Espectroscopia de infravermelho próximo para estimar a concentração de elementos em solos e sedimentos em uma bacia hidrográfica rural

• Autor(a) principal: Naibo, Gabriela
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/233167
• topic: Espectrofotometria de infravermelho; Quimiometria; Sedimento; Analise do solo; Química do solo; Bacia sedimentar; Reflectance spectroscopy; Chemometry; Machine learning; Spectral pre-processing; Sediments; Chemical elements

A estimativa da concentração de elementos em solos e sedimentos é essencial no monitoramento da transferência de nutrientes e poluentes dos ambientes terrestres para os aquáticos. Contudo, o custo do monitoramento detalhado multielementar baseado em análises químicas convencionais para séries grandes de amostras em bacias hidrográficas pode ser impeditivo para muitos centros de pesquisa. Dessa forma, é preciso desenvolver técnicas de baixo custo para determinar a concentração de elementos em amostras de solo e sedimento. O objetivo desse estudo foi avaliar quais são as melhores combinações de métodos multivariados e técnicas de pré-processamento para aumentar a acurácia da estimativa da concentração de elementos em amostras de solo e sedimento utilizando o infravermelho próximo (NIR). Adicionalmente, foi avaliado o uso da espectroscopia na faixa do NIR para estimar a concentração de elementos presentes no sedimento usando modelos calibrados com amostras de solo de uma mesma bacia hidrográfica. O banco de dados de solo e sedimento utilizado é oriundo de amostras coletadas na bacia hidrográfica do Rio Guaporé, no Sul do Brasil. Um total de 316 amostras de solo e 196 de sedimento, foram secas, desagregadas e peneiradas em malha de 63 μm. O carbono orgânico (C) foi quantificado pela oxidação úmida e a concentração pseudo-total dos elementos (Al, Ba, Be, C, Ca, Co, Cr, Cu, Fe, K, La, Li, Mg, Mn, Na, Ni, P, Pb, Sr, Ti, V e Zn) foi quantificada por ICP-OES (Inductively Coupled Plasma Optical Emission Spectrometry) após digestão assistida por micro-ondas com HCl e HNO3 (3:1). Os espectros NIR (1000-2500 nm) foram obtidos em todas as amostras de solo e sedimento. Os métodos multivariados de machine learning testados foram: Partial Least Squares Regression (PLSR) e Support Vector Machine (SVM), combinados com três pré-processamentos dos espectros: Detrend (DET), Savitzky-Golay Derivate (SGD) e Standard Normal Variate (SNV) comparados aos espectros brutos (RAW). Essas combinações foram aplicadas ao conjunto de amostras de solo e de sedimento isoladamente, e combinando ambos os conjuntos (solo + sedimento). O desempenho dos modelos e pré-processamentos foram avaliados pelo coeficiente de determinação (R2), raiz quadrada do erro médio (RMSE), e pela relação entre o desempenho e a distância interquartil (RPIQ). O modelo SVM resultou em melhores predições comparado ao PLSR para solo, sedimento e solo+sedimento. O efeito do pré-processamento aumentou a acurácia das estimativas na seguinte ordem: RAW<SNV<DET=SGD. Os melhores modelos foram obtidos combinando o método de calibração multivariada SVM com o pré- processamento SGD. O ajuste dos modelos calibrados separadamente utilizando amostras de solo (R2 = 0,88) e sedimento (R2 = 0,89) foi superior comparado aos modelos calibrados combinando amostras de solo e sedimento (R2 = 0,85). Na bacia hidrográfica estudada, a predição da concentração dos elementos presentes em sedimentos através de modelos calibrados com amostras de solo teve baixa acurácia, com R2 médio de 0,11 (variando de 0,00 a 0,46). Portanto, é necessário calibrar modelos separadamente para estimar a concentração de elementos em solo e sedimento com maior acurácia. Os resultados demonstraram que é possível construir modelos espectroscópicos acurados para predizer a concentração de elementos tanto em amostras de solo quanto em amostras de sedimento para todos os elementos avaliados.