AGROFAZ 97

EFECTO DEL TAMAÑO DE PARTÍCULA EN LA PREDICCIÓN DE PROPIEDADES DE SUELOS POR ESPECTROSCOPIA DE

INFRARROJO CERCANOEffect of Particle Size in the Prediction of Soil Properties by NIRS

Maritza Argelia Macías Corral 1, Jesús Arcadio Muñoz Villalobos 1, José Antonio Cueto Wong 1, Oscar Landeros Márquez 2 y

Norma Guadalupe Sifuentes Morín 2

1 Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias (INIFAP), Centro Nacional de Investigación Disciplinaria Relación Agua-Suelo-Planta-Atmósfera (CENID-RASPA). Km. 6.5 margen derecha Canal de Sacramento, Gómez Palacio, Durango, C.P. 35140. 2 Asistentes

de Investigación, INIFAP, CENID-RASPA. e-mail: macias.maritza@inifap.gob.mx

RESUMENEl uso de la tecnología de espectroscopia de infrarrojo cer-

cano (NIRS) para la predicción de propiedades de suelos ha ido en aumento en muchos países, destacando Australia y Es-tados Unidos. En México, esta tecnología ha sido tradicional-mente utilizada en el análisis de forrajes y otros productos agrí-colas, pero no en suelos. Para hacer uso del NIRS es necesario primero crear las bases de datos, o librerías, utilizando como referencia los resultados del análisis por métodos convenciona-les. Una variable importante pero poco estudiada, es el tamaño de partícula y el efecto que ésta tiene en la exactitud de predic-ción del NIRS. Para este estudio se utilizaron 128 muestras de suelos agrícolas de La Laguna a las que se les determinaron 13 propiedades de interés agronómico. Las muestras fueron secadas y tamizadas utilizando mallas de 2.0 y 0.5 mm para obtener materiales gruesos y finos, respectivamente. Las libre-rías espectrales fueron creadas para cada fracción. Utilizando los modelos de calibración, se obtuvieron buenas correlaciones en la predicción de carbonatos, materia orgánica, capacidad de intercambio catiónico, arcilla, arena y limo. Para la predicción de propiedades físicas (textura), la exactitud es mejor si se uti-liza el modelo creado con los gruesos, mientras que para las químicas (carbonatos, materia orgánica), la correlación es más alta cuando se usa el modelo de los finos. A fin de crear mode-los más robustos, se recomienda utilizar las librerías de acuer-do a la propiedad a predecir y eliminar de éstas las que tienen bajas correlaciones. Así mismo, es necesario crear una librería más amplia de muestras para la validación independiente de los modelos.

Palabras clave: análisis convencional, exactitud de pre-dicción, librerías espectrales, método NIRS.

ABSTRACTThe application of Near-Infrared Spectroscopy (NIRS) for

the prediction of soils properties has been increasing, particu-larly in Australia and the United States. In Mexico, this techno-logy has been traditionally used in the analysis of forages and other agricultural products, but not in soils. Prior to using NIRS, it is necessary to create databases, or libraries, using referen-ce data obtained through conventional analytical methods. An important, but not widely studied variable is particle size and its effect in the prediction accuracy of NIRS. In this study, 128 soil samples collected from agricultural fields in La Laguna were analyzed to determine 13 properties of agronomic importance. The samples were air-dried and sieved using 2.0 and 0.5 mm sieves to obtain coarse and fine materials, respectively. Spec-tral libraries were created separately for each particle size. Ac-ceptable predictions were obtained from the calibration models for carbonates, organic matter, cation exchange capacity, clay, sand, and silt. For prediction of physical properties (texture), hig-her accuracy is obtained if the model used is based on coarse materials; for chemical properties (i.e., carbonates and orga-nic matter), the correlation is higher when the model used was developed using the fines fraction. For the purpose of creating more robust models, it is recommended to use the libraries ba-sed on the property to be analyzed or predicted and to eliminate those with low prediction accuracy. Furthermore, it is necessary to create a larger library with more samples for independent va-lidation of the models.

Keywords: conventional analysis, NIRS method, spec-tral libraries, prediction accuracy.

