Quantification of soil carbon and moisture content in varying-moisture soils withLaser-Induced Breakdown Spectroscopy and machine learning
Este estudo demonstra que a combinação de Espectroscopia de Plasma Induzido por Laser (LIBS) com refletância vis-NIR baseada em LED e regressão de kernel ridge permite a previsão precisa do carbono total e do teor de umidade do solo em amostras minimamente processadas e com umidade variável, com a calibração ciente da umidade aumentando significativamente a precisão da previsão do carbono.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O solo sob nossos pés é mais do que apenas terra; é um vasto reservatório vivo que contém mais carbono do que a atmosfera e todas as florestas do mundo combinadas. Este carbono oculto desempenha um papel crítico na regulação do clima da Terra, mas medir quanto está armazenado em um pedaço específico de chão continua sendo uma tarefa difícil. Tradicionalmente, os cientistas devem coletar amostras de solo, secá-las em um forno, moê-las em um pó fino e queimá-las em um laboratório para determinar seu conteúdo de carbono. Esse processo é lento, caro e exige o deslocamento das amostras do campo para o laboratório, o que limita quantos lugares podem ser testados. À medida que o mundo busca melhores maneiras de monitorar a saúde do solo e rastrear o armazenamento de carbono, há uma necessidade crescente de um método que seja rápido, preciso e que possa ser usado exatamente onde o solo é encontrado, sem o pesado fardo de uma preparação extensa.
Pesquisadores têm explorado uma técnica chamada espectroscopia de plasma induzida por laser, que utiliza um pulso de luz poderoso e focado para criar um plasma minúsculo e superquente na superfície de um material. Esse flash de energia faz com que os átomos do solo brilhem, emitindo luz que revela exatamente quais elementos estão presentes. Embora este método tenha mostrado promessa para identificar metais e nutrientes, ele tem tido dificuldades com o solo fresco e úmido, pois a água altera drasticamente a forma como a luz se comporta, tornando as medições precisas difíceis. Para resolver isso, uma equipe de cientistas combinou essa técnica a laser com um sensor de reflexão de luz mais simples e algoritmos computacionais avançados. Eles testaram se esse sistema híbrido poderia prever com precisão tanto a quantidade de carbono quanto o teor de umidade em amostras de solo que foram ou cuidadosamente preparadas em laboratório ou medidas em seu estado natural e úmido.
O estudo envolveu 116 amostras de solo coletadas de oito diferentes locais agrícolas em toda a Finlândia, representando uma grande variedade de texturas de solo e níveis de carbono. Os pesquisadores dividiram essas amostras em diferentes grupos para testar vários cenários. Algumas amostras foram secas, moídas em um pó fino e prensadas em pastilhas para imitar condições ideais de laboratório. Outras foram deixadas frescas, com sua umidade natural e pedras grandes simplesmente removidas à mão. A equipe então submeteu essas amostras ao laser e ao sensor de luz, alimentando os dados resultantes em seis tipos diferentes de modelos de aprendizado de máquina. Esses modelos são essencialmente programas de computador treinados para encontrar padrões complexos nos dados, aprendendo a conectar as assinaturas de luz específicas do solo aos níveis reais de carbono e água medidos pelos métodos tradicionais e lentos.
Os resultados mostraram que os modelos de computador puderam aprender a interpretar os dados desordenados do mundo real com uma precisão surpreendente. O modelo de melhor desempenho, um tipo de algoritmo conhecido como regressão de núcleo (kernel ridge regression), foi capaz de prever o conteúdo total de carbono com um alto grau de precisão. Para as amostras que foram moídas em pó e mantidas em um nível de umidade constante, as previsões do modelo foram extremamente próximas das medições de referência. Mais importante ainda, para as amostras frescas, minimamente processadas, que representam o que um agricultor ou cientista encontraria no campo, o modelo ainda teve um desempenho muito bom, capturando o conteúdo de carbono com apenas uma pequena margem de erro. O estudo descobriu que a capacidade do computador de adivinhar o nível de umidade primeiro e depois usar esse palpite para ajudar a calcular o nível de carbono melhorou significativamente a precisão para as amostras úmidas e naturais. Isso sugere que o sistema pode compensar o conteúdo variável de água que normalmente confunde essas medições.
Uma descoberta fundamental da pesquisa foi que a moagem e a secagem extensivas do solo, que têm sido uma prática padrão por décadas, podem não ser necessárias para que esta tecnologia funcione. Quando os pesquisadores compararam as amostras moídas com as amostras frescas sob condições controladas, a diferença na precisão da previsão foi negligenciável. Isso implica que as etapas demoradas de secagem e moagem poderiam ser puladas inteiramente, permitindo a análise rápida no local. O sistema também se mostrou capaz de medir o próprio teor de umidade do solo, o que é uma informação crucial para calcular a quantidade total de carbono armazenada em um determinado volume de terra. Ao medir a umidade diretamente, o método poderia eventualmente permitir o cálculo dos estoques de carbono do solo no campo sem a necessidade de levar amostras para secagem em laboratório.
O estudo também examinou como diferentes tipos de solo e locais específicos afetaram os resultados. Os erros de previsão foram considerados mais relacionados à localização específica e à faixa de valores de carbono presentes ali do que à textura geral do solo, como se era argila ou areia. Em um local onde o solo tinha níveis de carbono excepcionalmente altos, o modelo teve dificuldades leves porque não havia visto exemplos suficientes de valores tão altos durante seu treinamento. Isso destaca que, para a tecnologia funcionar em todos os lugares, os modelos de computador precisam ser treinados em um conjunto diversificado de tipos de solo, incluindo aqueles com níveis extremos de carbono. No entanto, o desempenho geral foi forte o suficiente para sugerir que esta abordagem é uma alternativa viável aos métodos tradicionais, oferecendo uma maneira de mapear o carbono do solo com muito mais velocidade e densidade do que é possível atualmente.
Ao combinar um laser que lê a composição elementar do solo com um sensor que detecta água e matéria orgânica, e então deixar um computador aprender a relação entre esses sinais e as propriedades reais do solo, os pesquisadores demonstraram um caminho para a análise de solo aplicável no campo. O trabalho confirma que, com o processamento de dados adequado, os desafios de medir o solo úmido e não processado podem ser superados. Isso não significa que a tecnologia seja perfeita ou esteja pronta para cada situação individual sem mais testes, mas prova que a medição precisa e rápida do carbono e da umidade do solo é alcançável sem a preparação laboriosa que tem sido uma barreira há muito tempo. Os próximos passos envolvem testar esses métodos em protocolos de campo do mundo real para ver quão bem eles se sustentam ao medir o estoque total de carbono de paisagens inteiras, potencialmente revolucionando a forma como monitoramos a saúde do solo do nosso planeta.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.