DIVULGACAO, AVALIACAO DO USO DE METODOS QUIMIOMETRICOS EM ANALISE DE SOLOS Marcelo M. de Sena e Ronei J. Poppi” Departamento de Quimica Analitica - Instituto de Quimica - UNICAMP - CP 6154 - 13083-970 - Campinas - SP Rosa T. S. Frighetto e Pedro J. Valarini Embrapa Meio Ambiente - CP 069 - 13820-000 - Jaguariina P Recebido em 31/5/99; aceito em 13/10/09 EVALUATION OF THE USE OF CHEMOMETRIC METHODS IN SOIL ANALYSIS. One of the major interests In soll analysis is the evaluation of Its chemical, physical and biological Parameters, which are indicators of soil quality (the most important is the organic matter). Besides there is a great interest in the study of humic substances and on the assessment of pollutants, such as pesticides and heavy metals, . Chemometrics is a powerful tool to deal with these problems and can help soil researchers to extract much more information from their data. In spite of this, the presence of these kinds of strategies in the literature has ob- tained projection only recently. The utilization of chemometrie methods in soil analysis is evaluated in this article. The applications will be divided in four parts (with emphasis in the first two): (i) descriptive and exploratory methods based on Principal Component Analysis (PCA); (ii) multivariate calibration methods (MLR, PCR and PLS); (ii) methods such as Evolv- ing Factor Analysis and SIMPLISMA; and (iv) artificial intelligence methods, such as Arti cial Neural Networks. Keywords: chemometrics; soil analysis; principal component analysis. INTRODUCAO Com a crescente sofisticagio das téenicas instrumentals de anilise quimica, impulsionada pela invasfo de microprocessa doves © microcomputadores no Isboratério, téenicas de trata ‘mentos de dados mais complexas do ponto de vista matemét 0 e estatistico tornaram-se necesséria ‘A andlise de dados € uma parte essencial em todo experi ‘mento, sendo univariada quando somente uma varidvel & medida sistematicamente para varias amostras. Hé muito tempo a esta Utica univariada vem sendo aplicada a problemas quimicos, mas ‘Sua utlizagdo tommou-se Himitada, Nas ihtimas déeadas, a and lise multivariada foi inrodzida no tratamento de dados guimi- 0s, ganhando rapidamente popularidade e dando origem a uma nova discipina, batizada de Quimiomeiria. O modelo estaistico dos métodos multivariados considera a correlaglo entre muitas varidveis analisadas simultaneamente, permitindo a extracio de lama quantidade muito maior de informagio, [Nette artigo serd avaliada a utilizagio de métodos quimio: iéiricos em andlise de solos. © solo € uma estrutura complexa Formada pela influéncia de fatores geolégicos, topogriticos, climaticos. temporais e antropogénicos; sendo a parte mais importante da geosfera e de onde provém a maior parte dos, ‘nossos alimentos. Além disso, ele funciona como uma espécie de filtco ambiental para a purificagio da égua e do ar’. © interesse maior na andlise de solos esté na avaliagto de seus parimetros quimicos (concentragao de metais e nutrentes, PH, ete), fsicos (compactacdo, umidade, ec.) e biol6gicos (mi- ‘rorganismos, etc), 0s quais sio um indicador de sua qualidade Denire os constitvintes do solo, o mais estudado ¢ 4 maigria ‘orginica (MO). Esta controla muitas de suas propriedades e & tum fator central na manuteng3o de sistemas agricolas sustenté vyeis. Priticas que favoregam a conservacio da MO melhoram as propriedades do solo © ajudam a reduzir 0 risco de erosio, Nos chamados sistemas de manejo sustentével, microrganismos ceil ronei@igm wnicamp be ‘Quimica nova, 294) (2000) bbenéficos sio incorporados & camada superficial do solo jun ‘mente com restos de colheita e outros residuos organicos, em substituigio a0 uso de pesticidas e fertlizantes, levando a um ‘aumento na estabilidade © na conservagio do solo, As substin- cias humicas’, polimeros naturais formados pela atividade de ‘ierorganismés durante a decomposi¢do de plantas e animais, so uma parte dessa MO que exerce importante papel no trans: porte, biodisponibilidade e complexagto de nutrientes © metais pesados no solo. Alm deste, outro grande interesse na andlise de solos esté na medida de sua contaminago por pesticidas e rmetais pesados. Para o acompanhamento de todos esses parame twos, a quimica analftiea tem contado nos tltimos anos com um grande avango no desenvolvimento de téenicas instruments, {ais como espectrasc6picas © cromatogréficas (Os métodos quimiométricos possuem um enorme potencial no trotamento das questBes deseritasacima, Entrtanto, até