INTRODUCCIÓNLa espectroscopia de reflectancia en el infrarrojo cercano,

AGROFAZ

AGROFAZ VOLUMEN 13 NÚMERO 2 2013

98

NIRS por sus siglas en inglés (Near Infrared Reflectance Spec-troscopy) es una tecnología que ha sido usada desde hace mu-cho tiempo en el análisis de forrajes (Clark et al., 1987; Corson et al., 1999) y de otros productos agrícolas (Shenk & Wes-terhaus, 1991). Recientemente, el uso de la misma ha venido en aumento en áreas de la industria farmacéutica (Roggo et al., 2007) y vinícola (Urbano-Cuadrado et al., 2004), además de ser muy utilizada en diversas investigaciones relacionadas con la ciencia del suelo (Viscarra-Rossel et al., 2011; Abdi et al., 2012; St. Luce et al., 2012) y con la caracterización de mate-riales orgánicos tales como compostas (Fujiwara & Murakami, 2007; Chen et al., 2010). Existen también abundantes referen-cias bibliográficas de países en donde el método NIRS está siendo utilizado para estimación de propiedades del suelo, en-tre ellos Australia (Viscarra Rossel et al., 2006), Brasil (Viscarra Rossel et al., 2010), Canadá (Abdi et al., 2012; St. Luce et al., 2012), Dinamarca (Knadel et al., 2013), Estados Unidos (Chau-dhary et al., 2012) e Irlanda (O’Rourke & Holden, 2012), por citar algunos. Sin embargo, en México el uso de esta alternativa para análisis de suelos es muy limitado, o bien no está docu-mentado. Entre las ventajas de esta tecnología se mencionan la rapidez con que se puede llevar a cabo el análisis, el bajo costo comparado con análisis convencionales, es un método no destructivo y no utiliza reactivos químicos (Stevens et al., 2006; Brunet et al., 2007). Además, los requerimientos de pre-tratamiento de las muestras para su aplicación son relativamen-te simples y generalmente sólo se requiere de secado (al aire o en estufa a 40°C), tamizado y en algunas ocasiones molido para tener muestras más homogéneas (Cécillon & Brun, 2007).

El uso del NIRS es útil en el análisis cuantitativo de com-puestos que contengan agrupaciones funcionales con hidróge-nos unidos a carbonos, a nitrógenos y a oxígenos es decir, por los grupos funcionales C-H, N-H y O-H (Christy, 2008; Jimaré-Benito et al., 2008). El fundamento del método se puede resu-mir de la siguiente manera: la región del infrarrojo cercano está comprendida entre las longitudes de onda de 700 a 2,500 nm, que es una parte de la espectroscopia vibracional, por lo que cuando una muestra es irradiada con esas longitudes de onda, una parte de la luz es absorbida selectivamente de acuerdo a la frecuencia de vibración de la molécula, generándose así un espectro específico para esa muestra (Ramírez-Rodríguez et al., 2005). La base de la tecnología NIRS reside en la creación de un modelo matemático que relacione los valores espectra-les con los parámetros cuantitativos y cualitativos de interés (Jimaré-Benito et al., 2008). Una vez desarrollados los mode-los, se pueden realizar estimaciones de estos parámetros a partir de sus espectros NIRS. Por las razones y ventajas antes mencionadas, actualmente hay una tendencia hacia el uso de esta tecnología para reemplazar y/o complementar los análisis químicos convencionales para análisis de suelos (Volkan Bilgili et al., 2010; Tekin et al., 2012) .

Además de la rapidez y simplicidad analítica, otra ventaja muy importante del uso combinado del NIRS y de las técni-

cas quimiométricas es que muchas de las propiedades de una muestra pueden ser predichas a partir de un espectro (Cohen et al., 2005; Janik et al., 2007a). Sin embargo, hay que tener cautela en generalizar que dicho método puede ser aplicado para predecir todas las propiedades físicas y químicas. Aun cuando esta tecnología es muy práctica, es menos precisa que los métodos de análisis convencionales de vía húmeda y com-bustión (Stevens et al., 2006). De hecho, para poder emplear el NIRS como método de predicción, es necesario crear una librería utilizando los resultados obtenidos a través del análisis convencional, en otras palabras, crear una base de datos de re-ferencia. Otra de las limitantes de este método es la necesidad de tener una población de muestras bien definida. Es decir, las ecuaciones y modelos generados a partir de los espectros son válidos únicamente para poblaciones con características simi-lares a partir de las cuales fueron creados y no pueden ser uti-lizados para predecir las propiedades de suelos muy diferentes a dicha población (Chodak, 2008), a menos que primero sean analizados por métodos convencionales y los espectros y datos se agreguen al modelo para crear una librería más amplia. Por lo tanto, para reducir estas restricciones en el uso del NIRS, se ha propuesto la creación de librerías de espectros que cubran regiones geográficas amplias, llamadas librerías espectrales regionales o globales (Vasques et al., 2009). Al tener poblacio-nes más heterogéneas y con un mayor número de muestras se facilita la creación de modelos de calibración más robustos y aplicables a áreas más amplias mediante la elaboración de librerías regionales, no únicamente locales.

Los espectros en el infrarrojo están influenciados por la es-tructura física de los materiales, tales como tamaño y forma de partículas, espacio entre partículas, el contenido de humedad y la presencia de residuos, entre otros (Chang et al., 2001; Go-mez et al., 2008). Aun cuando el método de NIRS para análisis de suelos ha ido en aumento, no existen muchos reportes rela-cionados con el efecto del tamaño de partícula en la predicción de las propiedades de suelos (Reeves et al., 2002). El objetivo de esta investigación fue la creación de librerías espectrales de suelos agrícolas procedentes de La Laguna con los dos ta-maños de partícula usados en el análisis físico-químico con-vencional para determinar el efecto del mismo en la predicción de propiedades de interés agronómico. A partir de estos datos, se pretende establecer los requerimientos de pre-tratamiento de muestras para análisis por NIRS que resulte en una mayor exactitud de predicción.

