Fraccionamiento de las Propiedades Hiperespectrales de Sistemas Edafológicos para el Diagnóstico de la Fertilidad de los Suelos
Financiación
-
Proyecto C.I. 71263 de la Universidad del Valle.
-
Convocatoria 848 - Programa de Estancias Postdoctorales en Entidades del SNCTeI 2019 del Ministerio de Ciencia, Tecnología e Innovación (Minciencias).
Grupo de Investigación
Grupo de Investigación en Ciencias con Aplicaciones Tecnológicas (GI-CAT)
Departamento de Química
Facultad de Ciencias Naturales y Exactas
Universidad del Valle, Cali - Colombia
Citación
Ramírez-Rincón J.A., Palencia M., Afanasjeva N., Benítez L.N., Combatt E.M. Fraccionamiento de las Propiedades Hiperespectrales de Sistemas Edafológicos para el Diagnóstico de la Fertilidad de los Suelos. Proyecto C.I. 71263 de la Universidad del Valle. 2021. AFICAT(2021). Doi: 10.34294/aficat.21.08.002
Investigadores
Dr. Natalia Afanasjeva
Química del Petróleo y Compuestos de Alto Peso Molecular de la Universidad Estatal de Tomsk (Rusia), especialista en Cromatografía de Gases y Líquidos del Instituto de Separaciones Cromatográficas Dzershinsk Gorkyi, Magíster en Química de la Universidad Estatal de Tomsk, y Doctora de la Academia estatal del Gas y Petróleo (Rusia).
Profesora Titular del Departamento de Química de la Universidad del Valle (Colombia), adscrita al área de química orgánica.
Dr. Jorge Andrés Ramírez Rincón
Licenciado en Física de la Universidad Distrital Francisco José de Caldas (Colombia), Magíster y Doctor en ciencias en la especialidad de física aplicada del Centro de Investigación y de Estudios Avanzados del IPN (México).
Posdoctorante del Departamento de Química de la Universidad del Valle (Colombia).
Dr. Enrique Miguel Combatt Caballero
Ingeniero Agrónomo y Especialista en Manejo de Suelos y Aguas de la Universidad de Córdoba (Colombia), Magíster en Agronomía con énfasis en suelos de la Universidad Nacional de Colombia - Sede Palmira (Colombia), y Doctor en Agronomía con énfasis en suelos y nutrición vegetal de la Universidad Federal de Viçosa (Brasil).
Profesor Títular del Departamento de Ingeniería Agrícola y Desarrollo Rural de la Universidad de Córdoba (Montería).
Fraccionamiento de las Propiedades Hiperespectrales de Sistemas Edafológicos para el Diagnóstico de la Fertilidad de los Suelos
Resumen gráfico
Descripción
PROBLEMÁTICA Y JUSTIFICACIÓN
Los suelos son un ente de importancia para el desarrollo del país, tanto desde una dimensión ambiental como productiva. Sin embargo, la débil implementación de tecnologías de producción pone en riesgo su integridad ecosistémica, al igual que restringen su potencial productivo. Lo anterior va ligado al adecuado conocimiento de estos, en especial para la producción agrícola, donde se requiere conocimiento de su estatus nutricional para la optimización de las condiciones de producción en etapas clave como la fertilización. De este modo, para el fortalecimiento del sector agrícola, y pecuario si se consideran la necesidad de pastos para la ganadería, algunos aspectos de vital importancia son: desarrollar estrategias basadas en tecnología de base científica que permitan el aumento de la producción y la reducción de los costos de las cosechas del mediano y pequeño productor, e implementar tecnologías que generen un uso eficiente de fertilizantes con lo que a su vez se contribuye con la creación de sistemas productivos eco-amigables. Sin embargo, como también fue indicado previamente, estas tecnologías deben replicar la capacidad de los procedimientos existentes, pero deben ser superiores en cuanto a factores como la accesibilidad, costos, ventajas adicionales e impacto.
Los diferentes datos obtenidos de fuentes como el banco mundial indican que el costo de fertilizantes en la mayoría de los cultivos tiene una participación importante en los costos de producción agrícola a nivel mundial; Además, el consumo de fertilizantes por hectárea de tierra cultivable sigue en aumento de una manera desproporcionada en relación con los rendimientos de producción, como es el caso general de América Latina y el Caribe, esto sumado a los numerosos casos de contaminación por sobre fertilización, son consecuencias de un manejo poco eficiente de fertilizantes. Por otro lado, los diagnósticos de fertilidad son fundamentales en el manejo eficaz de los problemas nutricionales relacionados con el suelo, actualmente estos diagnósticos implican la medición analítica de varios parámetros mediante diferentes técnicas de análisis que de manera general implican etapas de muestreo, extracción y medición, los resultados obtenidos deben ser además interpretados bajo el estudio del campo de manera que los valores de análisis tengan validez agronómica; por lo tanto, el diagnostico de fertilidad del suelo es un trabajo que toma bastante tiempo, es laborioso y representa costos muy elevados [1-5]. Además, los métodos tradicionales de rutina para el análisis de suelos, pueden considerarse poco amigables para el medio ambiente, en la medida que no se ajustan a principios de la química verde en pro de la sostenibilidad, dado a que son métodos "sucios" que consumen gran cantidad de reactivos generando a su vez una cantidad apreciable de desechos químicos de diferente naturaleza y toxicidad.
Debido a que el análisis hiperespectral permite explorar diferentes regiones del espectro para fines analíticos, mediante técnicas avanzadas de análisis es posible correlacionar la respuesta del hiperespectro con el estatus nutricional de los suelos para su aplicación en agricultura. Además, una ventaja inherente es que esta técnica permite la captura de información digital que puede ser trasmitida a un sistema de análisis remoto donde la información es procesada y las conclusiones retrasmitidas al agricultor, para tomar las acciones pertinentes en lo que respecta a la fertilización. Un sistema de análisis de suelos mediante teledetección hiperespectral y remota puede visualizarse como un sistema de dos actores: el usuario quien es quien registra la información y, el analizador quien es el ente que recibe la información, la procesa, la analiza y devuelve los resultados al usuario con recomendaciones agrícolas. Pero, además, el analizador suministra sus conclusiones a los entes territoriales que obtienen información actualizada y periódica de los agroecosistemas bajo análisis, para un adecuado direccionamiento de políticas y recursos. En el contexto expuesto, este proyecto busca avanzar en un sistema integral de asistencia técnica agropecuaria de teledetección remota departamental, siendo pionero en su tipo a nivel nacional e incluso internacional en cuanto alcance y población objetivo.
Aunque el análisis hiperespectral ha sido usado para el estudio de los suelos desde un punto de vista estructural y composicional de zonas, su uso para el diagnóstico de la fertilidad de los mismos de manera sitio-específica y puntual es limitado. Además, en condiciones controladas, los perfiles espectrales son la respuesta a cambios de vibración en los diferentes grupos de átomos que forman las moléculas y los cristales. La información espectral de los suelos capturada entre los 400 y 2.500 nm es usualmente recopilada en bases de datos o librerías espectrales. Sin embargo, el procesamiento de la información de estas librerías espectrales se ha limitado a la correlación entre características del suelo en el perfil espectral, pero los métodos de clasificación de imágenes multiespectrales e hiperespectrales ofrecen una gran herramienta para extraer información de los perfiles espectrales de suelos, y por lo tanto son una promisoria alternativa para un análisis cuantitativo de la fertilidad de los suelos.