a segunda rmetade dos anos 80, a sua presenca na literatura era escassa, A partir dos anos 90 nots-se um aumento significative de suas apl cagées, levando os pesquisadores da dea de solos a uma grande elevagio na sua eapacidade de extrir informagdes dos dados, PPode-se afirmar que esti em curso um processo de substituigdo de muitos méiodos tradicionais de andlise univariados por métodos mmultivariados. Mas esse processo ainda esti em seu inicio © ha necessidade de uma ampla divulgago para que cada ver mais maior aimero de pesguisadores tome eontato com esta ferramenta de tratamento de dados multivariades que € a quimiometia, 0 objetivo deste trabalho é dar um panorama geral destas| splicagbes, com énfase na literatura mais recente. As aplicagges serdo divididas em quatro partes: na primeira serio apresentados 1s métodos desertivos e exploratérios baseados na Andlise de ‘Componentes Principais (PCA); na segunda, os métodos de calibragio e previsto (Regressto Linear Maltipla, Regressio em ‘Componentes Princiapais - PCR e Minimos Quadrads Parcisis PLS); na terceira, um conjunto de tabalhos de um mesmo gru- ido 05 métodos "Evolving Factor Analysis implesto-use Interactive Self-Modelling Mixture Analysis"); e na ultima parte, métodos de inteligéneia atificial, como Redes Neurais Amificiais,‘MBTODOS DESCRITIVOS E EXPLORATORIOS Anslise de Componentes Principais (PCA) {A Anilise dos Componentes Principais. PCA (do inglés “Paincipal Component Analysis"), tem por finalidade basica a sedugao de dados a partir de combinagbes lineates das varé- ‘eis originals. A PCA decompde uma matrz de dados X (onde asm linhas s80 as amostras e as n colunas, as variéveis) de posto Crank") h, em uma soma de h matrizes de posto igual 21, como na equagio I X= My 4 Ma + My ta + My w inde © posto expressa 0 niimero de vetores linearmente i pendentes de uma matrz. Essas novas matrizes de posto um, sio produtos de vetons chamados “scores”, thy & “loadings”, pa. Estes “scores” € “loadings” podem ser'caleulados por um ajuste de minimos, ‘quadrados. A operagao é equivalente ao célculo de autovetores © autovalores de uma mattiz pela Decomposigfo em Valores Singulares (SVD, “Singular Value Decomposition”). A equa ‘a pode ser representada na forma vetor Xe pitt prt mt typ ® na forma mateicial, x=TP o ou graficamente como na Figura 1. Figura 1. Representacdo gréfica da somatéria dos produtos dos vetores “seores e” loadings Para exemplificar ty e p'xy a Figura 2 ilustra no plano bidimensional duas varidveis x, € x2. A Figura 2A mostra uma ‘componente principal (CP), a reta que aponta na diregio de maior variabilidade das amostras (pontos | a 6) da Figura 2B. ‘Os “scores” ty io as projegbes das amostras na diregio da CP (Fig. 2B) e 0s “loadings” py so 0s cossenos dos angulos for- rmados entre a CP e cada variével (Fig. 2A). Pigura 2. Representugdo de uma Componente Principal (CP) no cat de duas varivels (A) as “Toudings” ao o& dngulos do yetor dred: (8) as “scores” sdo as projegtes das umastras 1-6 na diregdo da CP. Notar que ot dadas esti centradas ma mi As novas variiveis, as CPs, sio ortogonais entre sie, por tanto, no correlacionadas. Normalmente, as pimeiras CPs cexplicam a maior parte da variincia total Contida nos dados e podem ser usadas para representé-os, ‘A Anélise de Fatores € adotada em boa parte da literatura como sinénimo de PCA. Porém alguns autores" definem es- ses termos come métodos diferentes, com base no modo como (95 fatores (ou CPs) sio definidas. Na PCA os fatores devem explicar 0 méximo da variincia contida em todas as varisveis, fobservadas, enquanto que na andlise de fatores, eles deve cexplicar 0 miximo da intercorrelagao entre as variveis. Neste antigo, de acordo com a maioria da literatura, ambos os ter- mos, fatores e CPs, serio tratados como equivalentes Aplicagies de Métodos Exploratérios em Anilise de Solos A PCA 6 um método exploratério porque ajuda na elabora- {80 de hipdteses gerais a partir dos dados coletados, contra fando com estudos dicecionados nos quais hipéteses prévias fo testadas. Ela € capaz de separar a informagio importante da redundante Para a andlise exploratéria é de fundamental importincia ‘entender que os "scores” fornecem a composigio das CPs em relagao aos objetos (amostras) enquanto 0s “loadings” forne~ ‘cem essa mesma composigio em relagio as varidveis. Como as CPs sio ortogonais, & possivel examinar as relagdes entre ‘0s objetos através dos grificos dos “scores” projetados nas Primeiras CPs, e entre as variéveis