MATERIALES Y MÉTODOS

Procedencia de las Muestras y Pre-tratamientoLas muestras fueron recolectadas en la zona de La Laguna

en el otoño de 2012 en los municipios de Francisco I. Madero, San Pedro, Matamoros y Torreón en Coahuila y de Gómez Pa-lacio y Tlahualilo en Durango. Las 128 muestras usadas en el estudio fueron tomadas a una profundidad de 0-30 cm en su

AGROFAZ

RELACION AGUA-SUELO-PLANTA

99

mayoría (76%) y el resto de 30-60 y de 60-100 cm. Los cultivos sembrados en las parcelas en donde se llevaron a cabo los muestreos son en su mayoría sorgo, alfalfa, maíz y algodón. Los análisis físico-químicos se realizaron en el laboratorio de agua, suelo y planta del CENID-RASPA en Gómez Palacio, Du-rango. Antes de analizar las muestras, se llevó a cabo el secado al aire y posterior tamizado con mallas de 2 mm y 0.5 mm para obtener lo que se conoce como materiales gruesos y finos, res-pectivamente.

Análisis Convencional de Propiedades Físicas y Químicas

Las propiedades físicas analizadas fueron textura (conteni-do de arena, arcilla y limo) y densidad aparente (DA), para lo cual se emplearon los métodos del Hidrómetro de Bouyoucos y el de la probeta graduada, respectivamente. Estas propiedades se determinaron en los materiales gruesos del tamizado (malla 2 mm). Para el análisis de pH y conductividad eléctrica (CE, dS m-1), se utilizó la fracción de gruesos a partir de la cual se prepa-ró una pasta de saturación y se obtuvo el extracto (por filtrado al vacío) para los dos análisis. El pH se midió con un potencióme-tro (Thermo Electron, Corp.) calibrado con tres estándares (4.0, 7.0 y 10.0) y la conductividad se midió con un conductivimetro (Thermo Electron, Corp.). Las demás propiedades químicas se analizaron en los finos (malla 0.5 mm). Los nitratos (N-NO3, mg kg-1) se midieron por el método del ácido salicílico y colorime-tría; el amonio (N-NH4, mg kg-1) fue determinado por destilación Kjelhdal y volumetría. Para la determinación de fósforo (P, mg kg-1) se siguió el método de Olsen; los carbonatos totales (CO3, %) se determinaron por el método del calcímetro y la materia orgánica (M.O., %) por el método modificado de Walkley-Black. La capacidad de intercambio catiónico (CIC, meq 100 g-1) se obtuvo por los métodos del acetato de amonio o del yeso, de-pendiendo del tipo de muestra. La concentración de potasio (K, mg kg-1) se determinó usando un equipo de absorción atómica por el método de flama (Perkin Elmer, modelo AA700). En total se determinaron 13 propiedades en cada muestra de suelo.

Análisis NIRS El método NIRS incluye cuatro pasos principales: 1) Deter-

minación de las propiedades de la muestra por métodos con-vencionales; 2) Captura de los espectros NIR de cada muestra que va a ser usada como referencia; 3) Calibración para ob-tener las ecuaciones y modelos de regresión; y, 4) Validación (Nduwamungu et al., 2009). Debido a que el método se basa en el análisis empírico, es necesario que las ecuaciones de calibración (modelos) sean posteriormente validadas con un conjunto de muestras independientes (Ko et al., 2004). Para que las propiedades de muestras no analizadas por métodos convencionales puedan ser determinadas, es necesario que tanto el paso de calibración como de validación se lleven a cabo (Ben-Dor & Banin, 1995). Por lo tanto, previo a la captura de los espectros se hizo una separación completamente al azar de las

muestras de cada tamaño de partícula que serían posterior-mente utilizadas en la validación.

Creación de Librerías y CalibraciónLas muestras fueron procesadas en un equipo Foss NIR-

Systems Modelo 6500 (FossNIRSystems, Silver Spring, MD) en el modo de reflectancia para obtener los espectros corres-pondientes de cada lote de muestras por separado (finos y gruesos). El equipo cuenta con un módulo de transporte vertical y con un monocromador cuya fuente de energía es una lám-para halogenada de filamento de tungsteno con un reflector, cuatro detectores de PbS (1100-2500 nm) y 2 detectores de silicio (400-1100 nm). Las muestras fueron analizadas usando el software ISIScan® versión 3.10 (Intrasoft International, LCC., 2010) y la reflectancia medida fue un promedio de 32 esca-neos en un rango de longitud de onda de 400 a 2500 nm (luz visible y región NIR), con 2 nm entre puntos de datos colec-tados. Antes de proceder al análisis de muestras, se llevó a cabo la verificación de las condiciones del equipo diariamente, proceso conocido como “check test”. Los resultados obtenidos de los análisis físico-químicos convencionales fueron añadi-dos a los archivos con los espectros correspondientes usando el software WinISI-4 versión 4.2 (Intrasoft International, LLC., 2010) para crear las ecuaciones (modelos) de calibración. Las ecuaciones de calibración fueron generadas usando el método de regresión de cuadrados mínimos parciales (PLSR por sus siglas en inglés) del paquete de software WinISI-4.

