Using numerical classification of profiles based on Vis-NIR spectra to distinguish soils from the Piracicaba Region, Brazil

Portugués. Atualmente, o espectro de reflectância do solo é uma informação subutilizada em processos de classificação. Sendo assim, os objetivos deste trabalho foram avaliar as relações entre os espectros de solos e seus atributos físicos e químicos, identificar padrões espectrais para cada classe de solo e por fim analisar o uso da classificação numérica de perfis, conciliada a dados espectrais, na distinção de solos. Para tanto, foram estudados 20 perfis da região de Piracicaba, SP, sendo descritos morfologicamente e classificados até o 3¼ nível categórico do SiBCS. Amostras foram coletadas dos horizontes pedogenéticos e foram submetidas às análises granulométrica e química. Posteriormente, o comportamento espectral de cada solo foi obtido e submetido à análise por componentes principais. Os escores dos componentes principais foram utilizados em análise de correlação linear com pH, matéria orgânica, P, K, Ca, Mg, Al, CTC, V% e m%. Além da interpretação dos três primeiros componentes principais, foram estabelecidas relações desses com as classes de solo definidas pelo SiBCS. Ainda, a classificação numérica dos perfis foi procedida a partir do algoritmo OSACA, utilizando os dados espectrais como base. A relação entre a classificação do SiBCS e a classificação numérica, foi determinada pelo índice de Informação Mútua Normalizada (IMN) e o Coeficiente de Incerteza (U). Foram encontradas correlações significativas entre os escores dos componentes principais e a areia (0,78), a argila (-0,74), a cor do solo e o teor de Al (0,73). A representação gráfica dos componentes principais e sua interpretação visual indicou diferenças no comportamento espectral das classes de solo, principalmente entre os Argissolos e as demais classes. Já a classificação numérica dos perfis, com base nos espectros dos solos, obteve valores para os índices de informação mútua normalizada e coeficiente de incerteza de 0,74 e 0,64, respectivamente. Esses valores indicam que a classificação numérica possui boa relação com a estabelecida pelo SiBCS, sendo capaz, por exemplo, de distinguir Argissolos de classes como Latossolos e Nitossolos. Além disso, observou-se que tal técnica não é capaz de diferenciar Latossolos e Nitossolos Vermelho férricos; no entanto, Cambissolos foram agrupados corretamente. A técnica evidenciou-se eficiente, demonstrando sua aplicabilidade em processos de classificação de solo.

Inglés. Considering that information from soil reflectance spectra is underutilized in soil classification, this paper aimed to evaluate the relationship of soil physical, chemical properties and their spectra, to identify spectral patterns for soil classes, evaluate the use of numerical classification of profiles combined with spectral data for soil classification. We studied 20 soil profiles from the municipality of Piracicaba, State of São Paulo, Brazil, which were morphologically described and classified up to the 3rd category level of the Brazilian Soil Classification System (SiBCS). Subsequently, soil samples were collected from pedogenetic horizons and subjected to soil particle size and chemical analyses. Their Vis-NIR spectra were measured, followed by principal component analysis. Pearson's linear correlation coefficients were determined among the four principal components and the following soil properties: pH, organic matter, P, K, Ca, Mg, Al, CEC, base saturation, and Al saturation. We also carried out interpretation of the first three principal components and their relationships with soil classes defined by SiBCS. In addition, numerical classification of the profiles based on the OSACA algorithm was performed using spectral data as a basis. We determined the Normalized Mutual Information (NMI) and Uncertainty Coefficient (U). These coefficients represent the similarity between the numerical classification and the soil classes from SiBCS. Pearson's correlation coefficients were significant for the principal components when compared to sand, clay, Al content and soil color. Visual analysis of the principal component scores showed differences in the spectral behavior of the soil classes, mainly among Argissolos and the others soils. The NMI and U similarity coefficients showed values of 0.74 and 0.64, respectively, suggesting good similarity between the numerical and SiBCS classes. For example, numerical classification correctly distinguished Argissolos from Latossolos and Nitossolos. However, this mathematical technique was not able to distinguish Latossolos from Nitossolos Vermelho férricos, but the Cambissolos were well differentiated from other soil classes. The numerical technique proved to be effective and applicable to the soil classification process.