através dos gréficos dos "loadings". Esses grificos apresentam informagBes steis so- bre tendéncias subjacentes e caracteristicas da estrutura dos ddados, tais como, agrupamentos de objetos ou varidveis e ca- racterizago dos chamados “outliers” (amostras mal compor~ tadas, que no se eneaixam no modelo). O estudo conjunto de “scores” € “loadings” permite estimar a influéncia de cada varidvel em cada objeto. ‘A seguir, as aplicagies de métodos exploratérios serio di ddidas em dois grupos, de acordo com sua finalidade Avaliagio de propriedades do solo Nenhuma medida isolada, seja biol6gica, fica ou qutmica, poderd dar uma ampla visio da qualidade do solo. Existe, por. tanto, a necessidade de uma avaliagio integrada dos diversos aspectos dessa qualidade! ‘Como exemplo de aplicag‘io deste tipo de estratégia serio ccomparados a seguir, sistemas de manejo do solo que utiliza _mierorganismos benéficos, aqui chamados sustentiveis, com sis- {temas que fazem uso intensivo de herbicidas e fungicidas, cha- :mados convencionais®", Expera-se que a incorporagio de MO e de restos de culturas, combinada com a inoculagio de microrga- rismos benéficos em substituiglo a0 uso de agrot6xicos, propor- cione uma melhora nos parimetros quimicos, bioldgicos e bio- {quimicos,além de aumentar a estabilidade do solo em compara ‘slo com priticas de manejo convencionais. ‘0 primeiro estado fol realizado em tés dreas no municipio de Suzano (regio leste da Grande $30 Paulo)”, Na primeira 4rea foram separadas quatro faixas, uma de agricultuea sustent- vel (F1S), uma de pastagem (F2P), uma de agricultura conven cional (F3C) e uma de mata nativa (F4M); na segunda érea fo- am separadas duas Taixas, uma de agricultura sustentavel (FSS) euma de agricultura convencional (F6C); na terceiea rea foram separadas Us Taixas, uma de agriculturasustentavel (F7S), uma de mata nativa (P8M) e uma de agricultura convencional (F9C);, Foi analisado o conjunto das nove faixas. Para cada faixa foram coletadas 10 amostras compostas de solo. Para cada amostra foram medidos 21 parimetros quimicos e biol6gicos: fésforo (P), matéria orginica (MO), pl, potissio (K), edleio (Cs rmagnésio (Mg), acidez total (H+AN) aluminio (AD, soma de bases (S), capacidade de troca catidnica (CTC), volume de sat ‘agi por bases (V), boro (B), cobre (Cu), ferro (Fe), manganés (Mn), zinco Zn), bactéias esporulantes’ (Bae), actinomicetos (Ao), microrganismos celulolitieos (Cel), teor de carbono em polissacarideos (Ps) atividade do desidrogenase (Dh). 'A PCA fol aplicada a0s valores médios das 10 amostras de ‘Quimica Nova, 2544) (2000)‘cada faixa. Poi tratada uma matriz 9x21 (9 faixas x 21 vai veis) sendo abtida umm modelo que com duas CPs explica 76% dda vanincia dos dados originals, A terceiea CP, que explica 11,39 da variincia total, foi considerada sem importancia para «8 intexpretaeio de tendéncias nos dados. E importante notar que, neste Lipo de anise as dados devem ser sempre autoes- Calados (média zero variincia um) para assegurar que todas as variéveis contribuam igualmente para o modelo, indepen- lente da eseala. Os céleulos foram feitos no “software” "MATLAB 5.2” uilizando pacote “PLS Toolbox 2.0" A Figura 4 mostra os grificos das dua primeiras CPs. agrifica de "scores" (Fig. 3A) permite a earacterizagio de ten- tdeneins entre as Taixas, A primeira CP (51.4%) & responsével pela diferenciagao entre os tipos de manejo do solo, enquanto ‘segunda CP (24,6%) separa as faixas de acordo com a rea de origem, Na CPi as faixas de agricultura sustentivel, Fl, FS © F7, apresentam valores positives, contrasiando com as faixas de mata, Fé e F8, que apresentam valores negativos; as faixas de agricultura convencional e pastagem, F2, F3, F6 e F9 apre> sentam valores intermedisrios. A CP2 possui valores positivos ppara as faixas da terceita drea (F7-F9), intermediérios para a Segunda area (F5 ¢ P6) e negatives para a primeira deea (FI- F4). A faixa de mata F4M mostta comportamento um pouco diferenciado das demais faixas da primeira rea (FI-F3), apre~ Sentanda valores menos negativos em CP2, ‘0 grifico de “loadings” (Fig. 3B) permite a earacterizagio de tendéncias entre as variiveis. Observando-se a0 longo do ixo da CPI, a variveis que mais influenciam dietamente as faixas sustentiveis (valores positives) sao P, pH, Ca, Mg, S, V, Mn, Zn, Bae e Cel; enguanto as varives que earacerizam ‘mata (valores negativos) sig MO, H+, AI”, Pe e Ps. Pode- se nolar, a0 longo do eixo da CP2, que as variiveis que mais contribuem para a