Es claro que la extracción e interpretación directa de la información espectral es uno de los principales retos que se plantea en esta propuesta, y de ello dependerá en gran medida la capacidad de poder realizar diagnósticos precisos y exactos que den cuenta del estado nutricional real del suelo [6-9]. En este sentido, se parte de la hipótesis que el fraccionamiento de los componentes del suelo producirá un ‘fraccionamiento’ en la respuesta del hiperespectro y, en consecuencia, información más exacta de su composición. La cual, para aspectos como materia orgánica, CIC, textura, densidad aparente, humedad y pH, pueden traducirse en información directamente relacionada con el estatus de fertilidad agrícola.
Bibliografía
[1] Platero C., Apuntes de Visión Artificial. Universidad Politécnica de Madrid, 2008, 11-32.
[2] González A., Vargas I., Análisis de imágenes hiperespectrales. Revista de Ingeniería, 2013, 9(35):14-17.
[3] Mejía J., Apuntes del Procesamiento Digital de Imágenes. Universidad Autónoma de San Luis Potosí, 2005, 3 -5.
[4] Montesinos R., Especificación cromática de gamas de colores usadas en la industria del calzado. Universidad de Alicante, 2003, 13-27.
[5] Pacheco G., Diseño e implementación de un sistema de monitoreo de color in situ y en tiempo real en un equipo de extracción de jamaica utilizando una cámara CCD. Universidad Tecnológica de la Mixteca, 2014, 21-36.
[6] Alvarado J., Procesamiento y Análisis de Imágenes Digitales. Escuela de Ingeniería Electrónica, Instituto Tecnológico de Costa Rica, 2012, 31-33.
[7] Trueba S., Análisis de imágenes multiespectrales aéreas de vegetación. Escuela Técnica Superior de Ingenieros Industriales y de Telecomunicación, 2017, 14-24.
[8] PROCISUR. AGRICULTURA DE PRECISIÓN: Integrando conocimientos para una agricultura moderna y sustentable. Programa Cooperativo para el Desarrollo Tecnológico Agroalimentario y Agroindustrial del Cono Sur, 2006.
[9] SEF, SOCIEDAD ESPAÑOLA DE FITOPATOLOGÍA. Publicación oficial No 3. 2018.
Objetivos
OBJETIVO GENERAL
Estudiar las propiedades de sistemas edafológicos mediante el fraccionamiento hiperespectral para el diagnóstico de la fertilidad de los suelos.
OBJETIVOS ESPECÍFICOS
-
Caracterizar la respuesta hiperespectral de fases constitutivas del suelo: solución del suelo, fase sólida y fase humificada.
-
Caracterizar la respuesta hiperespectral de muestras de suelos en términos de su aptitud agrícola.
-
Evaluar la caracterización espectral de suelos a nivel de campo.
Marco conceptual
FERTILIDAD DEL SUELO
GENERALIDADES
El suelo puede ser considerado como un medio natural del cual las plantas obtienen los nutrientes y micronutrientes esenciales para un adecuado desarrollo. Bajo un punto de vista químico y agrícola, el sistema suelo, también puede ser considerado como una dispersión de tres fases (solida, líquida y gaseosa) que posee 5 componentes principales: materia mineral (arcillas), materia orgánica, agua, aire y organismos vivos; los dos primeros componentes (arcillas y materia orgánica) conforman la fracción sólida del suelo y poseen los grupos funcionales necesarios para la retención y liberación de nutrientes. La disponibilidad de estos nutrientes depende entonces de la velocidad de liberación, la cantidad, la forma y el pH en que se encuentren. Así mismo, la fertilidad del suelo se refiere a la capacidad que tiene el suelo para suministrar los macro- y micronutrientes que las plantas requieren en las proporciones y condiciones adecuadas. Por lo anterior, es claro que una de las líneas hacia las cuales debe dirigirse el estudio del suelo consiste en la consideración de sus diversas propiedades, variación de componentes y disponibilidad de nutrientes en función de la producción agrícola [1-2].
Por otro lado, como lo demuestran estudios publicados por la Superintendencia de Industria y comercio (SIC) en el caso de Colombia, el costo de inversión en fertilizantes constituyen el porcentaje más elevado en los costos de producción agrícola con un 47 % del costo total; así mismo, el reporte oficial del Banco Mundial hasta el 2014 representado en la figura 1 ubica a Colombia como el noveno país del mundo y segundo de la región con mayor consumo de fertilizantes, además, numerosos estudios señalan que las prácticas agrícolas inadecuadas, la fertilización insuficiente y sobre fertilización son las principales causas de la degradación que actualmente padecen muchas tierras cultivables. Lo anterior deja claro que el diagnóstico de fertilidad del suelo es fundamental tanto para una correcta evaluación del estado nutricional como para realizar una fertilización próxima a las necesidades reales de la planta, influyendo directamente en el costo y consumo adecuados de fertilizantes, y los costos de producción de los cultivos [3-4].
Figura 1. Consumo de fertilizantes en el continente en kg/ha; % de inversión en productos agrícolas en costo total de producción.
MÉTODOS PARA EL DIAGNÓSTICO DE FERTILIDAD DE SUELOS
El diagnóstico de fertilidad, lo constituye un conjunto de análisis químicos acerca del estado nutricional del suelo que deben ser complementados con calibraciones de la zona cultivable; los métodos de análisis químico necesarios para realizar un diagnóstico de fertilidad de suelos pueden presentar variaciones, pero de manera general estos suelen llevarse a cabo de dos formas: una primera forma, es midiendo una característica asociada a la fertilidad del suelo (pH, conductividad eléctrica (CE), materia orgánica fácilmente oxidable, CIC y porcentaje de saturación de bases) y una segunda manera, midiendo los índices de disponibilidad de nutrientes en el suelo, que pueden ser fracciones solubles, extraíbles, fijadas o mineralizables de diferentes elementos esenciales, por ejemplo; fósforo extraíble, azufre extraíble, calcio, magnesio, potasio, sodio y aluminio solubles e intercambiables, como también, microelementos (B, Mo, Cu, Fe, Mn y Zn) [3].
La etapa de análisis consiste en la extracción de la fracción disponible del elemento esencial mediante el uso de soluciones químicas y su posterior medición por medio de procedimientos analíticos adecuados, sin embargo, para que estos resultados tengan relevancia agronómica, deben ser integrados a factores externos del entorno, como el clima y tipo de cultivo; es decir, una vez se obtiene el resultado analítico, se estudia el rendimiento del cultivo al nivel de disponibilidad determinado y la capacidad de respuesta al elemento que ha sido analizado [2, 5-6]. Así, por ejemplo, la determinación del pH se realiza principalmente por el método potenciométrico convencional teniendo en cuenta las siguientes categorías: suelos extremadamente ácidos (≤4,5) <4.5), muy fuertemente ácidos (4,6-5,0), fuertemente ácidos (5,1- 5,5), moderadamente ácidos (5,6-6,0), débilmente ácidos (6,1-6,5) y categorías de suelos alcalinos (≥ 7,6). Además, se ha definido el rango entre 5,5 y 7,5 como el pH de suelos con aptitud agrícola, de manera similar para la CE se usan métodos conductimétricos que permiten correlacionar las magnitudes obtenidas con el contenido de sales solubles en los suelos; para el fósforo extraíble se emplea el método de Olsen y se han reportado disponibilidades desde 5,0 mg/kg como muy bajas hasta 30,1 mg/kg como muy altas; la determinación de bases de intercambio (Ca, Mg, Na y K) y microelementos se realiza regularmente por espectroscopia de absorción atómica usando diferentes soluciones extractoras como el acetato de amonio y sustancias para la eliminación de interferencias. El acetato de amonio también se usa para la determinación de la CIC mediante titulación del amonio en exceso con formaldehido, y el ácido dietilen-tri-amino penta-acético (DPTA) para los microelementos. Finalmente, para la MO suele usarse el método de Walkley Black. No obstante, es claro que otras etapas previas como el muestreo y el pretratamiento de las muestras son críticas en la exactitud del resultado y deben ser tenidas en cuenta para una correcta recomendación de fertilizantes [7-9].
