Distribuição espacial dos teores de argila, silte e areia na camada superficial do solo em Santa Catarina. Revista Agropecuária Catarinense, Florianópolis, SC, v.25, n.1, p. 63-68, 2012.

          VISCARRA ROSSEL, R. A.; WEBSTER, R. Predicting soil properties from the Australian soil visible-near infrared spectroscopic database. European Journal of Soil Science, v. 63, 2012. DOI: https://doi.org/10.1111/j.1365-2389.2012.01495.x.

          ZENG, R.; ROSSITER, D.G.; YANG, F.; LI, D-C.; ZHAO, Y-G.; ZHANG, G-L. How accurately can soil classes be allocated based on spectrally predicted physio-chemical properties. Geoderma, v.303, 2017. DOI: https://doi.org/10.1016/j.geoderma.2017.05.011.

          ZHANG, M.; SHI, W.; XU, Z. Systematic comparison of machine-learning models in classification and interpolation of soil particle size fractions using diferent transformed data. Hydrology and Earth System Sciences, v.24, 2020. DOI: https://doi.org/10.5194/hess-24-2505-2020.

          ZHANG, X., XUE, J., XIAO, Y., SHI, Z., CHEN, S. Towards Optimal Variable Selection Methods for Soil Property Prediction Using a Regional Soil Vis-NIR Spectral Library. Remote Sensing, v.15, 2023. DOI: https://doi.org/10.3390/rs15020465.

          Métricas

          962
          Visualizações
          257
          Downloads

          Palavras-chave

          • Zoneamento Agrícola de Risco Climático
          • classes texturais do solo
          • água disponível no solo
          • aprendizado de máquina