diferenciago entre as dress sio MO, CTC & B (influenciam diretamente a teresira fazenda ~ valores positi- vyos na CP2); ¢ Cue Dh (influenciam a primeira dea ~ valores regativos na CP2). Através dos chamados grificos “biplots" (Fig, 3C) € possivel visualizar conjuntamente as relagbes entre as CPs, as faixas © as varidvels, Em wm segundo estudo foram escolhidas ts tazendas no io de Guaita (regido norte do Estado de S30 Paulo}: Macaiba, Lagoa do Fogio e Cuiabanos". Em cada fazenda Tram separadas cinco faixas (correspondente a um quarto da rea sob pivo central), duas de sistema sustentivel, duas de sistema convencional ¢ uma de mata nativa. Para cada fax foram coletadas 10 amostras composias do solo. Para cada amostea foram medidas ® parimetos biolégicos © bioguimi- cos: pH, Leveduras (Lev), Actinomicetos (Act), Microrganis- :mos Celuloliticos (Cel), Mierorganismos Solubiizadores (Sol), teor de carbono em Polissacarideos (Ps) em mg/g de solo, ati- Vidade de Desidrogenase (Dh) em jl de Hig de solo © Biomassa Microbiana (BiM) em ug de Clg de solo, ‘Como no estudo anterior, a PCA foi aplicada aos valores médios das 10 amostras de_ cada faixa, Para cada fazenda partiu-se de matrizes Sx8 (5 faixas x 8 variveis) obtendo- ‘se um modelo que com duas CPs explicou entre 85 © 91% dda variancia dos dados originals (Macadba: 87.37%; Lagoa ido Fogo: 85,359: Culabunos: 91,178), A Figura 4 apre- senta 0s grificos “biplots” de CPI x CP2 para as ts fazen- das; Macadba (Fig. 4A), Lagoa do Fogio (Fig. 4B) © Cuiahanos (Fig. 4€), Em todos 0s casos, 0 primeiro fator a ser modelado foi a separagio da faixa de mata (valores negativos em CP!) das de- mais Taixas (valores postivos na CPI). As faixas de mata carac- terizaram-se por uma alta biomassa mierobiana (BIM) € uma baixa composicio de celuloiticos (Cel). A CP2 foi interpretada ccomo sendo um fator de separagio entre as faixas de sistema ‘Sustentavel e convencional. Os parimetros biogulmicos, polissa> carideos (Ps), desidrogenase (Dh) e biomassa microbiana (BiM), se cortelacionam positivamente com as faixas de tratamento, ‘Quimica Nova, 204 00) ae = i 8, a | oe je oo . we B) oe | of 3 34 & é | eristam igure 3. Resultado da Andtive de Componentes Principais (PCA) ‘mosirando as duae primeirax Componentee Princpaie pars dade ‘de Saran: (A) Graficn dor "scorer": (B) Grifce dos "Toadings” (€) Gratien “Bipot” sustentivel, enquanto microrganismos eeluloliticos e solubiliza- does (Sol) coreclacionam-se negativamente. A Fazenda Macaiba presentow a melhor separagio entre faixas de sistemas sustenti ‘eis € convencionais. Em todos os casos, a CP3 (que explicava entre 6 e 11% da variincia) foi descariada como sendo uin Fator de diferenciasdo entre faixas de mesmo tratamento, A PCA per mitiu portanto, distinguir quais as variéveis ou fatores que mais influenciaram na separagio entre amostras de solos submetidas a diferentes tipos de mancjo, ‘Um exemplo importante deste tipo de aplicagio encontrado ‘a literatura é © artigo de Stenberg et al.*. Nele, ak varidveis auimicas, fisicas e biol6gicas foram medidas part 26 amostras de diferentes solos cultivados, abrangendo todo 0 teritério da Suécia. A aplicagio da PCA’ possibilitou a idemtificagie dis principais tendéncias nos dados (de acordo com as PCs) e re= Tacionou-as com tes fatores: matéia orginica, pH e atividade miceobiana. Além disso, foi possivel visualizar a separagio dis Amostras em fungio da granulometria, do tipo de cultura do solo e de sua localizagio geogritia,wir se : an i Figura 4, Resultado da Anite de Componentes Principals (PCA) ‘mastrand"Biploe” dat daus primeirar Componentes Principals part (98 dades de Guaira: (A) Fazenda Mecaiba: (B) Fazenda Lagoa do ogi e (C) Fazenda Culabanas, Muitos trabathos recentes procuraram aplicar esse tipo de cestratégin para avaliar a fertiidade do solo © compara as cond 658es de manejo. Estes estudos permitiam por exemplo, clas ar solos de avorde com a sua fertilidade, comparar nutrentes, ‘de plantas ¢ solos" e determinar os fatores que controlam a mineralizagio de nitrogénio em solos smidos", a denitiffeagio fem solos cultivados ¢ nlo cultivados" e a detesioracio de solos, ‘semisiridos pelo uso”. E mais, relacionar propriedades fisicas ‘com a formagio de tuea, visando melhorar a qualidade do solo” f constatar que a composicio da solugio Jo solo & a principal Tesponsivel pela acidificagao de solos na regio meio-oeste da ‘Suécia!”, Outea aplieagio interessante foi o estudo dos parime- {ros que conirolam a atividade de