Bibliografía
[1] Navarro S., Navarro G. Química agrícola: El suelo y los elementos químicos esenciales para la vida vegetal, segunda edición, Mundi-prensa, Barcelona, 2003.
[2] Weil R., Brady C. The Nature and Properties of Soils, quinceava edición, Pearson, 2017.
[3] Sposito G. The chemistry of soils, Oxford University Press, New York, 2008.
[4] The World Bank, World Development Indicators: Agricultural inputs, The world Bank Group, 2017.
[5] Superintendencia de Industria y Comercio (SIC), Estudio sobre fertilizantes en Colombia, Grupo de estudios económicos, 2013.
[6] Sanchez A., Couto W., Buol S.W. The fertility capability soil classification system: Interpretation, applicability and modification, Geoderma, 1982, 27:283-309.
[7] Ahmed N.E. Factors affecting cation exchange capacity of soils, FAO, Roma, 2001.
[8] Villarroel R.B. Diagnostico de la fertilidad del suelo, Instituto de Investigaciones Agropecuarias Centro Regional de Investigación Remehue, 2000.
[9] Instituto Geografico Agustin Codazzi (IGAC), Métodos analíticos del laboratorio de suelos. VI Edición. Bogotá, Subdirección de Agrología, 2006.
ANÁLISIS HIPERESPECTRAL
GENERALIDADES
La teledetección hiperespectral ha sido utilizada por físicos y químicos durante mucho tiempo para identificar materiales y su composición, en el campo de la geología se emplea para cartografiar la distribución de minerales. Mediante esta técnica pueden ser detectadas características de absorción o zonas de absorción debidas a diferentes compuestos o elementos químicos que se encuentran en el material estudiado. Se debe tener en cuenta que este tipo de análisis se ve condicionado por:
-
La zona del espectro que observemos,
-
La resolución espectral que empleemos, es decir el ancho de cada banda espectral usada,
-
La relación señal – ruido del sensor,
-
La abundancia de los que se esté midiendo,
-
La fuerza con la que se presentan las características de absorción para el material en la zona del espectro que estamos observando,
-
La capacidad de procesamiento de la información y
-
Efectos del entorno.
Las Imágenes Espectrales son generadas por instrumentos de teledetección ópticos y no ópticos, con cientos de capas superpuestas de imágenes monocromáticas, una por cada longitud de onda (λ) que se haya muestreado y que se combinan formando un hipercubo de datos de tres dimensiones, que contienen información espectral y espacial bidimensional. El principio básico para la utilización de técnicas de análisis de este tipo de imágenes es que todo material debido a su composición química y a su estructura física intrínseca reacciona de una forma específica frente a la radiación, ya sea reflejando parte de ésta en las diferentes longitudes de onda, absorbiendo, dispersando o emitiendo.
Por otro lado, los sensores espectrales reciben la radiación electromagnética y la convierte en señales eléctricas, para luego representarlas por medio de valores numéricos o valores radiométricos en estructuras de matrices compuestos por píxeles para cada banda espectral [1]. Los sensores que permiten adquirir este tipo de datos se conocen como espectrómetros, los cuales pueden ser pasivos o activos. Los sensores pasivos corresponden principalmente a cámaras hiperespectrales que captan los fotones sin emitir energía propia del sensor, utilizando fuentes de energías como el sol en el caso de la teledetección o luz artificial para aplicaciones más supervisadas en laboratorio. Mientras los activos emitirán energía propia [1-2].
Para el análisis de imágenes hiperespectrales es necesario entender algunos parámetros como la resolución espacial, la resolución espectral y la resolución radiométrica. Además, la resolución espacial está definida por el tamaño de pixel, el cual dependerá directamente de la distancia entre el sensor y la muestra y del campo de visión instantáneo (IFOV por sus siglas en inglés) que corresponde al ángulo del lente. En teledetección la resolución espacial de un sensor puede ser de 10 m, mientras que para aplicaciones a pequeña escala la resolución espacial es menor a 1 mm. La resolución espectral se determina según el número de bandas espectrales que detecta el sensor. Mientras mayor sea el número de bandas, mayor es la cercanía entre estas, por lo tanto, mayor es la resolución de los espectros que entrega el sensor. Los sensores hiperespectrales, al tener más de 100 bandas, entregan espectros sinuosos en los cuales no solo es posible detectar la presencia de una absorción, como en el caso de los sensores multiespectrales, sino que también la forma, simetría, profundidad, entre otras propiedades de estas zonas de absorción. Por otro lado, la resolución radiométrica se define por el número de bits, los cuales representan numéricamente la cantidad de energía electromagnética reflejada y captada por el sensor, la cual tiene un valor para cada banda espectral de cada píxel que compone una imagen hiperespectral. Este parámetro define la sensibilidad del sensor para detectar diferencias leves de energía electromagnética, por lo que a mayor resolución radiométrica mayor es la capacidad para discriminar cambios sutiles de energía [2].
La obtención de la información espectral se debe a la energía reflejada por un cuerpo como resultado de la interacción con los constituyentes del cuerpo. Esta energía resulta principalmente de la interacción de cuatro factores: i) contenido de materia orgánica; ii) humedad del suelo; iii) contenido de minerales, y iv) textura [3]. La respuesta espectral del suelo es compleja de obtener por medio de sensores espectrales debido al efecto pantalla que provoca la cubierta vegetal, es por ello que para obtener información de este recurso se debe analizar las anomalías que se puedan detectar en la cubierta vegetal, ya que cuando se presenta suelo desnudo, tiende a tener un comportamiento espectral mucho más uniforme dando como resultado una curva espectral más plana. En la actualidad, el uso de espectroscopía para estudiar las propiedades del suelo se ha enfocado en correlaciones para diferentes longitudes de onda en el perfil espectral, como es el caso de Demattê et al. [4], en donde se obtuvo una buena correlación a incrementos de calcio y potasio para las longitudes de onda de 760-900, 2.080-2.350, 2.350-2.500 nm para el suelo Typic Quartzipsament, y 760-900, 1.118-1.270, 1.300- 1.460, 1.550-1.750 nm para el suelo Typi Argiudoll. Estos métodos de correlación son específicos para cada tipo de suelo, y no son robustos en el caso de tener un gran número de muestras de suelo. Por este motivo resulta interesante en este estudio implementar otros métodos de análisis espectral para extraer información de imágenes satelitales, o aún mejor, sitio-especificas, multiespectrales o hiperespectrales que responden a una variabilidad espacial y espectral. En primer lugar, el modelo de redes neuronales es un método no paramétrico con alta precisión para la extracción de la información de los perfiles espectrales [5-6]. Sin embargo, este tipo de modelo es considerado como una caja negra, pues no se tiene conocimiento de los procesos dentro de la red neuronal, posee un diseño complejo en la definición de la red neuronal, y para el entrenamiento de la red neuronal se debe tener un buen número de perfiles de entrenamiento. Por otro lado, el modelo linear spectral unmixing es un modelo paramétrico que se ha utilizado para extraer información de los perfiles espectrales conformados de una mezcla de materiales. Este modelo se basa en la teoría que cada perfil espectral contiene una combinación lineal de los perfiles espectrales. Si la relación es lineal, entre mayor sea la respuesta espectral de un determinado grupo, mayor será la abundancia de este material en el perfil espectral evaluado [7-8].
