Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 14 Núm. 1 (2023)
Vol 14, Núm.1 (2023): Enero-Junio

Artículos de investigación / Research papers

Espectroscopía de infrarrojo cercano para la determinación de materia orgánica y nitrógeno total del suelo

https://doi.org/10.19053/01217488.v14.n1.2023.13942

Publicado 2023-03-02

  • Manuela Ortega Monsalve
    • ,
  • Mario Fernando Cerón-Muñoz
    • ,
  • Marisol Medina-Sierra

Manuela Ortega Monsalve
a:1:{s:5:"es_ES";s:24:"Universidad de Antioquia";}

Mario Fernando Cerón-Muñoz
Universidad de Antioquia

Marisol Medina-Sierra
Universidad de Antioquia

Resumen

Los análisis del suelo son fundamentales para la toma de decisiones en agricultura. Estos análisis pueden ser obtenidos por técnicas no destructivas, rápidas y precisas como lo es la espectroscopía de infrarrojo cercano NIRS. El objetivo fue generar ecuaciones de predicción de la Materia Orgánica (MO) y Nitrógeno total (N total), mediante el uso de espectros del NIRS. Se procesaron 459 muestras de suelo por química húmeda y por NIRS y se utilizaron diversas transformaciones de datos analizadas por mínimos cuadrados parciales. En la selección se tuvieron en cuenta los valores del coeficiente de determinación (R2), de la raiz del error cuadrático medio de predicción (RMSEP) y la desviación residual predictiva (RPD). El mejor modelo para
MO correspondió al modelo de aobsorbancia sin transformación (R2=0.90, RMSEP=0.29 y RPD=1.3) y para el nitrógeno total el mejor modelo fue la transformación de la 1a derivada de Savitzky-Golay (R2=0.84, RMSEP=0.09 y RPD=2.5). Lo anterior indica que se pueden utilizar los valores de absorbancia de los espectros del NIRS para predecir los valores de MO y N del suelo, utilizando modelos de mínimos cuadrados parciales.

Palabras clave

machine learning, transformaciones, métodos ´ópticos, análisis químicos, regresiones parciales