microgganismos benéficos, visando estabelecer um controle biolégico” ‘A ulilizagio de modernas téenicas analfticas instrumentais gera dados com grande potencial de informagio abrindo novos horizontes para as estratégias multivariadas. A Espectroscopia xo Infravermelho (IV) € a técnica mais usada, principalmente 1a determinagao de MO, Em andlises exploratrias, a PCA pode ser usada para a selegio de bandas espectais visando a classi Ficaglo do solo de acordo com o teor de MO®, ou na selegio de amosiras de solo que tenham grande varigbilidade de pro- priedades, partindo de uma grande populagio™, A Espectrome- via de Massas com Pirdlise (EM-P) & outra opeio Ue técnica instrumental, mais adequada ao estudo de solos com baixo teor de carbono orginico. Schulten e Hempfling” aplicaram PCA a ‘dads de EM-P visando 8 classificagio de solos sob diferentes, ‘condigdes de manejo, em Fungo ds compasigio himica, Estudo de poluentes no solo © outro grande objetivo das estratégias multivarindas exploratérias € 0 estudo da contaminagio de solos por metais pesados ¢ outros poluentes ‘As CPs (ou fatores)obtidas na PCA podem, ser usadas para caraterza fontes poluentes de metas pesados”, Una boa ivs- teagao desta aplicagio ¢ o antigo de Krieg e Binax", que estuda- ‘am este tipo de eontaminaga0 em diferentes loais da Atemanta, ‘réximos a ndistias. Neste tabaho, um modelo com duas CPs explicou 924% da variincia total. Nos griticos de “scores” as ‘dus primeiras CPs fram tagaas em fungdo da profundidade do Slo. A primeira CP fot identiticada como 8m ato de contain do antroposénica (Cu, Pb, Zn © MO), diminuindo com profun- Aidade, enquanto a segunda CP foi associada a fontes geogénicas (Na, Ke $8), aumentando com a profundidade. ‘A Andlise de Fatores do Modo Q°¥, uma variante da PCA mais indicada para descrever relagdes entte objetos, também pode ser usads na caracterizagio da distibuigio espacial de Imetais pesados em solos. Outro método de grande potencial € fo Tucker3”, uma generalizagio da PCA para dados de ordem Superior. Esse tipo de método permite teatar matrizes de tr dimensdes ov mais. As vantagens slo evidentes, pois existe a possibitidade do extudo simultineo de muitas varidveis para ‘nuitas amostras sob a. yariago de alguma outra condi (pro- fundidade, tempo, et.) Contudo, esta metodolozia parece ainda ser desconhecida por muitos dos pesquisadores de solos. O tni- 0 artigo" encontrado na literatura, descreve 0 uso do Tucker3, Sseguido de rotagio dos fatores, no estudo de 6 metais cont nantes em solos de locais, so 6 tipos diferentes de cultura Finalizando esta segfo menciona-se ainda que, a PCA, além de ser usada no estudo direto dos contaminantes no solo, pode ser tl na escolha das melhores eondighes para métoios de determinagao destes mesmos contansinantes. Kokot et al." come Pararam qual o methor dentre 18 exteatore, para a digestio em forno de microondas, de $ metais determinados por Analise de Absorgio. AtSmiica (AAS). Pyle etal estudaram qual a’ me~ Thor denice 4 iéenicas nnaifties instrumentais para a determi nagio de chumbo e eédmio em 50 amostras de soo, "Além de metais pesados, foram encontradas na lterstora aplieagbes de metodos quimiomsticos no estudo de compostos aromiticos™, pesticidas" e radionuelideos”” em soles METODOS DE CALIBRACAO MULTIVARIADA. Regressio Linear Méltipla (RLM), PCR e PLS#*™** A Calibrago Multivariada tem como prinefpio basico a ut Jizagao simultinea de muitas varidveis x1X2y-%q (come valores {de absorbiincia a virios comprimentos de onda), para quantiiear alguma outra varidvel de interesse y (como concentragio) ‘© métoda mais simples de ealibragso multivariada & a Re- gress Linear Multipla (RLM). Na RLM 2 varifvel a ser pre- Vista, y, @ estimada por uma combinagio linear das varidveis independentes contidas na mattiz X, ‘auimica Nova, 2912) (2000)Y= Xb ou y = have + avs +o + Day 4 conde b & 0 velor com os coeficientes de regressio. A solugio {de minimos quadrados para encontrar b &: b = (X°X)"X’y, A RLM ¢ 0 melhor método para sistemas bem comportados (rospostas lineares, sem interferentes, sem interagSes. entre analitos, com baixo ruido © nenhuma colinearidade), A limitae ‘gio da RLM est no fato de ela usar toda a informagao contida ha matriz X, no importando se € relevante ou no, para cons- ttuie @ modelo. Com isso, quantidade signficativa de variancia (nformagio) irelevante ¢ incorporada. Outzo problema ests na ctapa de inversio da mattiz (XX). Se a matriz X contiver menos Tinhas que colunas (menos amostras que