Bibliografía
[1] Ayala D., Automatización del análisis de imágenes hiperespectrales para identificación de aptitud de patatas. Universidad Pública de Navarra. 2018, 17.
[2] Hanna V., Evaluación de tecnologías hiperespectrales en la caracterización mineral de yacimientos para aplicaciones geometalúrgicas: caso aplicado a mina florida, distrito minero alhué, región metropolitana, Chile. Universidad de Chile. 2017, 21-29.
[3] van der Meer F. Image classification through spectral unmixing. In: Stein A., Van der Meer F., Gorte B. (eds) Spatial Statistics for Remote Sensing. Remote Sensing and Digital Image Processing, vol 1. Springer, Dordrecht, 1999.
[4] Nanni, M. R., and J. A. M. Demattê. Spectral Reflectance Methodology in Comparison to Traditional Soil Analysis. Soil Sci. Soc. Am. J. 2006, 70:393-407.
[5] Atkinson P. M. & Tatnall A. R. L. Introduction Neural networks in remote sensing, International Journal of Remote Sensing, 1997, 18(4):699-709.
[6] Braswell B.H., Hagen S.C., Frolking S.E., Salas W.A. A multivariable approach for mapping sub-pixel land cover distributions using MISR and MODIS: Application in the Brazilian Amazon region, Remote Sensing of Environment, 2003, 87(2–3):243-256.
[7] Adams, J. B., Smith, M. O., and Johnson, P. E. Spectral mixture modeling: A new analysis of rock and soil types at the Viking Lander 1 Site, J. Geophys. Res., 1986, 91(B8):8098– 8112.
[8] Gomez C., Viscarra Rossel R.A., McBratney A.B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: An Australian case study, Geoderma, 2008. 146(3–4):403-411.
ESPECTROSCOPIA HIPERESPECTRAL
¿QUÉ ES LA ESPECTROSCOPIA ÓPTICA?
La espectroscopia es una técnica no destructiva que se ocupa de medir y analizar la luz emitida, reflejada o absorbida por un material cuando interactúan con radiación electromagnética. Debido a la cuantización de los niveles energéticos en los átomos y moléculas que conforman la materia, la reflexión, absorción y emisión de radiación electromagnética solo ocurre en longitudes de onda específicas, dejando líneas de absorción o emisión en el espectro cuyas frecuencias son características de cada material (firma espectral). En consecuencia, esta información se puede utilizar para detectar, determinar o cuantificar la composición molecular y/o estructural de una muestra. Esta técnica compara la cantidad de luz incidente, reflejada y transmitida por un material en un rango especifico de longitudes de onda, con el fin de formar espectros conocidos como de reflectancia y transmitancia. En condiciones de no homogeneidad de la superficie, se requiere de un análisis preciso y confiable que pueda integrar técnicas de espectroscopía y de imágenes con el fin de proporcionar información espacial y espectral simultáneamente. Esta integración es la base de las técnicas de espectroscopía multiespectral e hiperespectral, las cuales se han utilizado con éxito para evaluar cualitativa y cuantitativamente entre otros, la calidad y seguridad los alimentos y la fertilidad de suelos [1,2] (ver figura 2).
Figura 2. Absorción, reflexión y transmisión de luz en una superficie.
¿QUÉ ES LA ESPECTROSCOPIA HIPERESPECTRAL?
La espectroscopia hiperespectral se define como una técnica óptica mediante la cual es posible generar imágenes individuales e instantáneas utilizando una cámara, para proporcionar simultáneamente información espacial y espectral (composición química) continua de objetos distantes en varias bandas espectrales. La espectroscopía de imágenes se popularizo a partir de la década de 1970 con las mediciones espectrales de campo hechas con el sistema Landsat-1 (satélite de observación de la Tierra). A lo largo de la década de 1980 y en la de 1990 con la mejora de la tecnología informática, el Laboratorio de Propulsión a Chorro (JPL) de la NASA desarrolló el espectrómetro de imágenes aerotransportadas, utilizado principalmente para el mapeo de minerales. En 1987, JPL obtuvo las primeras imágenes con el espectrómetro visible-infrarrojo (AVIRIS), considerado el principal proveedor de información hiperespectral de alta calidad, por su capacidad de medición en el espectro solar (400 nm a 2500 nm) con una alta resolución (10 nm). Luego del éxito de estos instrumentos, recientemente se han producido mejoras significativas en los sensores utilizados, su modo de uso y la producción de datos, con el fin de adecuar estos instrumentos a sistemas terrestres (laboratorios) o aerotransportados (teledetección).
La principal ventaja de la técnica hiperespectral sobre otros métodos ópticos es el gran número (cientos o miles) de bandas espectrales disponibles, las cuales proporcionan información espacial y espectral en cada píxel de la imagen. Esta información se almacena en una matriz tridimensional (3D) también conocida como cubo de datos, cubo espectral, hipercubo o volumen espectral, formado por una dimensión espectral (longitud de onda λ) y dos espaciales (x-y), lo cual implica que cada píxel contiene un espectro de reflectancia único asociado a un punto específico sobre la superficie medida. Esta enorme cantidad de datos exige el uso de algoritmos de análisis y procesamiento adecuados que garanticen la confiabilidad de la información extraída [3,4] (ver figura 3).
Figura 3. Información óptica y espacial contenida en una imagen hiperespectral.
¿PARA QUÉ SE UTILIZA LA ESPECTROSCOPIA HIPERESPECTRAL?
En la mayoría de industrias medianas y pequeñas la evaluación y control de los productos se realizan manualmente, lo cual resulta costoso e ineficiente ya que está sujeto a errores humanos. En consecuencia, se requiere de métodos para asegurar la calidad, seguridad y autenticidad de sus productos, garantizando procesos sin contacto, no destructivos, rápidos y precisos. La tabla 1 presenta algunas aplicaciones industriales y de investigación que actualmente se le da a la espectroscopia hiperespectral, así como los sensores ópticos usados y las bandas espectrales consideradas.
Tabla 1. Lista de algunas aplicaciones de la espectroscopia hiperespectral para el análisis químico y estructural de materiales (VIS: 400-700 nm, VNIR: 400-1000 nm, NIR: 700-2500 nm)
¿CÓMO SE GENERA UNA IMAGEN HIPERESPECTRAL?
Una imagen hiperespectral es una imagen digital compuesta por cientos de longitudes de onda, la cual contiene información sobre las propiedades fisicoquímicas de una muestra en diferentes puntos de la superficie estudiada. La reflectancia/absorbancia espectral son características intrínsecas de cada material, a través de las cuales es posible identificar sus componentes químicos. Los sensores hiperespectrales poseen diferentes características que determinan la calidad de la imagen, las cuales están asociadas a diferentes tipos de resoluciones.
