RESUMO As análises convencionais de solo produzem grandes quantidades de resíduos e demandam muito tempo e recursos. A construção de bancos de dados espectrais para estimar atributos do solo é uma alternativa em mapeamento de solos. Objetivou-se neste estudo construir bibliotecas espectrais e estudar a qualidade dos modelos de predição de atributos do solo gerados. Obtiveram-se 7185 espectros de solo (400-2500 nm) em laboratório, cada um com as respectivas análises de solo. As bibliotecas espectrais "Geral", "Regionais" e "Locais" foram geradas a partir dessas leituras espectrais. A biblioteca espectral "Geral" contém toda a gama de dados e vários estados, as Regionais contêm dados de municípios geograficamente próximos, e as Locais contêm dados do solo de um único município. Em geral, observou-se a seqüência de R2 para Geral (0,85), Regional (0,67-0,77) e Local (0,55-0,77). Em conclusão, o melhor banco de dados foi o Geral. Por outro lado, independente do tamanho do banco de dados, com base em modelos de previsão de atributos físicos, tais como a areia, argila e matéria orgânica, obteve-se bons prognósticos, até R2 de 0,7. A determinação de bibliotecas espectrais incluindo solos altamente variáveis formados a partir de diferentes materiais de origem produziu resultados piores para a estimativa de atributos químicos e melhores resultados para a estimativa de atributos físicos. A baixa amplitude de variação em um determinado atributo foi um fator limitante na geração de modelos preditivos eficazes. Uma grande biblioteca espectral pode certamente melhorar a avaliação quantitativa do solo.

ABSTRACT Conventional soil analysis produces large amount of residues and demand resources and time consuming. The construction of soil spectral database for estimating soil attributes is the newest alternative on soil mapping. The objective in this study was to build spectral libraries and study the quality of the generated prediction models for soil attributes. It was obtained 7185 soil spectral (400-2500 nm) in laboratory with respective soil analysis. The spectral libraries "general", "regional", and "local" were generated from these spectral readings. The general spectral library contained the full range of data and several states, the regional libraries contained data from geographically close municipalities, and the local libraries contained soil data from a single municipality. In general we observed the sequence of R2 for General (0.85), Regional (0.67 to 0.77) and Local (0.55 to 0.77). In conclusion, the best database was the general one. On the other hand, independent of the size of the database, predictive models based on physical attributes such as sand, clay, and organic matter generate good predictions until an R2 of 0.7. The determination of spectral libraries including highly variable soils formed from different parent materials create worse results for the estimation of chemical attributes and better results for the estimation of the physical ones. The low range of variation in a given attribute was a limiting factor in the generation of effective predictive models. A great spectral library can certainly improve soil quantitative evaluation.

The search for tools to perform soil surveying faster and cheaper has led to the development of technological innovations such as remote sensing (RS) and the so-called spectral libraries in recent years. However, there are no studies which collate all the RS background to demonstrate how to use this technology for soil classification. The present study aims to describe a simple method of how to classify soils by the morphology of spectra associated with a quantitative view (400-2,500 nm). For this, we constructed three spectral libraries: (i) one for quantitative model performance; (ii) a second to function as the spectral patterns; and (iii) a third to serve as a validation stage. All samples had their chemical and granulometric attributes determined by laboratory analysis and prediction models were created based on soil spectra. The system is based on seven steps summarized as follows: i) interpretation of the spectral curve intensity; ii) observation of the general shape of curves; iii) evaluation of absorption features; iv) comparison of spectral curves between the same profile horizons; v) quantification of soil attributes by spectral library models; vi) comparison of a pre-existent spectral library with unknown profile spectra; vii) most probable soil classification. A soil cannot be classified from one spectral curve alone. The behavior between the horizons of a profile, however, was correlated with its classification. In fact, the validation showed 85 % accuracy between the Morphological Interpretation of Reflectance Spectrum (MIRS) method and the traditional classification, showing the importance and potential of a combination of descriptive and quantitative evaluations.