varidveis), ela poders ser investida ¢ a solugdo nio existns COPCR ("Principal Components Regression”), ou Regressio ‘em Componentes Prineipais, € um método que fornece uma Imaneira de superae os problemas deseritos. A regressd0, 20 invés de ser feta nas variiveis origina, € feta nos "scores" ‘obtidos em uma PCA (© PLS ("Partial Least Squares”), ou Minimos Quadrados Parciais, € 0 método mais usado em calibragio multvariada © difere do PCR por usar a informagio de y no céleulo das cha- ‘mada varkivelslntentes (equivalentes as CPs), As matrizes X © Y sho decompostas simultancamente em uma soma de “h” varidvels latentes, como nas equagies a seguir: XaTP! + B= 2 opi +E 6 YoUQ' + Fa Euya’y + F o onde T © U so as matrizes de "scores" das matrizes X ¢ Y, respectivamente; P ¢ Q sio as matrizes de “loadings” das ratrizes Xe Y, respectivamente; ¢ Ee F sto os residvos. A eortelagio entre os dois blocos X © ¥ simplesmente uma felagio linear obtida pelo coeticiente de regressio Tinear, tal como descrito abaixe: oy = Dabs o para “h” variveis latentes, sendo que os valores de by so Aagrupados na matriz diagonal B, que contém os coeficientes de regressio ontre a matriz de “scores” U de Ye a matriz de ‘scores T de X. A melhor relagio linear possivel entee os ‘seores” desses dois blocos ¢ obtida através de pequenas rota ses das variiveis fatentes dos blocos de X e Y. ‘A mattiz ¥ pode ser ealeulada de uy, Y= TQ 4 F ® 8 concentragio de novas amostras prevista a partir dos novos, scores ", T*, substitufdes na equagao (8) Y BQ’ o [Nese processo é necessério achar @ melhor nlmero de va- sidveis latentes, 0 que normalmente & feito por um procedi- mento chamado validagio cruzada (Yeross validation"), no qual © ert0 mfnimo de previsio & determinado. Existe ainda a dite renciagio entre PLSI, em que a regressio & feita para uma vvaridvel dependente de cada vez (a mateiz ¥ é um vetor colu- na), € PLS2, onde todas sio caleuladas simultaneamente APLICAGORS DE RLM E PLS EM ANALISE DE SOLOS: Determinasao de matéria orginica e outras propriedades do solo por Infravermelho 0 uso da Espectroscopia de Refletancia Ditusa no Infea- vermelho com Transformada de Fourier, DRIFT (*Difuse Re- flectance Fourier Transformed Infrared”), combinada com ‘QuiwicA NOVA 24 (2000) imétodos de calibragio multivariada para prever MO e outras Yaridveis do solo, merece grande destaque. O objetivo, subs- tituir as téenicas tradicionais de anilise viaaimida®, mais caras ¢ tabalhosas. A determinagio de MO, por exemplo, & feita por oxidagio com Cr(VI), baseada no Método de Walkey & Black”, Este método consome muito tempo, utiliza reagentestGxicose prodiz residuos que podem agredie 0 meio ambiente. A DRIFT é um método nio destrutivo (a amostea indo € consumida) mais simples, “limpo” e barato. Os espee= {tos sé ealibrados contra as determinagbes feitas por méto- dos teadicionais Sudduth ¢ Hummel forneceram um histérico das tentac tivas feitas para correlacionar propriedades espectrais de solos com MO. Os primeiros estudos datam do. final dos anos GOicomego dos 70, 0 artigo de Condit! (1970) & cita- ‘do como a primeita aplicagio de quimiomertia (PCA) a es- Pecitos de refletincia Enretanto, 2 falta de um conhecimento mais amplo dos méiodos quimiométtiens tem limitado 28 aplicagées da DRIFT. ‘Ainda recentement, vitios autores! tm procurado caracte- rizar MO, substincias himieas e outras propriedades Jo solo, de forma apenas qualitativa, a paride simples coprelagbes ou Droporgdes ent picos especies. Niemeyer eal afirmaram ‘fo ser possivel quaniifiear MO a partir de simples intensidade de pcos. Em 1983, Wetzel” deserevia 0 potencial da DRIFT para ris tipos de anlise © a classiicava como uma “adormecida entre as Iéenicas espectrais". Ele sogeria 0 uso de calibragao rultivariada através de RLM, com selegio de variéveis ase- ada. nas informagies espectiais dispontveis para 0 analito. “Apesar de tepresentarem Um avango, as tenativas de aplicasa0 dda RLM também se mosiraram limitadas. Dalal © Henry"? de- terminaram umidade, MO © aitrogénio total no TV proximo a ti de uma selegio de apenas tes varisveis. © procedimnenta E trabalhoso porque varias combinagies de varies sfo testa das para se escolher © melhor modelo. Algm da limitagio do nimero de varidveis, a RLM, quando utlizada para andbise spectral, tende a incorporar quantidade signiticatva de infor= ‘macio desnecesséria (devido a alta eorelagio entee as varie ‘eis levando & modelos pouco rabustos. © artigo de Ben-Dor e Banin* & um bom exemplo dessa