Resolución espacial
La resolución espacial está representada por puntos individuales denominados píxeles, los cuales determinan la distancia angular o lineal mínima que el sensor puede capturar en una imagen. Una alta resolución espacial significa que cada píxel representa una superficie más pequeña, aumentando así la capacidad del sensor para distinguir diferentes objetos.
Resolución radiométrica
Esta se define como la cantidad mínima de energía requerida para aumentar la información digital en un píxel. En otras palabras, es la cantidad mínima de luz que puede capturar el sensor.
Resolución espectral
La resolución espectral está asociada a la cantidad de bandas o regiones espectrales que un sensor puede capturar y almacenar en un píxel. A medida que este número aumenta, mayor será su capacidad para distinguir materiales de diferente naturaleza química. Los sensores se denominan comúnmente multiespectrales o hiperespectrales dependiendo de la cantidad de bandas disponibles. Los multiespectrales pueden diferenciar hasta 20 bandas espectrales diferentes, mientras que los hiperespectrales más de 200 bandas en las regiones UV, VIS y NIR, como el sensor HYPERION a bordo del satélite E0-1.
Resolución temporal
Esta es una característica asociada al análisis dinámico de superficies, en el que la muestra o el sensor están en constante movimiento. Depende del intervalo de tiempo entre la adquisición de dos imágenes consecutivas sobre un mismo punto, y es especialmente importante en la teledetección por satélite. Cada satélite tiene una órbita específica a cientos de kilómetros sobre la superficie terrestre, por lo que la adquisición de imágenes en puntos específicos toma largos períodos de tiempo y está fuertemente condicionada por varios fenómenos atmosféricos como el clima o las condiciones de iluminación.
Métodos de adquisición de datos
A través de imágenes hiperespectrales es posible analizar diferentes tipos de superficie en función de su firma espectral, siempre que la resolución espacial y espectral del sensor sea suficiente para identificar y separar respuestas ópticas individuales. Esta información se almacena en cada píxel formando un cubo de datos tridimensional, en donde se asocian dos dimensiones a la posición espacial y la otra a sus características espectrales. Las imágenes hiperespectrales se construyen mediante tres métodos diferentes según el tipo de cámara utilizada, en los cuales la información espacial y espectral se adquiere en pasos separados conocidos como escaneo de puntos (whiskbroom), escaneo de línea (pushbroom) y escaneo de área (snapshot) (figura 4).
Figura 4. Métodos de adquisición de datos de los sensores hiperespectrales.
A continuación, se da una breve descripción de los métodos de adquisición de datos.
Whiskbroom
Este método mide el rango espectral completo disponible en la cámara para un único punto por vez (un píxel), para luego moverse a otro punto sobre la muestra. Este proceso se repite hasta cubrir toda la superficie de interés formando la imagen hiperespectral completa.
Pushbroom
En este caso la información óptica adquirida en una medida corresponde a una línea completa sobre la superficie de interés (varios píxeles sobre un único eje). La muestra se mueve en cada paso sobre el eje opuesto al de medición hasta completar la imagen. Este método es comúnmente utilizado en la industria para la inspección de anomalías en diferentes productos.
Snapshot
El método de imagen instantánea recopila la información espacial y óptica completa de la superficie en una sola medición (todos los píxeles); por lo tanto, no es necesario desplazar la muestra o el sensor. Esto es ideal para monitorear grandes terrenos en períodos cortos de tiempo.
¿CÓMO SE ANALIZAN LAS IMÁGENES HIPERESPECTRALES?
A menudo se utilizan técnicas de preprocesamiento para extraer los datos ópticos contenidos en las imágenes hiperespectrales, así como para corregir efectos no deseados debido a la dispersión de la luz, variaciones de forma y el ruido aleatorio resultante de las propiedades de la muestra o de efectos instrumentales. El primer paso para una correcta interpretación es garantizar las condiciones adecuadas para capturar imágenes hiperespectrales de alta calidad. Estas condiciones pueden variar para cada tipo de muestra y dependen del modo de adquisición, tipo de iluminación, bandas espectrales a medir, velocidad de escaneo y tiempo de exposición. Las imágenes hiperespectrales suelen estar compuestas por miles de píxeles, en donde cada uno almacena características espaciales y ópticas individuales de la superficie estudiada. Toda esta información requiere de algoritmos de análisis para extraer datos espectrales, realizar calibraciones de intensidad, determinar propiedades fisicoquímicas mediante estadística multivariante, para así finalmente procesar la imagen a visualizar. Entre los métodos más comunes para el análisis de las imágenes hiperespectrales están:
Calibración radiométrica
Este proceso se encarga de normalizar la intensidad de las imágenes adquiridas, con el fin de convertir la información digital en valores reales de reflectancia. El método empleado es similar al seguido en espectroscopia regular, el cual usa como referencia la reflectancia mínima (referencia de negro) y máxima (referencia de blanco) generada por una superficie patrón. En el caso de muestras con formas irregulares, es necesario el uso de métodos de transformación adaptativos que compensen el gradiente de intensidad óptica debido a su morfología. Si las imágenes se capturan en amplios rangos espectrales, es posible la presencia de aberración cromática asociada a la posición del sensor y la lente, la cual deben también eliminarse para mejorar la calidad de la imagen [15,16].
Calibración espacial
Los métodos para el preprocesamiento de señales se usan con el propósito de eliminar ruido y mejorar la calidad de los datos ópticos extraídos. Estos incluyen filtrado, suavizado, ecualización de histograma, transformación por operaciones aritméticas y análisis por nivel de gris. Otro problema habitual es la presencia de píxeles "muertos" con valores cero o píxeles "calientes" que se suelen ver mucho más brillantes de lo que deberían. Una vez que se identifican los puntos defectuosos a lo largo de la imagen, estos se corrigen o eliminan mediante el uso de filtros, máscara binaria o valores medios de los píxeles circundantes [17].
Análisis estadístico multivariado
Debido al gran almacenamiento de información en cada píxel, es necesario administrar estos enormes cubos de datos mediante el uso de estadísticas multivariadas. El análisis de imágenes hiperespectrales requieren seleccionar el mejor subconjunto de longitudes de onda para realizar tareas específicas, debido a que en la mayoría de los casos no se requieren todas las regiones espectrales. Esto se complementa con el uso de métodos de reducción dimensional para extraer y eliminar información redundante, lo que genera una disminución sustancial del número de datos. Luego de la eliminación de píxeles anómalos, ruido electrónico y óptico, regiones espectrales no deseadas e información redundante, las imágenes hiperespectrales pueden ser utilizadas para la clasificación de materiales y extracción de propiedades fisicoquímicas.
Dependiendo del propósito, tipo de muestra en estudio y la precisión requerida, varios métodos estadísticos como la regresión multilineal, regresión de mínimos cuadrados parciales, análisis de componentes principales, análisis de discriminante, vector de soporte y red neuronal artificial, pueden ser utilizados para construir modelos de predicción que permiten correlacionar la respuesta espectral de un material con sus propiedades fisicoquímicas [18]. Este proceso ha sido ampliamente utilizado para determinar propiedades específicas de diversos materiales, pues permite descomponer datos complejos en estructuras más simples y fáciles de interpretar, las cuales mejoran la comprensión de las propiedades químicas y biológicas contenidas en un espectro óptico [19, 20].
