Search

Understanding organic carbon and predominant humic fractions in the soil allows contributes to soil quality management. Conventional fractionation techniques require time, excessive sampling, and high maintenance costs. In this study, predictive models for organic carbon in humic substances (HS) were evaluated using hyperspectral data as an alternative to chemical fractionation and quantification by wet digestion. Twenty-nine samples of Neossolos Flúvicos (Fluvents) - A1, and 36 samples of Cambissolos (Inceptisols) - A2 were used. The samples were also analyzed jointly, creating a third sample group - A1&A2. Untransformed spectral reflectance factors were obtained using the FieldSpec Pro FR 3 hyperspectral sensor (350–2500 nm). Pre-processing techniques were employed, including Savitzky–Golay smoothing and first- and second-order derivative analysis. After selecting variables using the Backward method, which removes spectral variables that are not statistically significant for the regression. Estimation models were built by Principal Components Regression (PCR) and Partial Least Squares Regression (PLSR). The spectral data were evaluated individually for soil classes A1 and A2, and jointly for A1&A2. The PLSR was more efficient than PCR, especially for the estimation models that used the first derivative of reflectance employing the three sample groups. For samples of A1, the best estimate was seen for humic acid (RPD = 6.09) and humin (RPD = 2.38); for A2, the best models estimated the OC in fulvic acid (RPD = 2.35) and humin (RPD = 2.51); and for the joint spectral data (A1&A2), the prediction was robust for humin only (RPD = 2.01). The most representative wavelengths were observed using the first derivative with PLSR and PCR, centred on the region between 1600 and 1800 nm. The first-derivative of reflectance calculated more-robust predictive models using PLSR than PCR. The best predictions occurred for organic carbon associated with humic acid in Neossolos Flúvicos, with fulvic acid in Cambissolos, and with humin in both soil classes.

A concentração de carbono orgânico (Corg) no solo, tanto em sua totalidade quanto associado às frações húmicas da matéria orgânica, é um importante fator indicativo da qualidade do solo e seu teor é obtido em laboratório a partir de procedimentos que demandam tempo, custo de manutenção e análise e utilização de reagentes substancialmente perigosos, além da produção de grandes quantidades de resíduo. Neste âmbito, o presente trabalho teve como principal objetivo avaliar a utilização da espectroscopia de reflectância como metodologia alternativa aos procedimentos laboratoriais de quantificação do carbono orgânico total (COT) e este associado às substâncias húmicas da matéria orgânica do solo (MOS). Ao todo, foram analisadas 65 amostras deformadas, coletadas nos primeiros 10 cm de um Neossolo no Perímetro Irrigado de Morada Nova (A1) e um Cambissolo em Jaguaribe-Apodi (A2). A quantificação do COT foi realizada por meio de oxidação por via úmida e, para a quantificação do carbono nas substânicas húmicas, foi realizado o fracionamento químico da MOS com posterior digestão úmida. A obtenção dos dados espectrais do solo se deu com sonda de contato e espectrorradiômetro FieldSpec Pro FR 3 (350-2500 nm). As variáveis espectrais mais significativas foram selecionadas pelo método Stepwise. Para a construção dos modelos de predição de COT, foram utilizados os dados espectrais de reflectância e estes foram submetidos a transformações como a derivada de primeira ordem e a Suavização por Savitzky-Golay como opções a serem mais viáveis aos modelos. Valendo-se de métricas estatísticas, como coeficientes de determinação e correlação, RMSE e RPD, os dados foram submetidos aos métodos de regressão por Componentes Principais (PCR) e regressão por Mínimos Quadrados Parciais (PLSR). Para todas as análises realizadas, os dados químicos e espectrais foram avaliados separadamente, por região de coleta (A1 e A2) e unificados em um conjunto amostral (A1+A2). Os modelos preditivos de COT da PLSR apresentaram melhores performances se comparados aos da PCR, onde os dados espectrais transformados em primeira derivada e suavizados por Savitzky-Golay apresentaram estimativas mais coerentes de COT para os solos de A1. Com relação aos modelos preditivos de Corg associados às frações húmicas, a transformação da reflectância em primeira derivada melhorou a performance da estimativa das variáveis químicas predominantes nas amostras separadas por região, para PLSR e PCR. Similar ao COT, o desempenho na estimativa permaneceu superior nos modelos PLSR, sendo capaz ainda de utilizar menos variáveis latentes. Para a predição de Corg nos ácidos húmicos e humina com as amostras de A1, as melhores performances de predição se deram ao transformar reflectância em primeira derivada, com R² ajustado de 0,97 e 0,80 e RPD = 6,09 e 2,38. Foi possível observar que os comprimentos de ondas mais significativos na predição de carbono orgânico nas substâncias húmicas estão centrados nas regiões de NIR-SWIR, com poucas concentrações na região visível.