PDF

Citas

  1. D. Acevedo, M. Álvarez, E. Hernández, R. Améndola“, Concentración de nitrógeno en suelo por efecto de manejo orgánico y con- vencional”, Terra Latino, vol. 29, no. 3, 2011.
  2. H. Arguello“, La descomposición de la mate- ria orgánica y su relación con algunos factores climáticos y microclimáticos ”, Agronomia co- lombiana, vol. 8, no. 2, pp. 384-388, 1991.
  3. Y. Ba, J. Liu, J. Han, X. Zhang“, Aplicación de espectroscopía Vis-NIR para la determinación del contenido de materia orgánica en suelos salino-alcalinos ”, Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, vol. 229, 2019. DOI: 10.1016/j.saa.2019.117863. DOI: https://doi.org/10.1016/j.saa.2019.117863
  4. Pls: Partial Least Squares and Principal Com- ponent Regression. R package version 2.7-3, 2021.
  5. A. Chacón, M. Rodríguez, E. Aguila, M. Ca- rral, Y. Díaz, J. Baerdemaeker, W. Saeys“, Vis/NIR spectroscopic measurement of se- lected soil fertility parameters of Cuban agricultural Cambisols”, Biosystems enginee- ring, vol. 125, pp. 105-121, 2014. DOI: 10.1016/j.biosystemseng.2012.06.018. DOI: https://doi.org/10.1016/j.biosystemseng.2014.06.018
  6. M. Conforti, G. Matteucci, G. Buttafuoco, “Uso de espectroscopiía Vis-NIR de laborato- rio para monitorear algunas propiedades del suelo forestal“, Revista de suelo y sedimen- tos. vol. 18, no. 3, pp. 1009-1019, 2017. DOI: 10.1007/s11368-017-1766-5. DOI: https://doi.org/10.1007/s11368-017-1766-5
  7. G. Crespo“, Cómo incrementar la materia or- gánica del suelo en la actividad ganadera del trópico“, Avances en Investigación Agropecuaria. vol. 22 , no. 3, pp 37-44, 2018.
  8. U. J. Dos Santos, E.V. de S Barretto Sampaio, J.A. de Melo Dematte, R.S. Menezes, A.C. Dot- to, C.C. Guimaraes, D.C. Primo, “Rapid deter- mination of carbon and nitrogen by low en- vironmental impact spectroscopic techniques (Vis-NIR, MIR)“, Geoderma Regional. vol. 23, 2020. DOI: 10.1016/j.geodrs.2020.e00333. DOI: https://doi.org/10.1016/j.geodrs.2020.e00333
  9. C. Gámez“, Uso de modelos espectrales VIS- NIR para la determinación del contenido de carbono del suelo”, tesis de maestría. Departa- mento de ingeniería civil y agrícola, Universi- dad Nacional de Colombia, Bogotá, 2019.
  10. M. Gandariasbeitia, G. Besga, I. Albizu, S. La- rregla, S. Mendarte“, Prediction of chemical and biological variables of soil in grazing areas with visible- and near-infrared spectroscopy“, Geoderma. vol. 305, no. 2, pp. 228-235, 2017. DOI: 10.1016/j.geoderma.2017.05.045. DOI: https://doi.org/10.1016/j.geoderma.2017.05.045
  11. J. R.Gates“, A Comparison of VNIR and MIR Spectroscopy for Predicting Various Soil Pro- perties”, dissertations and theses in natural re- sources. Universidad de Nebraska, Nebraska, 2018.
  12. P. Geladi“, Chemometrics in spectroscopy. Part 1. Classical chemometrics. Spectrochim”, Spectrochimica Act Part: B Atomic
  13. spectroscopy. vol. 58, no. 5, pp. 767-782, 2003. DOI: 10.1016/S0584-8547(03)00037-5. DOI: https://doi.org/10.1016/S0584-8547(03)00037-5
  14. D. I. Givens, J. L. De Boever, E. R. Deaville“, The principles, practices and some future ap- plications of near infrared reflectance spectros- copy for predicting the nutritive value of foods for animals and humans“, Nutrition research reviews. vol. 10, pp. 83-114, 1997. DOI: https://doi.org/10.1079/NRR19970006
  15. Manual de prácticas de campo y del laboratorio de suelos. SENA, región Tolima, 2014.
  16. D. González, A. Coáls, O. Rodríguez, D. Ál- varez, S. Gattorno, A. Chacón“, Estimación de la materia orgánica en suelo Pardo mullido medianamente lavado mediante espectrosco- pia vis-NIR“, Ciencia Agrícola vol. 47, no. 3, pp.23-32, 2020.
  17. C. Guerrero, R. Zornoza, A. Pérez, J. Solera, I. Gómez, F. García-Orenes“, Uso de la espec- troscopía en el infrarrojo cercano (NIR) para la estimación rápida del carbono orgánico y la respiración basal en suelos forestales“, Cua- dernos de la Sociedad Española de Ciencias Forestales vol. 47, vol. 25, pp.209-214, Enero. 2008.
  18. Y. He, M. Huang, A. García, A. Hernández, H. Song“, Prediction of soil macronutrients con- tent using near-infrared spectroscopy“, Com- puters and Electronics in Agriculture vol. 58, no. 2, pp. 144-153, Septiembre. 2007. DOI: 10.1016/j.compag.2007.03.011. DOI: https://doi.org/10.1016/j.compag.2007.03.011
  19. S. Katuwal, M. Knadel, P. Moldrup, T. Nor- gaard, M.H. Greve, L.W. de Jonge“, Visible- near-infrared Spectroscopy can predict mass transport of dissolved chemicals through in- tact soil“, Scientific Reports vol. 8, no. 1, 2018. DOI: 10.1038/s41598-018-29306-9. DOI: https://doi.org/10.1038/s41598-018-29306-9
  20. B. Lazzaretti, L. Souza, G. Laerson, A. D. Carnieletto, D. Britzke, J. Laerte“, Prediction of soil organic matter and clay contents by near-infrared spectroscopy - NIRS“, Ciencia Rural Santa Marias vol. 50 no 1,2020. DOI: 10.1590/0103-84780190506. DOI: https://doi.org/10.1590/0103-8478cr20190506