Bibliografía
[1] Spectroscopy. Hal Hellman. (1968) United States Atomic Energy Commission Division of Technical Information, Library of Congress Catalog Card Number: 68-62126
[2] Goetz, A. F. (2009). Three decades of hyperspectral remote sensing of the Earth: A personal view. Remote Sensing of Environment, 113, S5-S16
[3] Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sensing, 9(11), 1110.
[4] ElMasry, G. M., & Nakauchi, S. (2016). Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality–a comprehensive review. Biosystems engineering, 142, 53-82.
[5] Behmann, J., Acebron, K., Emin, D., Bennertz, S., Matsubara, S., Thomas, S., ... & Rascher, U. (2018). Specim IQ: evaluation of a new, miniaturized handheld hyperspectral camera and its application for plant phenotyping and disease detection. Sensors, 18(2), 441.
[6] Lee, M., Huang, Y., Yao, H., Thomson, S. J., & Bruce, L. M. (2014). Effects of sample storage on spectral reflectance changes in corn leaves excised from the field. Journal of Agricultural Science, 6(8), 214.
[7] Lara, M. A., Lleó, L., Diezma-Iglesias, B., Roger, J. M., & Ruiz-Altisent, M. (2013). Monitoring spinach shelf-life with hyperspectral image through packaging films. Journal of Food Engineering, 119(2), 353-361.
[8] Johnson, W. R., Wilson, D. W., Fink, W., Humayun, M. S., & Bearman, G. H. (2007). Snapshot hyperspectral imaging in ophthalmology. Journal of biomedical optics, 12(1), 014036.
[9] Rosas, J. G., & Blanco, M. (2012). A criterion for assessing homogeneity distribution in hyperspectral images. Part 2: application of homogeneity indices to solid pharmaceutical dosage forms. Journal of pharmaceutical and biomedical analysis, 70, 691-699.
[10] Kuska, M., Wahabzada, M., Leucker, M., Dehne, H. W., Kersting, K., Oerke, E. C., ... & Mahlein, A. K. (2015). Hyperspectral phenotyping on the microscopic scale: towards automated characterization of plant-pathogen interactions. Plant methods, 11(1), 1-15.
[11] Randeberg, L. L., Baarstad, I., Løke, T., Kaspersen, P., & Svaasand, L. O. (2006, February). Hyperspectral imaging of bruised skin. In Photonic Therapeutics and Diagnostics II (Vol. 6078, p. 60780O). International Society for Optics and Photonics.
[12] Jia, S., Li, H., Wang, Y., Tong, R., & Li, Q. (2017). Hyperspectral imaging analysis for the classification of soil types and the determination of soil total nitrogen. Sensors, 17(10), 2252.
[13] Lim, H. H., Cheon, E., Lee, D. H., Jeon, J. S., & Lee, S. R. (2020). Classification of Granite Soils and Prediction of Soil Water Content Using Hyperspectral Visible and Near-Infrared Imaging. Sensors, 20(6), 1611.
[14] Kumar, L., Skidmore, A. K., & Mutanga, O. (2010). Leaf level experiments to discriminate between eucalyptus species using high spectral resolution reflectance data: use of derivatives, ratios and vegetation indices. Geocarto international, 25(4), 327-344.
[15] Elmasry, G., Kamruzzaman, M., Sun, D. W., & Allen, P. (2012). Principles and applications of hyperspectral imaging in quality evaluation of agro-food products: a review. Critical reviews in food science and nutrition, 52(11), 999-1023
[16] Damez, JL y Clerjon, S. (2013). Cuantificar y predecir los atributos de calidad de la carne y los productos cárnicos mediante ondas electromagnéticas: una descripción general. Ciencia de la carne, 95 (4), 879-896
[17] Leiva-Valenzuela, G. A., Lu, R., & Aguilera, J. M. (2013). Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging. Journal of Food Engineering, 115(1), 91-98
[18] Burger, J., & Geladi, P. (2006). Hyperspectral NIR imaging for calibration and prediction: a comparison between image and spectrometer data for studying organic and biological samples. Analyst, 131(10), 1152-1160
[19] Peng, Y., & Lu, R. (2008). Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content. Postharvest Biology and Technology, 48(1), 52-62
[20] Ge, Y., Thomasson, J. A., & Sui, R. (2011). Remote sensing of soil properties in precision agriculture: A review. Frontiers of Earth Science, 5(3), 229-238
Resultados
TRANSFORMACIÓN ESPECTRAL FEDS
Dentro de los objetivos planteados para el proyecto, se encontró la necesidad de explorar metodologías de análisis espectral que permitieran de forma rápida y simple estimar el estado nutricional de un suelo en base a su respuesta óptica. La separación de dichas propiedades resulta ser un proceso complejo, ya que la huella espectral de este tipo de materiales obedece a la superposición de sus componentes individuales, los cuales tienen múltiples respuestas a lo largo de los rangos de interés (VIS-NIR-MIR) que modifican la forma y posición de los picos asociados a sus vibraciones moleculares [1–3]. Por esta razón, la espectrocopía óptica se ha enfocado en el desarrollado diversas herramientas de evaluación espectral, que facilitan la depuración y selección de aquellos datos que contiene la mayor parte de la información de una muestra específica, disminuyendo la dimensionalidad de los espectros ópticos y reduciendo en gran medida los tiempos de análisis [4,5].
Este trabajo se dirigió inicialmente al desarrollo de un algoritmo de trasformaciones diferenciales basado en el método de análisis FEDS [6,7], que permitiera expresar un espectro óptico compuesto por cientos de datos en términos de unas pocas decenas de ellos, replicando con buena precisión la altura y posición de los máximos, mínimos y picos ocultos (superpuestos) asociados a la composición fisicoquímica de una muestra de interés. La Figura 5 presenta a manera de ejemplo la transformación espectral FTIR-FEDS obtenida para una muestra bicomponente de acetona (ACT) y trietilamina (TEA) en fracción volumétrica 0.6/0.4, donde se han detallado las vibraciones moleculares asociadas a cada zona.
Figura 5. Espectro óptico ATR-FTIR (negro) y FEDS asociado (rojo,) para una muestra bicomponente de acetona y trietilamina en fracción volumétrica 0.6/0.4 en el rango espectral de 1500 a 1050 cm-1. Se han etiquetado los modos de vibración asociados a cada banda de absorción.
El espectro FTIR (línea negra) asociado a la mezcla ACT/TEA que cubre el rango espectral entre 1500 y 1050 cm-1, se compone esencialmente por 4 puntos máximos, 5 mínimos y dos picos asimétricos relacionados a la superposición de señales ocultas, a partir de los cuales es posible describir toda la respuesta óptica de la muestra. Esta curva inicialmente formada por 300 datos fue trasformada en un nuevo espectro llamado FEDS (línea roja), el cual asigna valores nulos (cero) a todos los puntos excepto en aquellos sobre los cuales su derivada sea cero, presenten cambios de concavidad, puntos de inflexión, entre otros criterios, permitiendo representar (imitar) en solo 12 puntos (máximos) la información de interés contenida en el espectro original. Este algoritmo puede entenderse como un proceso de reducción dimensional, similar a aquellos usados en la estadística de componentes principales (PCR), los cuales busca determinar las bandas espectrales sobre las que recae la mayor información (carga estadística), solo que para nuestro caso no es necesario el uso de grandes bibliotecas de datos ya que el proceso se realiza de forma individual. Los detalles sobre el algoritmo FEDS desarrollado pueden consultarse en la Ref [8,9].