Validación La validación de los modelos se llevó a cabo usando el mé-

todo de validación cruzada y luego una validación independien-te, ambos frecuentemente citados en la literatura (Volkan Bilgili et al., 2010; Bornemann et al., 2010; Stevens et al., 2012). Una vez que se capturaron los espectros de cada muestra de valida-ción, se compararon los valores predichos con los de referen-cia (determinados por métodos analíticos convencionales). La validación independiente se llevó a cabo utilizando el grupo de muestras previamente seleccionadas al azar para cada tamaño de partícula (N= 23 finos y N= 11 gruesos). La precisión en las predicciones del NIRS fue evaluada de acuerdo al valor de la relación de desviación de la predicción, o RPD por sus siglas en inglés (Ratio of Performance Deviation, en inglés). Valores altos de RPD indican que existe una mejor predicción del modelo de calibración (Bornemann et al., 2010).

RESULTADOS Y DISCUSIÓNLos estadísticos descriptivos de las propiedades de suelos

analizadas por métodos convencionales de las muestras usa-das en la calibración se presentan en el Cuadro 1. Algunos de los valores observados aparentan ser valores atípicos o “out-liers”, principalmente en el contenido

AGROFAZ

AGROFAZ VOLUMEN 13 NÚMERO 2 2013

100

Cuadro 1. Estadísticos descriptivos de las propiedades de suelos por análisis convencional de las muestras usadas en la calibración para finos (N= 105) y gruesos (N= 112).

F = Finos (malla 0.5 mm); G = Gruesos (malla 2 mm).

Cuadro 2. Estadísticos descriptivos de calibración y validación cruzada usando el método NIRS.de nitratos, fósforo y de potasio (concentraciones muy altas).

N, Número de muestras en la calibración, excluyendo valores atípicos (“outliers”). F = Finos (malla 0.5 mm). G = Gruesos (malla 2 mm). DE, desviación estándar. SEC, error estándar de la calibración (“standard error of calibration”). R2, coeficiente de determi-nación de la calibración. SECV, error estándar de la calibración cruzada (“standard error of cross-validation”). 1-VR, coeficiente de determinación de la validación cruzada (“coefficient of determination of cross-validation”).

AGROFAZ

RELACION AGUA-SUELO-PLANTA

101

Sin embargo, debido a que no fue posible llevar a cabo el análisis convencional nuevamente bajo las mismas condiciones que el resto de las muestras (analizadas en el otoño de 2012), éstos fueron incluidos en la captura de datos de referencia para los espectros generados en la calibración. Sin embargo, es posible que estos datos hayan sido identificados como valores atípicos (“outliers”) por el software al llevar a cabo el proceso de calibración. El Cuadro 2 presenta los estadísticos de los proce-sos de calibración y validación cruzada. El promedio de mues-tras para obtener estos datos fue de 85 para los finos y 93 para los gruesos, después de excluir los valores atípicos.

Los resultados reportados en la literatura presentan impor-tantes variaciones en la precisión del NIR para propiedades de suelo debido a las diferencias en la preparación de las mues-tras y métodos de referencia utilizados, entre otros factores. Es importante tener en cuenta que tanto en el cálculo de RPD como en los rangos considerados como aceptables existen al-gunas variantes entre autores (Cohen et al., 2005; Janik et al., 2007b; Cécillon et al., 2009). Además, también son notorias las inconsistencias tanto en lo que se refiere al uso de los términos para definir el nivel de precisión del método (por ejemplo, se en-cuentran términos tales como “bueno”, “aceptable” y “exitoso”) como en los valores de R2 y RPD que determinan si una predic-ción es buena, aceptable o exitosa (Nduwamungu et al., 2009). La precisión de las predicciones usando la tecnología NIRS ha sido clasificada en tres categorías de acuerdo a lo reportado

F = Finos (malla 0.5 mm). G = Gruesos (malla 2 mm). SECV, error estándar de la calibración cruzada (“standard error of cross-validation”). DEref, desviación estándar de las muestras de referencia. SEP, error estándar de la predicción (“standard error of prediction”). DEcal, desviación estándar de las muestras de calibración; DErefv, desviación estándar de las muestras de referencia de la validación.

frecuentemente en la literatura en el área de suelos (Chang et al., 2001), siendo éstas: A: RPD >2.0, buena exactitud en la predicción; B: RPD= 1.4–2.0, predicciones intermedias que pu-eden ser mejoradas usando otras estrategias de calibración y, C: RPD <1.4, poca capacidad de predicción por NIRS.

El Cuadro 3 presenta los valores de RPD obtenidos para cada una de las propiedades de suelo analizadas.