limitagae-na andlise. Bles procuraram prever 6 propeicdades (MO, argila, ete.) de solos semi-irdos de Israel, no TV pre imo. Para isto foi usada uma compressio espectral que re- duzia as mais de 3000 bandas medidas a conjuntos que va- riavam entre 25 ¢ 300 novas bandas (0 espectro cra divide «4s novas bandas ealculadas como simples médias). Foram testados varios tamanhos de tesolugio. do especteo © para cada propriedade © melhor modelo foi selecionado. O coeti- ciente de correlagio (F) para o conjunto de amostras previs- {as versus 6 seu valor ealeulado pelo método de referencia variow entre 0,71 € 0,83. Além da previsto, foi realizada tuma anise qualitativa com base nas atribuigbes espectras. 05 ‘solos foram classiicades em It grupos cas equagdes para cada modefo de RLM foram interpretadas, Os autores deste artigo claramente desconheeiam 0 potenciat de téeni- «as como PCA (para interpretagao de tendéncias nos dados) © PLS (para previsio). ‘X utlizagio do PLS juntamente com a DRIFT, no IV proximo ou médio, representa 0 dltimo avango na prev so de propriedades do solo. Sudduth e Hummel" consiru- 1m modelos com RLM, PCR e PLS, para prever MO no IV proximo, e conelufram que 0 PLS fornecia as melhores re- sultados. Baseados nisto, eles propuseram a construgio™ ea uiizago" de un espetrofotometro port para medidas Masserschmidt er al obtiveram étimos resultados para a previsio de MO no TV médio. Este artigo chama a atengio para a importincia da escotha da regio espectral correta, afim de eliminar interferéncias espectrais dedsticas, © para 0 préctratamento dos dados. Os melhores resultados foram ob- fidos com alisamento seguido de derivagto (primeira deri- vada) e normalizagio dos dados (erro de previsdo de 0,63 f= 0,98 }, Fidéncio et al.™ usaram estratégia semelhante para a previsio de MO (na faixa entre 0.49 € 3.77%) no 1V Préximo, em amostras de solos fornecidas pelo Instituto ‘Agrondmico de Campinas (IAC). Neste trabalho foi feito nto dos dados vtilizando filtro digital ¢ deri- vada de segunda ordem, e entio, construfdo um modelo PLS, (creo de previsio de 0, 21 ¢ ¢ = 0,94). Este modelo & mos- trado na Figura $ (MO determinada pelo método via émida versus MO prevista utilizando espectras no IV proximo © calibragio multivariada). 7 é “ on g Ray . vos ae asa %MO real Figur 5. Caraga Mativaviads Prcenagem de Matis Ongticn {MO} media pelo méindy de referencia (MO real) versus porcentagem. de MO previsa por PLS. Amostras de solos fornectiax peta TAC, Janik et al também obtiveram bons resultados para a previsio de elementos no IV medio, em amostras de solo da Austrilia, Os elementos foram determinados por Fluoreseén- ia_de Raios-X. Os autores demonstraram as vantagens da DRIFT sobre a Fluoreseéncia de Raios-X, a qual requer uma ‘etapa complexa de preparagio das amostras, apesar de ser tuma técnica ripida e permitir determinar virios elementos simultaneamente. Os resultados forain considerados bons para a previsio de silfeio (¢=0,99), aluminio (r=0,96) e ferro ‘inio (r=0,88), magnésio (€=0,89)'c ealeio (r=0,85), Em um segundo artigo, os mesmos autores" tentaram pre ver outeas propriedades de solos medidas em laboratério. Os resultados foram considerados, levando-se em conta 0 erro ide previsio © 0 coeficiente de correlagio, ruins para soma Ue cations e contedido de argila, razosiveis para MO, nitrox: io © pH, © bons para carponaio. O uso de PLS localmente Tineae (os dados sho divididos em faixas de composigao e para cada uma € construido um modelo) melhorou as previ- Bes. Através da observagio dos “loadings” das varlveis, Tatentes foi possivel extrait mais informagdes sobre © mode~ fo, estabelecendo correlagoes entre varidveis e atribuindo bandas, Regiges espeetrais com maior informagio aparece- ram com valores positivos nos “loadings” das primeiras varigveis latentes (CPs), enquanto interferentes apareceram com valores negatives. Varidvels biolégicas, geralmente medidas com uma impre- cisio bem maior do que varidveis quimicas, também podem Scr preyistas a partir do IV proximo. Para iso, Himltinen © Albano propuseram uma complexa estratégia multivariada en- volvendo PCA e Determinagio de pesticidas em solos Vétios rabathos (todos de autores espanhis)propuseram a determinagio por caliragao multivariada de misturas de pest sias seus produtos de transtormagao no solo. Neles, 0 PLS foi usido em dados de Fhireacéncia de Excitagao™, Especto- fotometra no UViVisivel Cromatogratia Liguida de Alta Eficiéncia (CLAE)” e CLAE com detese0 no UV por seeanjo de diodos (CLAE-UV)". 