A ciência do solo tem buscado desenvolver técnicas que contribuam para a melhor utilização e caracterização do solo; entre elas encontra-se a aplicação de técnicas de sensoriamento remoto. O uso de sensores terrestres na obtenção de dados espectrais de solos tem possibilitado a caracterização desses e o avanço de técnicas de quantificação de seus atributos. Para isso, a montagem de uma biblioteca espectral de solos se faz necessária. Uma biblioteca espectral deve ser representativa da variabilidade de solos de uma região. O presente trabalho teve por objetivo criar uma biblioteca espectral de distintos solos de algumas regiões agrícolas do Brasil. Para isso, foram coletados dados espectrais (sensor Fieldspec, 350-2.500 nm) dos horizontes de 233 perfis de solos das regiões de Matão, Paraguaçu Paulista, Andradina, Ipaussu, Mirandópolis, Piracicaba, São Carlos, Araraquara, Guararapes, Valparaíso (SP); Naviraí, Maracaju, Rio Brilhante, Três Lagoas (MS); Goianésia (GO); e Uberaba e Lagoa da Prata (MG). Posteriormente, foi realizada a análise de componentes principais (PCA) dos dados e a representação gráfica das curvas espectrais de cada perfil. A intensidade das curvas foi influenciada principalmente pelos teores de Fe2O3, argila, matéria orgânica e presença de minerais opacos. Latossolos, Nitossolos e Neossolos Quartzarênicos não apresentaram mudança no comportamento espectral das curvas de seus horizontes. Argissolos mostraram as curvas dos horizontes superficiais com maior intensidade de reflectância após os 2.200 nm. Cambissolos e Neossolos Litólicos apresentaram curvas de maior intensidade de reflectância nos horizontes pouco desenvolvidos. Gleissolos mostraram forma convexa de curva na região dos 350-400 nm. A PCA foi capaz de separar diferentes regiões de coleta de dados em função do material de origem. A componente principal (PC) 1 correlacionou-se com a intensidade de reflectância das amostras, e a PC2, com a inclinação entre a região do visível e a do infravermelho das amostras. O uso da biblioteca espectral como indicativo de possíveis classes de um solo mostrou ser ferramenta importante para a classificação de perfis.

Soil science has sought to develop better techniques for the classification of soils, one of which is the use of remote sensing applications. The use of ground sensors to obtain soil spectral data has enabled the characterization of these data and the advancement of techniques for the quantification of soil attributes. In order to do this, the creation of a soil spectral library is necessary. A spectral library should be representative of the variability of the soils in a region. The objective of this study was to create a spectral library of distinct soils from several agricultural regions of Brazil. Spectral data were collected (using a Fieldspec sensor, 350-2,500 nm) for the horizons of 223 soil profiles from the regions of Matão, Paraguaçu Paulista, Andradina, Ipaussu, Mirandópolis, Piracicaba, São Carlos, Araraquara, Guararapes, Valparaíso (SP); Naviraí, Maracajú, Rio Brilhante, Três Lagoas (MS); Goianésia (GO); and Uberaba and Lagoa da Prata (MG). A Principal Component Analysis (PCA) of the data was then performed and a graphic representation of the spectral curve was created for each profile. The reflectance intensity of the curves was principally influenced by the levels of Fe2O3, clay, organic matter and the presence of opaque minerals. There was no change in the spectral curves in the horizons of the Latossolos, Nitossolos, and Neossolos Quartzarênicos. Argissolos had superficial horizon curves with the greatest intensity of reflection above 2,200 nm. Cambissolos and Neossolos Litólicos had curves with greater reflectance intensity in poorly developed horizons. Gleisols showed a convex curve in the region of 350-400 nm. The PCA was able to separate different data collection areas according to the region of source material. Principal component one (PC1) was correlated with the intensity of reflectance samples and PC2 with the slope between the visible and infrared samples. The use of the Spectral Library as an indicator of possible soil classes proved to be an important tool in profile classification.