Espectroscopia de reflectância difusa e machine learning para estimar propriedades químicas do solo e concentração de nutrientes em erva-mate

Abstract

O Rio Grande do Sul (RS) é o segundo maior produtor de erva-mate (Ilex paraguariensis) do Brasil, e o conhecimento sobre demanda nutricional e fertilidade do solo é essencial para otimizar a produtividade da cultura. Nesse sentido, sensoriamento remoto proximal para análises de solo e tecidos de plantas pode ser vantajoso, comparado aos métodos convencionais de análise. O objetivo deste trabalho foi avaliar técnicas de pré-processamento espectral e métodos de machine learning para estimar propriedades do solo e concentrações de nutrientes em tecidos foliares de erva-mate, além de associar feições espectrais no infravermelho próximo (NIR) e médio (MIR), com vibrações dos elementos químicos e sintomas de deficiência nutricional. Foram utilizadas 107 amostras de solo e 111 de folhas coletadas nos cinco polos ervateiros do RS, e tecido vegetal de 108 plantas cultivadas por 180 dias com omissão de nutrientes, na Faculdade de Agronomia da UFRGS. Analisou-se as propriedades químicas e físicas das amostras de solo (argila, S, Al, matéria orgânica, P, Na, Fe, K, Ca, Mg, pH, SMP, Zn, Mn, B e Cu), as concentrações em tecidos foliares para os elementos N, P, K, Ca, Mg, S, B, Cu, Zn, Mn e Fe, além da avaliação visual e biométrica das respostas à omissão dos nutrientes. Foram realizadas análises espectroscópicas (NIR e MIR) e químicas em amostras de solo e tecido vegetal. Para solo, utilizou-se espectroscopia NIR e modelos de machine learning, como Partial Least Squares Regression (PLSR) e Support Vector Machine (SVM) para predizer propriedades químicas e físicas. No tecido vegetal, aplicou-se espectroscopia MIR para estimar a concentração de 11 nutrientes, combinando pré-processamentos espectrais e métodos de machine learning. Além disso, foram avaliadas feições espectrais associadas a distúrbios nutricionais das plantas cultivadas com as omissões dos nutrientes, inferindo-se qualitativamente sobre a relação destas com os distúrbios, via espectroscopia de reflectância difusa em NIR e MIR. A combinação de métodos com espectroscopia demonstrou potencial na predição de propriedades do solo, com maior acurácia para calibração pelo método SVM, combinado com dados espectrais pré-processados com Savitzky-Golay derivative. Na análise foliar, a espectroscopia MIR permitiu identificar padrões espectrais associados aos nutrientes. A avaliação dos distúrbios nutricionais revelou mudanças nas feições espectrais, com correlação direta entre bandas espectrais e deficiência de nutrientes. Sensoriamento proximal na região do NIR e MIR é uma alternativa eficiente e promissora para estimar propriedades do solo, concentrações de nutrientes em tecidos foliares, e na associação destes com sintomas de distúrbios nutricionais e desenvolvimento de plantas de erva-mate, auxiliando no diagnóstico e manejo nutricional da cultura, reduzindo custos e impactos ambientais.

Rio Grande do Sul (RS) is the second-largest producer of yerba mate (Ilex paraguariensis) in Brazil, and understanding the crop’s nutritional requirements and soil fertility is essential to optimize productivity. In this context, proximal remote sensing for soil and plant tissue analysis can offer advantages over conventional analytical methods. This study aimed to evaluate spectral preprocessing techniques and machine learning methods to estimate soil properties and nutrient concentrations in yerba mate foliar tissues, as well as to associate spectral features in the near-infrared (NIR) and midinfrared (MIR) regions with chemical element vibrations and symptoms of nutritional deficiencies. A total of 107 soil samples and 111 leaf samples were collected from the five yerba mate production hubs in RS, along with plant tissue from 108 plants cultivated for 180 days under nutrient omission conditions at the Faculty of Agronomy of UFRGS. The chemical and physical properties of the soil samples were analyzed, including clay content, S, Al, organic matter, P, Na, Fe, K, Ca, Mg, pH, SMP, Zn, Mn, B, and Cu. Nutrient concentrations in foliar tissues were determined for N, P, K, Ca, Mg, S, B, Cu, Zn, Mn, and Fe, in addition to visual and biometric evaluations of plant responses to nutrient omissions. Spectroscopic (NIR and MIR) and chemical analyses were conducted on both soil and plant tissue samples. For soil analysis, NIR spectroscopy was combined with machine learning models such as Partial Least Squares Regression (PLSR) and Support Vector Machine (SVM) to predict chemical and physical properties. For plant tissues, MIR spectroscopy was applied to estimate the concentrations of 11 nutrients, integrating spectral preprocessing techniques and machine learning methods. Furthermore, spectral features associated with nutritional disorders in plants grown under nutrient omission conditions were evaluated, allowing qualitative inferences on the relationship between deficiencies and plant symptoms using diffuse reflectance spectroscopy in the NIR and MIR regions. The combination of spectroscopic techniques and machine learning demonstrated potential for predicting soil properties, with the highest accuracy achieved using the SVM model calibrated with Savitzky-Golay derivative-preprocessed spectral data. In foliar analysis, MIR spectroscopy enabled the identification of spectral patterns associated with specific nutrients. The assessment of nutritional disorders revealed changes in spectral features, with direct correlations between specific spectral bands and nutrient deficiencies. Proximal sensing in the NIR and MIR regions is an efficient and promising alternative for estimating soil properties, foliar nutrient concentrations, and their association with nutritional disorder symptoms and yerba mate plant development, supporting crop nutritional diagnosis and management while reducing costs and environmental impacts.