Resumo: Este trabalho teve como objetivo avaliar dois métodos de análise multivariada: PLSR pelo programa Quimiométrico ParLes e a Regressão linear múltipla com seleção de variáveis Stepwise pelo SAS na predição dos atributos químicos (SiO2, Al2O3, Fe2O3, TiO2 e C.O.) e físicos (areia, silte e argila) do solo por meio dos dados de reflectância de um espectrorradiômetro em laboratório. As áreas escolhidas para o estudo estão localizadas no noroeste do Paraná, em litossequência localizada na faixa de transição entre o Basalto e o Arenito. Foram coletadas amostras de solo caracterizando os horizontes A e B e estas foram submetidas a análises químicas, físicas e mineralógicas na Universidade Estadual de Maringá. As leituras espectrais foram realizadas em um espectrorradiômetro no intervalo de 350 a 2.500 nm, possibilitando a predição dos atributos do solo por meio de sua resposta espectral. Foram adotadas duas metodologias para construção dos modelos de predição; a primeira foi a utilização das amostras globais (HA+HB) para predição dos atributos. A segunda metodologia foi a separação das amostras do HA (0-0,20 m) e HB (0,80 - 1m) e consequente, obtenção de modelos de predição para os horizontes diagnosticamente separados. As amostras globais possibilitaram a obtenção de modelos de predição com melhor desempenho que os modelos ajustados pelas amostras pertencentes aos horizontes A e B, tanto para o PLSR quanto para a regressão Stepwise para quase todos os atributos estudados, com exceção do C.O., que teve melhor desempenho para o HA. Os modelos de predição do silte, C.O. e TiO2, não apresentaram bons desempenhos, tanto na fase de calibração, quanto na de validação para os dois métodos estatísticos. O Parles e o SAS mostraram desempenhos semelhantes para a fase de calibração dos modelos de predição. Para a fase de validação, com modelos ajustados a partir das amostras globais, a técnica PLSR apresentou melhor desempenho que a regressão Stepwise para os atributos Al2O3, TiO2 e C.O. e foram semelhantes para o restante dos atributos. Para os modelos do HA, a técnica PLSR apresentou melhor desempenho que a regressão Stepwise para os atributos Fe2O3 e silte e pior para a SiO2 e TiO2. Já para o HB, a regressão Stepwise possibilitou ajuste de melhores modelos para o TiO2 e C.O. e semelhantes para o restante dos atributos. Portanto, a conclusão é que a utilização das amostras globais geraram modelos de predição com melhores desempenhos, com exceção para o C.O.. O método de regressão Stepwise é mais indicado, uma vez que ele apresenta o modelo de predição.
Abstract: This study aimed to evaluate two methods of multivariate analysis: PLSR through the chemometric ParLes program and multiple linear regression with Stepwise variable selection by SAS in the prediction of soil chemical (SiO2, Al2O3, Fe2O3, TiO2 and C.O.) and physical attributes (sand, silt and clay) using reflectance data of a laboratory spectroradiometer. The areas chosen for study are located in the northwest of Paraná in lithosequence located in the transition range between Basalt and Sandstone. Soil samples were collected characterizing the A and B horizons and subjected to physical, chemical and mineralogical analyzes at the Universidade Estadual de Maringá. The spectral readings were taken in a spectroradiometer within the range of 350 to 2.500 nm, which allowed the prediction of soil properties through its spectral response. Two methodologies were adopted for the construction of predictive models; the first was the use of bulk samples (HA + HB) for the prediction of attributes. The second method was the separation of the HA samples (0-0,20 m) and HB (0,80 - 1 m) and consequently, obtaining a prediction model for the horizons separated diagnostically. The aggregate samples (A and B horizons), allowed to obtain prediction models with better performance than the models adjusted for the samples belonging to A and B horizons, both for PLSR and for multiple linear regression with Stepwise selection of variables for almost all studied attributes, except only for the C.O., which had better performance for the HA. Silt, C.O. and TiO2, were the attributes that had the worst performances, both in the calibration and validation stages for the two statistical methods. Parles and SAS showed similar performances for the prediction models calibration stage. For the validation stage, with adjusted models from xv the bulk samples, the PLSR technique overcame the Stepwise regression for the attributes Al2O3, TiO2 and C.O. and they were similar for the other attributes. For the HA models, the PLSR technique performed better than the Stepwise regression for the attributes Fe2O3 and silt and worse for the SiO2 and TiO2. Meanwhile for the HB, the Stepwise regression allowed the adjustment of better models for TiO2 and C.O. and similar for the other attributes. Therefore, the conclusion is that the use of bulk samples generated prediction models with better performances, except for C.O.. The Stepwise regression method is the most suitable since it provides the prediction model. |