ANÁLIZIS DE CORRELACIÓN ESPECTRAL FEDS
Una vez claro el método de depuración y análisis espectral a utilizar sobre los espectros de los suelos agrícolas a estudiar, se procede con la medición de su respuesta óptica. En este caso se ha usado un equipo de reflectancia total atenuada (ATR-FTIR) IRAffinity-1S (Shimadzu Co) equipado con un cristal de SeZn y una lampara MIR que cubría el rango espectral de 4000 a 600 cm-1. Para este estudio el análisis se centró en la región de 1200 a 675 cm-1, donde las muestras presentaban la mayor respuesta espectral y la señal óptica la mejor estabilidad. En total se analizaron 85 muestras de suelo agrupadas según su uso agrícola, las cuales están asociadas a diferentes cultivos de yuca (Manihot esculenta), algodón y maíz en los departamentos de Córdoba y Bolívar. Mayores detalles de las muestras pueden ser consultadas en la Ref [10]. La Fig. 6 presenta los espectros FTIR y FEDS correspondientes a cuatro muestras de suelo, cuyas propiedades principales son descritas en la siguiente Tabla 2.
Tabla 2. Propiedades químicas de muestras de suelo representativas, asociadas al contenido de minerales, capacidad de intercambio catiónico efectiva (CECe) y pH.
Figura 6. Comparación entre los espectros ATR-FTIR y FEDS para las muestras de suelo S1-S3 (a), S2-S4 (b) y los correspondientes diagramas de dispersión para las señales FTIR (recuadros) y FEDS (b, d).
Estos espectros se caracterizan por una zona de alta absorción alrededor de 980 cm-1, relacionada con la presencia de silicatos, cuarzo y vibraciones de tensión de los enlaces SiO, CO. Se identifican además señales superpuestas en 1100 cm-1 de polisacáridos y ácidos nucleicos, y picos secundarios entre 700-810 cm-1 asociados a la transformación del fósforo y sulfuros [11,12]. Adicionalmente, se puede observar que la información óptica contenida en los espectros FTIR (Figura 6 a-c) está correctamente representada a través de las señales FEDS, por lo cual es posible usar esta nueva señal para desarrollar comparaciones entre las huellas espectrales (footprints), con el fin de identificar diferencias entre ellas. En la Figura 6 b-d se muestran los diagramas de dispersión a través de los cuales se cuantifica la relación espectral entre las muestras S1-S3 y S2-S4. Vemos que aun cuando las propiedades de estas son bastante diferentes en especial para el caso de S2 y S4, la correlación lineal calculada a partir de las señales FTIR dan como resultado valores del coeficiente de Pearson (r) mayores a 0.94, lo que indicaría una alta similitud espectral (recuadros Figura 6 b-d). Esto se debe a que solo unos pocos datos dentro del espectro representan propiedades específicas de la muestra, por lo que la mayor carga estadística se asigna a información irrelevante la cual resulta ser similar en todos los casos, condicionando el análisis a partir de espectros FTIR. En el caso de los espectros FEDS, estos contienen únicamente información específica de las muestras, lo cual garantizaría una mayor precisión al realizar el cálculo de su similitud espectral. En estos diagramas de dispersión (Figura 6 b-d) se observan puntos sobre los ejes coordenados, los cuales representan aquellos picos sin coincidencia espectral entre las muestras, de tal forma que mientras mayor (menor) sea su número y valor absoluto menor (mayor) será su correlación espectral. Para los casos de S1-S3 y S2-S4, se obtuvieron valores del coeficiente de Pearson FEDS () de 0.78 y 0.30 respectivamente, los cuales representan de una mejor forma las diferencias en las propiedades químicas evidenciadas en la Tabla 2. Por lo tanto, se puede asumir el método de análisis espectral FEDS como más adecuado y preciso para determinar correlaciones entre diferentes tipos de muestras.
Figura 7. Correlación entre los coeficientes de Pearson para 85 muestras de suelos separados por grupo (código de colores), y los valores relativos de la capacidad de intercambio catiónico (ΔCECe) (a) y pH (ΔpH) (b).
Este proceso se ha replicado con 85 muestras de suelo agrícola, en el cual se han calculado los valores de para cada grupo de muestras respecto a una referencia, comparándolos con sus valores relativos de pH y CECe a el fin de establecer criterios de predicción. A partir de los resultados presentados en la Figura 7, se demuestra que es posible establecer una relación entre la similitud espectral FEDS de dos muestras y sus valores relativos para dichas propiedades, lo cual puede aplicarse como criterio de predicción en el diagnostico nutricional de suelos. Mayores detalles de estos resultados pueden ser consultados en la Ref [10].
IMÁGENES MULTIESPECTRALES DE SUELOS AGRÍCOLAS
Además de generar criterios de comparación para espectros ópticos convencionales, aplicados en la predicción de propiedades químicas de un material respecto a una referencia, se buscó realizar un proceso similar a partir de espectroscopía de imágenes con el fin de caracterizar conjuntos de muestras de forma simultánea. Para esto se ha utilizado una cámara multiespectral Fabry-Perot Monoarch EVK Multi-Spectral, la cual cubre el rango espectral de 730 a 920 nm en diez bandas espectrales de FWHM ± 40 nm. El arreglo experimental utilizado se presenta en la Figura 8.
Figura 8. Esquema del arreglo experimental usado para generar las imágenes multiespectrales.
La fuente de iluminación se compone de dos lámparas incandescentes de tungsteno, a las cuales se les agregó una pantalla difusora con el fin de homogenizar la iluminación sobre el área de trabajo; esto corresponde a un campo de visión (FOV) de 13.5x13.5 cm2 dada la posición de la cámara. Las imágenes se capturan de forma individual para cada banda espectral en el modo snapshot a una resolución de 1208x1040 pixeles. La previsualización y almacenamiento de realiza a través del software del fabricante, mientras que el análisis final a través de un programa externo.
Figura 9. Comparación de la respuesta óptica para muestras idénticas bajo tratamiento de tamizado (azul) y tamizado+triturado (rojo) en una imagen a 920 nm (a), y para la reflectancia promedio obtenida sobre el área delimitada, en el rango de 720 a 930 nm (b).
La Figura 9a presenta una comparación entre las imágenes obtenidas para una misma muestra de suelo con diferente tamaño de partícula. Se puede observar que la muestra solo tamizada (< 2 mm) luce más oscura que aquella tamizada y triturada, como consecuencia de procesos de dispersión en la superficie que disminuyen notablemente la luz reflejada. Esto representa un problema al momento de comparar muestras, ya que los niveles de reflexión pueden ser subestimados en el caso de muestras con alta rugosidad. Dicha pérdida de información indica una variación en el espectro de reflectancia (promedio) de hasta un 30% según las curvas de la Figura 9b, por lo tanto, todas las muestras estudiadas fueron tamizadas y trituradas previo a la toma de la imagen. Para más información sobre el tratamiento de las señales ópticas generadas por la cámara consulte la Ref [13].
Dada la ausencia de bandas de vibración molecular en la región de trabajo de la cámara utilizada (tal como se observa en la Figura 9b), la comparación de muestras a través del algoritmo FEDS antes mencionado está limitada, por lo que el análisis de las imágenes multiespectrales se centró únicamente en los niveles de reflectancia de las muestras, con el fin de generar modelos de predicción de propiedades de fácil aplicación en ambientes de laboratorio y campo. La Figura 10a presenta en escala de grises (0-256) imágenes a 805 nm asociadas a muestras representativas de los suelos según su uso agrícola, donde las mayores diferencias están dadas por sus valores de OC. Se observa para estos casos que la intensidad de la señal es menor cuanto mayor sea el contenido de carbono orgánico, debido a la estrecha relación entre la materia orgánica presente en un suelo y su coloración [14–16], por lo cual se espera una relación entre el nivel de gris en las imágenes y de las propiedades de interés.
