Multiple linear regression and random forest to predict and map soil properties using data from portable X-ray fluorescence spectrometer (pXRF)

• Published in: Ciência e agrotecnologia Vol. 41; no. 6; pp. 648 - 664
• Main Authors: Silva, Sérgio Henrique Godinho, Teixeira, Anita Fernanda dos Santos, Menezes, Michele Duarte de, Guilherme, Luiz Roberto Guimarães, Moreira, Fatima Maria de Souza, Curi, Nilton
• Format: Journal Article
• Language: English
• Published: Editora da Universidade Federal de Lavras 01-12-2017; Universidade Federal de Lavras
• Subjects: AGRICULTURE, MULTIDISCIPLINARY; Análises de solo; predição espacial; sensor próximo; sensor próximo; Soil analyses; Análises de solo; spatial prediction; proximal sensor; predição espacial
• ISSN: 1413-7054; 1981-1829; 1981-1829
• DOI: 10.1590/1413-70542017416010317

ABSTRACT Determination of soil properties helps in the correct management of soil fertility. The portable X-ray fluorescence spectrometer (pXRF) has been recently adopted to determine total chemical element contents in soils, allowing soil property inferences. However, these studies are still scarce in Brazil and other countries. The objectives of this work were to predict soil properties using pXRF data, comparing stepwise multiple linear regression (SMLR) and random forest (RF) methods, as well as mapping and validating soil properties. 120 soil samples were collected at three depths and submitted to laboratory analyses. pXRF was used in the samples and total element contents were determined. From pXRF data, SMLR and RF were used to predict soil laboratory results, reflecting soil properties, and the models were validated. The best method was used to spatialize soil properties. Using SMLR, models had high values of R² (≥0.8), however the highest accuracy was obtained in RF modeling. Exchangeable Ca, Al, Mg, potential and effective cation exchange capacity, soil organic matter, pH, and base saturation had adequate adjustment and accurate predictions with RF. Eight out of the 10 soil properties predicted by RF using pXRF data had CaO as the most important variable helping predictions, followed by P2O5, Zn and Cr. Maps generated using RF from pXRF data had high accuracy for six soil properties, reaching R2 up to 0.83. pXRF in association with RF can be used to predict soil properties with high accuracy at low cost and time, besides providing variables aiding digital soil mapping.
RESUMO A determinação de atributos do solo auxilia no correto manejo da sua fertilidade. O equipamento portátil de fluorescência de raios-X (pXRF) foi recentemente adotado para determinar o teor total de elementos químicos em solos, permitindo inferências sobre atributos do solo. No entanto, esses estudos ainda são escassos no Brasil e em outros países. Os objetivos deste trabalho foram prever atributos do solo a partir de dados do pXRF, comparando-se os métodos de regressão linear múltipla stepwise (SMLR) e de random forest (RF), além de mapear e validar atributos do solo. 120 amostras de solo foram coletadas em três profundidades e submetidas a análises laboratoriais. Utilizou-se o pXRF para leitura das amostras e determinou-se o teor total de elementos. A partir dos dados do pXRF, foram utilizadas SMLR e RF para predizer resultados laboratoriais, que refletem atributos do solo, e os modelos foram validados. O melhor método foi utilizado para espacializar os atributos do solo. Utilizando SMLR, os modelos apresentaram valores elevados de R² (≥0,8), porém maior acurácia foi obtida na modelagem com RF. A capacidade de troca de cátions potencial e efetiva, matéria orgânica do solo, pH, saturação por bases e teores trocáveis de Ca, Al e Mg apresentaram ajustes adequados e predições acuradas com RF. Dos dez atributos do solo preditos por RF a partir de dados do pXRF, sete apresentavam CaO como a variável mais importante para auxiliar as predições, seguido por P2O5, Zn e Cr. Os mapas gerados a partir de dados do pXRF usando RF apresentaram adequados valores de R² para seis atributos do solo, atingindo R2 de até 0,83. O pXRF em associação com RF pode ser usado para prever atributos do solo com elevada acurácia, com rapidez e a baixo custo, além de proporcionar variáveis que auxiliam o mapeamento digital de solos.