En este trabajo se reportan dos valores de RPD, como lo han hecho otros autores, para identificar los grupos de datos usados para su cálculo (Delin et al., 2010). Sin embargo, debido al limitado número de muestras disponibles para validación in-dependiente, el valor de referencia para decidir si hay o no una buena predicción será el RPD de la validación cruzada (RPD= desviación estándar de la calibración dividido por el error están-dar de la validación cruzada). De las 13 propiedades analiza-das, seis fueron predichas por el método NIRS con exactitudes buena e intermedia. Utilizando los valores de RPD del juego de muestras de calibración en tamaño de partícula <0.5 mm (finos), las propiedades que obtuvieron buena exactitud de pre-dicción (categoría A, RPD>2.0) fueron los carbonatos totales (CO3), materia orgánica (M.O.) y arcilla y las predichas dentro del rango de exactitud media (categoría B, RPD 1.4-2.0) fueron la capacidad de intercambio catiónico (CIC), el potasio (K) y la densidad aparente (DA). Para las demás propiedades estudia-das (pH, C.E., N-NO3, NH4, P, arena y limo) la

Cuadro3. Estadísticos descriptivos y RPD para propiedades de suelos usando el método NIRS.

AGROFAZ

AGROFAZ VOLUMEN 13 NÚMERO 2 2013

102

exactitud de predicción fue baja y en algunos casos, podría considerarse incluso nula debido al bajo valor de RPD obtenido, como en el caso de los nitratos y el amonio. En cuanto a la frac-ción de gruesos, los valores de RPD altos (>2.0) considerados como buenas predicciones fueron para CO3 y arcilla, mientras que las predicciones con valores de RPD medio (1.4-2.0) fue-ron para M.O., CIC, arena y limo y para todos los demás (pH, C.E., N-NO3, N-NH4, P, K y DA) fue baja o nula. Nduwamung et al. (2009) concluyeron que el tamizado con malla de 2 mm es suficiente para el análisis NIRS ya que tamizados más finos (0.2, 0.5 y 1.0 mm) no resultaron en una mejora en la precisión de las calibraciones. Sin embargo, en este trabajo al hacer una comparación entre los valores de RPD con los dos tamaños de partícula, se observa que ésta puede llegar a tener una in-fluencia importante en la decisión de si un propiedad puede o no puede ser predicha por NIRS, como en el caso del potasio, la densidad aparente, la arena y el limo.

En cuanto a los resultados individuales para cada propiedad, la exactitud de predicción de carbonatos por NIRS es muy va-riable, tal como lo reportan Bellon-Maurel & McBratney (2011), pudiendo encontrarse en la literatura valores de correlación al-tos y bajos. Ben-Dor & Banin (1995) mencionan que altas con-centraciones de carbonatos (CaCO3) ocasionan que los suelos sean más reflectivos en la región NIR, lo que se esperaría re-sultara en una buena capacidad de predicción. En este trabajo,

el RPD calculado para los carbonatos en finos y gruesos es de 2.4, lo que se considera es una buena predicción. Volkan Bilgili et al. (2010) también encontraron predicciones aceptables para esta propiedad. La materia orgánica en suelos (o bien, el car-bono orgánico) es la propiedad más frecuentemente estimada usando el método NIRS, encontrando también mucha variabili-dad en la predicción (Stenberg et al., 2010). Esta propiedad fue predicha por NIRS con exactitud buena en los finos y media en la fracción de gruesos para los suelos de La Laguna usados en esta investigación. La Figura 1 muestra la correlación entre los valores obtenidos por análisis convencional y los predichos por NIRS para la fracción de finos (RPD= 2.4). Melendez-Pastor et al. (2008) y Volkan Bilgili et al. (2010) también reportaron predic-ciones aceptables para materia orgánica.

Debido a que la CIC en suelos está fuertemente relacionada con algunos de los grupos funcionales más activos en la región del infrarrojo cercano, es de esperarse que se dé una buena predicción de esta propiedad con NIRS (Chodak, 2008). Chang et al. (2001) y Volkan Bilgili et al. (2010) reportaron prediccio-nes aceptables para CIC, que coinciden con lo encontrado en esta investigación para ambas fracciones con un RPD= 1.7, mientras que Kinoshita et al., (2012) reportan muy buenas cor-relaciones. Las predicciones para potasio y densidad aparente del suelo obtuvieron un RPD de 1.4 en las muestras de finos y menor a 1.0 en los gruesos, por lo que no es

Figura 1. Valores predichos por NIRS y medidos por métodos convencionales para materia orgánica en finos.

AGROFAZ

RELACION AGUA-SUELO-PLANTA

103

recomendable hacer uso de esta tecnología para la estima-ción de dichas propiedades. En cuanto a la textura, la predic-ción es posible con esta tecnología ya que los espectros NIR están relacionados con el tamaño de partícula de los materia-les analizados y han sido reportados con buenas correlaciones (Chodak, 2008). Muchos estudios se enfocan específicamente al contenido de arcilla debido a la influencia que tiene esta pro-piedad en la formación de agregados y de grietas en el suelo (Stenberg et al., 2010). Nduwamungu et al., (2009) reportaron excelentes resultados de calibración para arcilla, aceptables para arena y moderadamente aceptables para limo. Sin em-bargo, estos autores también encontraron que al ser menos es-trictos en el análisis quimiométrico, la arena también puede ser predicha con excelente exactitud. La predicción del NIRS para arcilla también es reportada por Sørensen & Dalsgaard (2005) y por Volkan Bilgili et al. (2010) con una alta correlación, mien-tras que para arena y limo fueron más bajas. En este estudio, se encontró que la mayor exactitud de predicción del NIRS fue precisamente para arcilla (RPD=3.0 en gruesos y 2.1 en finos), lo que coincide con lo reportado por los autores citados. Para limo y arena, los valores de RPD fueron de 1.9 y 1.7 en la frac-ción de gruesos, respectivamente, colocándolos en las predic-ciones medias, tal como lo reportan otros investigadores. Re-sulta interesante que al comparar los valores de RPD de textura para las fracciones de finos y gruesos de una misma muestra, éstos son más altos en los últimos, lo que lleva a concluir que el tamaño de partícula sí tiene una influencia en las predicciones de la arena, arcilla y limo en los suelos.