Figura 10. Imágenes en escala de grises para muestras representativas para los grupos de muestras G1, G4 y G5, con diferentes valores de pH, CECe y pH (a). Los diagramas de dispersión relacionan los niveles de gris para cada muestra estudiada con sus respectivos valores de OC y CECe (b,c).
Bibliografía
[1] L.J. Janik, R.H. Merry, J.O. Skjemstad, Can mid infrared diffuse reflectance analysis replace soil extractions?, Aust. J. Exp. Agric. 38 (1998) 681. https://doi.org/10.1071/EA97144.
[2] N.B. Colthup, H.D. Lawrence, S.E. W, Introduction to infrared and Raman spectroscopy, 3rd edn., Academic Press, New York, 2012. https://doi.org/doi.org/10.1016/C2009-0-21628-X.
[3] J.A. Ramírez-Rincón, D.F. Restrepo, M. Palencia, The use of optical spectroscopy and hyperspectral images in the physicochemical; characterization of soils; A review, J. Sci. with Technol. Appl. 10 (2021) 154–172. https://doi.org/10.34294/j.jsta.21.10.69.
[4] A. Otálora, M. Palencia, Application of functionally-enhanced derivative spectroscopy (FEDS) to the problem of the overlap of spectral signals in binary mixtures: Triethylamine-acetone, J. Sci. with Technol. Appl. 6 (2019) 96–107. https://doi.org/10.34294/j.jsta.19.6.44.
[5] R.K.H. Galvão, M.C.U. Araújo, W.D. Fragoso, E.C. Silva, G.E. José, S.F.C. Soares, H.M. Paiva, A variable elimination method to improve the parsimony of MLR models using the successive projections algorithm, Chemom. Intell. Lab. Syst. 92 (2008) 83–91. https://doi.org/10.1016/j.chemolab.2007.12.004.
[6] M. Palencia, Functionally-enhanced derivative spectroscopy (FEDS): a powerful tool to increase of spectral resolution in the mid-infrared advanced analysis of complex samples–a mini review, 7 (2020) 43–46. https://doi.org/10.15406/jabb.2020.07.00214.
[7] D.F. Restrepo, M. Palencia, V.J. Palencia, Study by attenuated total reflectance spectroscopy of structural changes of humified organic matter by chemical perturbations via alkaline dissolution., J. Sci. with Technol. Appl. 4 (2018) 49–59. https://doi.org/10.34294/j.jsta.18.4.30.
[8] M. Palencia, Functional transformation of Fourier-transform mid-infrared spectrum for improving spectral specificity by simple algorithm based on wavelet-like functions, J. Adv. Res. 14 (2018) 53–62. https://doi.org/10.1016/j.jare.2018.05.009.
[9] J.. Ramírez-Rincón, M. Palencia, E. Combatt M., Fractionation of optical properties for multicomponent materials and determination of spectral similarity indices by Functional Enhanced Derivative Spectroscopy (FEDS) algorithm, “Unpublished Results.” (n.d.).
[10] J.A. Ramírez-Rincón, M. Palencia, E.M. Combatt, Spectral analysis by Functional Enhanced Derivative Spectroscopy (FEDS) method at Mid-Infrared region, to determine relative values of pH, CECe and OC in agricole soils, " "Unpublished Results. (n.d.).
[11] T. Xu, F. Nan, X. Jiang, Y. Tang, Y. Zeng, W. Zhang, B. Shi, Effect of soil pH on the transport, fractionation, and oxidation of chromium(III), Ecotoxicol. Environ. Saf. 195 (2020) 110459. https://doi.org/10.1016/j.ecoenv.2020.110459.
[12] F. Ma, C.W. Du, J.M. Zhou, Y.Z. Shen, Investigation of soil properties using different techniques of mid-infrared spectroscopy, Eur. J. Soil Sci. 70 (2019) 96–106. https://doi.org/10.1111/ejss.12741.
[13] J.A. Ramírez-Rincón, M. Palencia, E.M. Combatt, Optical characterization of agricole soils by using multispectral images at near infrared region, for prediction of pH, organic carbon content and effective cation exchange capacity, " "Unpublished Results. (n.d.).
[14] N. Ferrando Jorge, J. Clark, M.L. Cárdenas, H. Geoghegan, V. Shannon, Measuring Soil Colour to Estimate Soil Organic Carbon Using a Large-Scale Citizen Science-Based Approach, Sustainability. 13 (2021) 11029. https://doi.org/10.3390/su131911029.
[15] N. Moritsuka, K. Matsuoka, K. Katsura, S. Sano, J. Yanai, Soil color analysis for statistically estimating total carbon, total nitrogen and active iron contents in Japanese agricultural soils, Soil Sci. Plant Nutr. 60 (2014) 475–485. https://doi.org/10.1080/00380768.2014.906295.
[16] Y.N. Vodyanitskii, A.T. Savichev, The influence of organic matter on soil color using the regression equations of optical parameters in the system CIE- L*a*b*, Ann. Agrar. Sci. 15 (2017) 380–385. https://doi.org/10.1016/j.aasci.2017.05.023.
PRODUCTOS ASOCIADOS
-
J. A. Ramírez-Rincón, D.F. Restrepo, M. Palencia, The use of optical spectroscopy and hyperspectral images in the physicochemical characterization of soils; A review, J. Sci. with Technol. Appl. 10 (2021) 154–172. https://doi.org/10.34294/j.jsta.21.10.69.
-
J. A. Ramírez-Rincón, M. Palencia, E. Combatt M., Fractionation of optical properties for multicomponent materials and determination of spectral similarity indices by Functional Enhanced Derivative Spectroscopy (FEDS) algorithm. “Unpublished Results.” (n.d.).
-
J. A. Ramírez-Rincón, M. Palencia, E. Combatt M., Spectral analysis by Functional Enhanced Derivative Spectroscopy (FEDS) method at Mid-Infrared region, to determine relative values of pH, CECe and OC in agricole soils. “Unpublished Results.” (n.d.).
-
J. A. Ramírez-Rincón, M. Palencia, E. Combatt M., Optical characterization of agricole soils by using multispectral images at near infrared region, for prediction of pH, organic carbon content and effective cation exchange capacity “Unpublished Results.” (n.d.).
Agradecimientos
-
Los autores agradecen al Ministerio de Ciencias de Colombia por el apoyo al financiar el proyecto CI 71263 desarrollado en la Universidad del Valle, Cali-Colombia, a través de la convocatoria posdoctoral No. 848-2019.
-
Departamento de Ingeniería Agrícola y Desarrollo Rural, Facultad de Ciencias Agronómicas, Universidad de Córdoba (Montería, Colombia) por el apoyo científico en la medición de las propiedades químicas de todas las muestras estudiadas en este proyecto.
-
Integrantes del Grupo de Investigación en Ciencias con Aplicaciones Tecnológicas (GI-CAT) (Cali, Colombia), por el apoyo en las mediciones de los espectros ópticos de todas las muestras estudiadas en este proyecto.