  21. M. Lezcano, C. Gamarra, S. Ruiz, M. Ortiz“, Contenido de materia orgánica en suelos de sis- temas silvopastoriles establecidos en el Chaco Central paraguayo“, Revista Sociedad Cientí- fica del Paraguay vol. 25 no 2, pp. 131-143, 2020.doi.org/10.32480/rscp.2020.25.2.131. DOI: https://doi.org/10.32480/rscp.2020.25.2.131
  22. Z. Lin, R. Wang, Y. Wang, L. Wang, C. Lu, Y. Liu, L. Zhu“, Accurate and rapid detection of soil and fertilizer, properties based on visible near-infrared spectroscopy ”Applied Optics vol. 57, no. 18, 2018. DOI: 10.1364/ao.57.000d69. DOI: https://doi.org/10.1364/AO.57.000D69
  23. M. Macias, J. Cueto, J. Mu/ noz, O. Lande- ros“, Predicción de propiedades del suelo de importancia agronómica por espectroscopia de reflectancia de infrarrojo cercano“, Revista Me- xicana de Ciencias Agrícolas vol. 6, no. 6, pp. 1317-1329, 2015. DOI: https://doi.org/10.29312/remexca.v6i6.579
  24. E.S. Mohamed, A.M. Saleh, A.B. Belal, G. Abd Allah“, Application of near-infrared re- flectance for quantitative assessment of soil properties“, The Egyptian Journal of Remote Sensing and Space Science vol. 21, no. 1, pp. 1-14, 2018. DOI: 10.1016/j.ejrs.2017.02.001. DOI: https://doi.org/10.1016/j.ejrs.2017.02.001
  25. A. Morellos, X.E. Pantazi, D. Moshou, T. Alexandridis, R. Whetton, G. Tziotzios, A.M. Mouazen“, Predicción basada en aprendizaje automático del contenido de nitrógeno total, carbono orgánico y humedad del suelo median- te el uso de espectroscopia VIS-NIR“, Ingenie- ría de biosistemas vol. 152, pp. 104-116, 2016. DOI: 10.1016/j.biosystemseng.2016.04.018. DOI: https://doi.org/10.1016/j.biosystemseng.2016.04.018
  26. S. Nawar, H. Buddenbaum, J. Hill, J. Kozak, A. Mouazen“, Estimación del contenido de arcilla y materia orgánica del suelo mediante diferen- tes métodos de calibración de espectroscopia de reflectancia difusa vis-NIR“, Investigación del suelo y labranza vol. 155, pp. 510-522, 2016. DOI: 10.1016/j.still.2015.07.021. DOI: https://doi.org/10.1016/j.still.2015.07.021
  27. C. Nduwamungu, N. Ziadi, E. Parent, F. Trem- blay, L. Thuries“, Opportunities for, and limita- tions of, near infrared reflectance spectroscopy applications in soil analysis: A review“, Cana- dian Journal of soil science vol. 89, no. 5, pp. 531-541, 2009. DOI: 10.4141/CJSS08076. DOI: https://doi.org/10.4141/CJSS08076
  28. P. Nie, T. Dong, S. Oye Xiao, F. Qu, L. Lin“, The Effects of Drying Temperature on Ni- trogen Concentration Detection in Calcium Soil Studied by NIR Spectroscopy“, Applied Science vol. 8, no. 2, pp. 269, 2018. DOI: 10.3390/app8020269. DOI: https://doi.org/10.3390/app8020269
  29. A. Pudelko, M. Chodak“, Estimacóin del conteni- do total de nitrógeno y carbono orgánico en suelos mineros con espectroscopia de reflectancia NIR y varios métodos quimiométricos“, Geoderma Re- gional vol. 23, 2020. DOI: 10.1016/j.geodrs.2020. e00333.
  30. Predicción de la composición química de ali- mentos de uso animal mediante NIRS Aplica- ciones e interpretación práctica. Universidad de Antioquia, Facultad de Ciencias Agrarias. Fundación CIPAV, 2018.
  31. R.Shapire“,Thestrengthofweaklearnability“, Machine Learning vol. 5, no. 2, pp. 197-227. 1990. DOI: https://doi.org/10.1023/A:1022648800760
  32. B. Stenberg, R.A.V. Rossel, A.M. Moua- zen, J. Wetterlind“, Visible and near infra- red spectroscopy in soil science“, Advance in agronomy vol.107, pp. 163-215, 2010. DOI: 10.1016/S0065-2113(10)07005-7. DOI: https://doi.org/10.1016/S0065-2113(10)07005-7
  33. L. Wei, Z. Yuan, Z. Wang, L. Zhao, Y. Zhan, X. Lu, L. Cao“, Hyperspectral Inversion of Soil Organic Matter Content Based on a Combined Spectral Index Model”Sensors vol. 20,no. 10, pp. 2777, 2020. DOI: 10.3390/s20102777. DOI: https://doi.org/10.3390/s20102777
  34. Z. Xu, X. Zhao, X. Guo, J. Guo“, Aplicación de aprendizaje profundo para predecir el con- tenido de materia orgánica del suelo mediante espectroscopia VIS-NIR”, Inteligencia compu- tacional y neurociencias vol. 2019, pp. 11, 2019. DOI: 10.1155/2019/3563761. DOI: https://doi.org/10.1155/2019/3563761
  35. C. Yarce, J. Castillo“, Validación no exhaustiva del método analítico de Walkley-Black, para la determinación de materia orgánica en suelos por espectrofotometria de UV-VIS“, Ingenium vol. 8, no. 19, pp. 37-45, 2014. DOI: https://doi.org/10.21774/ing.v8i19.384
  36. Y. Zhang, M. Li, L. Zheng, Y. Zhao, X. Pei“, Soil nitrogen content forecasting based on real- time NIR spectroscopy”, Computers and Electronics in Agriculture vol. 124, pp. 29-36, 2016. DOI: 10.1016/j.compag.2016.03.016. DOI: https://doi.org/10.1016/j.compag.2016.03.016
  37. Manual de análisis de suelos y tejido vegetal. Una guía teórica y práctica de metodologías, documento de trabajo 129. CIAT. 1993.

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

1 2 3 4 > >> 

También puede {advancedSearchLink} para este artículo.