CONCLUSIONESLa exactitud de las predicciones del método NIRS son va-

riables para diferentes propiedades del suelo. De las 13 pro-piedades analizadas, seis de ellas (carbonatos totales, materia orgánica, capacidad de intercambio catiónico, arena, arcilla y limo) fueron predichas en el rango de buenas y medianas predicciones. Los resultados revelan que cuando la predic-ción NIRS es usada para propiedades físicas (textura), existe una mejor correlación y predicción más exacta si se utiliza la fracción de gruesos (malla 2.0 mm). De igual manera, si las propiedades a predecir son químicas (por ejemplo para carbo-natos y materia orgánica), la fracción de finos (malla 0.5 mm) resulta en una mejor correlación entre el método de análisis convencional y el NIRS. A fin de mejor la exactitud y hacer uso en el futuro de los modelos para la predicción de propiedades de suelos de La Laguna, se recomienda aumentar el número de muestras en las calibraciones para obtener un modelo más robusto. De igual manera, es necesario obtener más muestras a fin de crear una base de datos y muestras de referencia para la validación independiente de los modelos. Estas actividades pueden irse implementando paulatinamente, conforme se re-ciben y analizan muestras en el laboratorio de suelos con el propósito de crear una librería local amplia. En un futuro, estas librerías y modelos pudieran utilizarse para sustituir algunos de los análisis convencionales por el análisis NIRS, resultando en

un beneficio económico y ambiental tanto para investigadores como para productores locales.

AgradecimientosEste trabajo fue financiado con recurso del proyecto No.

1537577A “Incremento de la Eficiencia de Uso de Fertilizantes con Base al Método Racional, Usando Análisis de Suelo, Planta y Emisiones Gaseosas Determinadas con Sensores Infrarrojos y Cromatografía de Gases”. INIFAP-SINASO: 1051231968.

LITERATURA CITADAAbdi, D., Tremblay, G., Ziadi, N., Bélanger, G., & Parent, L.

(2012). Predicting Soil Phosphorus-Related Properties Using Near-Infrared Reflectance Spectroscopy. Soil Sci Soc Am J, 76(6), 2318–2326. doi:10.2136/sssaj2012.0155

Bellon-Maurel, V., & McBratney, A. (2011). Near-infrared (NIR) and mid-infrared (MIR) spectroscopic techniques for asses-sing the amount of carbon stock in soils – Critical review and research perspectives. Soil Biology and Biochemistry, 43(7), 1398–1410. doi:10.1016/j.soilbio.2011.02.019

Ben-Dor, E., & Banin, A. (1995). Near-Infrared Analysis as a Rapid Method to Simultaneously Evaluate Several Soil Pro-perties. Soil Sci Soc Am J, 59(2), 364–372. doi:10.2136/sssaj1995.03615995005900020014x

Bornemann, L., Welp, G., & Amelung, W. (2010). Particulate Or-ganic Matter at the Field Scale: Rapid Acquisition Using Mid-Infrared Spectroscopy. Soil Sci Soc Am J, 74(4), 1147–1156. doi:10.2136/sssaj2009.0195

Brunet, D., Barthès, B., Chotte, J., & Feller, C. (2007). Determi-nation of carbon and nitrogen contents in Alfisols, Oxisols and Ultisols from Africa and Brazil using NIRS analysis: Effects of sample grinding and set heterogeneity. Geoder-ma, 139, 106–117. doi:10.1016/j.geoderma.2007.01.007

Cécillon, L., Barthès, B. G., … Brun, J. J. (2009). Assessment and monitoring of soil quality using near-infrared reflectan-ce spectroscopy (NIRS). European Journal of Soil Science, 60(5), 770–784. doi:10.1111/j.1365-2389.2009.01178.x

Cécillon, L., & Brun, J. (2007). Near-infrared reflectance spec-troscopy ( NIRS ): a practical tool for the assessment of soil carbon. In R. Jandl & M. (Eds. . Olsson (Eds.), COST Action 639: Greenhouse-gas Budget of Soils Under Changing Cli-mate and Land Use (BurnOut) (pp. 103–110). Vienna.

Chang, C., Laird, D., Mausbach, M., & Hurburgh, C. (2001). Near-Infrared Reflectance Spectroscopy–Principal Compo-nents Regression Analyses of Soil Properties. Soil Sci Soc Am J, 65, 480–490.

Chaudhary, V. P., Sudduth, K. a., Kitchen, N. R., & Kremer, R. J. (2012). Reflectance Spectroscopy Detects Management and Landscape Differences in Soil Carbon and Nitrogen. Soil Sci Soc Am J, 76(2), 597. doi:10.2136/sssaj2011.0112

AGROFAZ

AGROFAZ VOLUMEN 13 NÚMERO 2 2013

104

Chen, L. J., Xing, L., & Han, L. J. (2010). Influence of Data Preprocessing on the Quantitative Determination of Nu-trient Content in Poultry Manure by Near Infrared Spec-troscopy. J. Environ. Qual., 39(5), 1841–1847. doi:10.2134/jeq2009.0449

Chodak, M. (2008). Application of Near Infrared Spectroscopy for Analysis of Soils , Litter and Plant Materials. Polish J. of Environ. Stud., 17(5), 631–642.

Christy, C. D. (2008). Real-time measurement of soil attribu-tes using on-the-go near infrared reflectance spectroscopy. Computers Elect in Agric, 61, 10–19. doi:10.1016/j.com-pag.2007.02.010

Clark, H., Mayland, H. F., & Lamb, R. C. (1987). Mineral Analy-sis of Forages with Near Infrared Reflectance Spectroscopy. Agronomy Journal, 79, 485–490.

Cohen, M. J., Prenger, J. P., & DeBusk, W. F. (2005). Visible-near infrared reflectance spectroscopy for rapid, nondes-tructive assessment of wetland soil quality. J. Environ. Qual., 34(4), 1422–1434. doi:10.2134/jeq2004.0353

Corson, D., Waghorn, G., Ulyatt, M., & Lee, J. (1999). NIRS: Forage analysis and livestock feeding. In Proceedings of the New Zealand Grassland Association (Vol. 132, pp. 127–132).

Delin, S., Stenberg, B., Nyberg, A., & Brohede, L. (2010). Po-tential of Using NIR to Predict Nitrogen Fertiliser Value of Organic Residues. In Proceedings of the 2010 Recycling Agricultural, Municipal and Industrial Residues in Agriculture Network (RAMIRAN)”.

Fujiwara, T., & Murakami, K. (2007). Application of near infra-red spectroscopy for estimating available nitrogen in poultry manure compost. Soil Science and Plant Nutrition, 53(1), 102–107. doi:10.1111/j.1747-0765.2007.00109.x

Gomez, C., Viscarra Rossel, R., & McBratney, A. (2008). Soil or-ganic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: An Australian case study. Geo-derma, 146, 403–411. doi:10.1016/j.geoderma.2008.06.011

Janik, L. J., Merry, R. H., Forrester, S. T., Lanyon, D. M., & Raw-son, A. (2007). Rapid Prediction of Soil Water Retention using Mid Infrared Spectroscopy. Soil Sci. Soc. Am. J., 71(2), 507. doi:10.2136/sssaj2005.0391

Janik, L., Skjemstad, J., Shepherd, K., & Spouncer, L. (2007). The prediction of soil carbon fractions using mid-infrared-partial. Australian J Soil Res, 45, 73–81.

Jimaré-Benito, M. T., Bosch-Ojeda, C., & Sánchez-Rojas, F. (2008). Química y Medio Ambiente Química analítica de procesos : Aplicaciones de la espectrometría de absorción en el infrarrojo cercano al análisis de biocombustibles y al análisis de alimentos. An Quím, 104(4), 290–301.

Kinoshita, R., Moebius-Clune, B., van Es, H., Hively, W., & Bil-gilis, A. (2012). Strategies for Soil Quality Assessment Using Visible and Near-Infrared Reflectance Spectroscopy in a Western Kenya Chronosequence. Soil Sci Soc Am J, 76, 1776–1788. doi:10.2136/sssaj2011.0307

Knadel, M., Viscarra Rossel, R. a., Deng, F., Thomsen, A., & Greve, M. H. (2013). Visible–Near Infrared Spectra as a Proxy for Topsoil Texture and Glacial Boundaries. Soil Sci Soc Am J, 77(2), 568. doi:10.2136/sssaj2012.0093

Ko, H. J., Choi, H. L., Park, H. S., & Lee, H. W. (2004). Predic-tion of Heavy Metal Content in Compost Using Near-infrared Reflectance Spectroscopy. Asian-Aust. J Anim Sci, 17(12), 1736–1740.

Melendez-Pastor, I., Navarro-Pedreño, J., Gómez, I., & Koch, M. (2008). Identifying optimal spectral bands to assess soil properties with VNIR radiometry in semi-arid soils. Geoder-ma, 147, 126–132. doi:10.1016/j.geoderma.2008.08.004

Nduwamungu, C., Ziadi, N., Parent, L., Tremblay, F., & Thuries, L. (2009). Opportunities for, and limitations of, near infra-red reflectance spectroscopy applications in soil analysis: A review. Canad J Soil Sci, 89, 531–541. doi:doi:10.4141/CJSS08076

O’Rourke, S. M., & Holden, N. M. (2012). Determination of Soil Organic Matter and Carbon Fractions in Forest Top Soils using Spectral Data Acquired from Visible–Near Infrared Hyperspectral Images. Soil Sci Soc Am J, 76(2), 586–596. doi:10.2136/sssaj2011.0053

Ramírez-Rodríguez, E., Anaya-Escalera, A., & Mariscal-Landín, G. (2005). Predicción de la composición química del grano de sorgo mediante espectroscopía de reflectancia en el in-frarrojo cercano (NIRS) Predicting the chemical composition of sorghum grain by near infrared reflectance spectroscopy ( NIRS ). Téc Pecu Méx, 43(1), 1–11.

Reeves, J., McCarty, G., & Mimmo, T. (2002). The potential of diffuse reflectance spectroscopy for the determination of car-bon inventories in soils. Environ Poll, 116, S277–284. Re-trieved from http://www.ncbi.nlm.nih.gov/pubmed/11833914

Roggo, Y., Chalus, P., Maurer, L., Lema-Martinez, C., Edmond, A., & Jent, N. (2007). A review of near infrared spectroscopy and chemometrics in pharmaceutical technologies. Journal of Pharmaceutical and Biomedical Analysis, 44(3), 683–700. doi:10.1016/j.jpba.2007.03.023

Shenk, M., & Westerhaus, J. (1991). New Standardization and Calibration Procedures for NIRS Analytical Systems. Crop Sci, 31, 1694–1696.

Sørensen, L., & Dalsgaard, S. (2005). Determination of Clay and Other Soil Properties by Near Infrared Spectroscopy. Soil Sci Soc Am J, 69, 159–167. doi:10.2136/sssaj2005.0159

AGROFAZ

RELACION AGUA-SUELO-PLANTA

105

St. Luce, M., Ziadi, N., Nyiraneza, J., Tremblay, G., Zebarth, B., Whalen, J., & Laterrière, M. (2012). Near Infrared Reflectan-ce Spectroscopy Prediction of Soil Nitrogen Supply in Hu-mid Temperate Regions of Canada. Soil Sci Soc Am J, 76, 1454–1461. doi:10.2136/sssaj2011.0443

Stenberg, B., Rossel, R. A. V., Mouazen, A. M., & Wetterlind, J. (2010). Visible and Near Infrared Spectroscopy in Soil Scien-ce. Advances in Agronomy (1st ed., Vol. 107, pp. 163–215). Elsevier Inc. doi:10.1016/S0065-2113(10)07005-7

Stevens, A., Miralles, I., & W, B. (2012). Soil Organic Carbon Predictions by Airborne Imaging Spectroscopy: Comparing Cross-Validation and Validation. Soil Sci. Soc. Am. J., 76(6), 2174. doi:10.2136/sssaj2012.0054

Stevens, A., van Wesemael, B., Vandenschrick, G., Touré, S., & Tychon, B. (2006). Detection of Carbon Stock Change in Agricultural Soils Using Spectroscopic Techniques. Soil Sci. Soc. Am. J., 70(3), 844. doi:10.2136/sssaj2005.0025

Tekin, Y., Tumsavas, Z., & Mouazen, A. (2012). Effect of Mois-ture Content on Prediction of Organic Carbon and pH Using Visible and Near-Infrared Spectroscopy. Soil Sci Soc Am J, 76(1), 188–198. doi:10.2136/sssaj

Urbano-Cuadrado, M., Luque de Castro, M., Pérez-Juan, P., García-Olmo, J., & Gómez-Nieto, M. (2004). Near infrared reflectance spectroscopy and multivariate analysis in eno-logy. Analytica Chimica Acta, 527, 81–88. doi:10.1016/j.aca.2004.07.057

Vasques, G. M., Grunwald, S., & Harris, W. G. (2009). Spec-troscopic models of soil organic carbon in Florida, USA. J Environ Qual, 39(3), 923–34. doi:10.2134/jeq2009.0314

Viscarra Rossel, R., Rizzo, R., Demattê, J., & Behrens, T. (2010). Spatial Modeling of a Soil Fertility Index using Vi-sible–Near-Infrared Spectra and Terrain Attributes. Soil Sci Soc Am J, 74(4), 1293–1300. doi:10.2136/sssaj2009.0130

Viscarra Rossel, R., Walvoort, D., McBratney, A., Janik, L., & Skjemstad, J. (2006). Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma, 131, 59–75. doi:10.1016/j.geoderma.2005.03.007

Viscarra-Rossel, R. A., Chappell, A., De Caritat, P., & McKenzie, N. J. (2011). On the soil information content of visible-near infrared reflectance spectra. European Journal of Soil Scien-ce, 62(3), 442–453. doi:10.1111/j.1365-2389.2011.01372.x

Volkan Bilgili, A., van Es, H., Akbas, F., Durak, A., & Hively, W. (2010). Visible-near infrared reflectance spectrosco-py for assessment of soil properties in a semi-arid area of Turkey. J Arid Environ, 74, 229–238. doi:10.1016/j.jarid-env.2009.08.011