0 objetivo fo, sempre, deteinar Simultaneamenteespécies que apresentavamn picos Sobrepostos, ‘Avgrande vantagem desta metodologi, no caso da especteos- copia, € nfo necesitar da aplicaeio prévia de méiodos de se patagio. Comparaivamente, a selogao das melhores condigdes ‘e andlise (fase estacionsria, fase mvel, vazI0) em CLAE & tm procedimento trabalhoso e que consome muito tempo. "Todas as aplicagoes foram teérieas. O modelo, depois de ‘eons, fo testo em mistrassimticase, em amostas de Sgua ede solo, “contaminados” com quantidades conhecidos dos espévies a serem determinadas. No final, porcentagem de rece evapo foi ealeulada. Nao foram determinadas amostas reals (Os estudos comparativos entre PLSI, PLS2 ¢ PCR estio esertos nos véros artigos e, de um modo geal, 0 PLS1 foi superior. Na matoria dos casos, os estitados foram melhor dos com o uso de alisamento © derivadas no pré-tratamento tos dads. O uso de deivades pode eeduie problemas de linha base e diminvir (mas nao eliminar) 0 efeito de inerferentes™= A poreentagem de recuperago para eada especie variu entre f5'0 113%, na grande maiorin das amostras de solo. Em algins artigos" 9 otencial_de ums tnien como a CLAB-UV, que gers simultanearente dados em a denses (upericies), nao foi completamente explorad. Foram propostos tiferentes modelos que nao evaram em conta to a sinergia dos dads (ex: a0 ives de anaisar conjuntamente os expectas 08 exomatogramas gerade, foram comparados modelos eonstrudos Somente com dads eromatogeticas em diferentes competes de onda. Técnicas hifenalas, como CLA-UV ou Flurescé cin de EmissSoFscitag30, germ dios mas adequos a ta rmenio por métdos de ordem superior, Estes métodos considera todas as eortelagdes ene os dados, nas diferentes menses Enure ele estfo @ GRAM (Generalized Rank. Annifitation Method")®, 0 PARAFAC* ¢ 0 N-Way PLS. O PARAFAC & um modo de decomposigio para dados de ordem superior (mit “Smensionsis) que ple ser considerado uma versio mas rests do Tucker) (ver seja0 IL), fernecendosolugso Unis indepen dente de roogio) sta tia caracteristea 0 toma muito at os. O N-Way Outras aplicagdes de RLM e PLS Esta segio apresenta aplicagSes de RLM e PLS, que poss {em um cariter mais qualitative do que quantitativo. Em nenio- ma delas buscou-se constrir um modelo de previsio de rotina © objetivo maior foi sempre estudae a influéncia de algumas ‘variveisindependentes (x) em alguma varivel dependente () Em virios casos, a PCA poderia see sugerida como um método mais adequado para esse tipo de stu. ‘A RLM foi usada para prever a correlagso de parsimeros do solo com a concentracio de selénio em alfata" © com a asorgio de efdmio no solo"; © também a eorrelagio dos fa- {ores que eontrolam a extragio de tiazinas Jo solo por ude super-eritico™. em um experimento planejado. Robertson” usou RLM e PLS para estudar os fatores do solo responsévets pela emissio de NzO para a atmosfera, mas no obteve bons fesultados. Em uma das mais interessantes aplieagies de RLM", foi estabelecida a influéncia das diversas fagies de emxofe extraidas do solo sobre a concentragio de enxalze em plantas. Isso permit determinar em quais fragies © enxofte estaria mais dsponivel para ser absorvido pela planta ‘auitice nova, 2514) (2000)Palmborg eta” usaram o PLS em uma anilise explora6ria para estudat a corrlagio entre varidves,tais como metais pesa- {dos nutrientes e parimetros de qualidade da MO, com a taxa de respragd0 do solo (um parmetro da atividade microbiana). AS ‘veridveis latentes obtidas (a0 contririo das CPs da PCA) foram influenciadas diretamente pela varvel de maior inteesse (taxa de respiracio do solo) ANALISE EVOLUCIONARIA DE FATORES E SIMPLISMA Anilise Evoluctonsria de Fatores (EFA) Simplisma A Anilise Evolucionfria de Fatores (EFA, “Evolving Factor Analysis"? ¢ um método que acompanka a evolugio do pos to de uma mairiz de dados X, em fungio de alguma variagio (ex: tempo), O posto define o ndmeto' de vetores linearmente independentes da matrz ¢, portanto © nimero de componentes do sistema (CPs). O acompanhamento & feito examinando as, submatrizes X,, de X, formadas pelos primeiros i resultados (ex especiros ou cromatogramas). A medida que uma nova espécie surge, 0 posto de X aumenta de uma unidade, podendo ser acom- ppanhado graficamente. Uma varredura no sentido inverso permis fe 0 conhecimento do ponto em que cada espécie desaparece. A Figura 6 ilusira o acompanhamento do posto em uma cluicio, cromatogréfica com picos sobrepostes. 4007 Figura 6. Evolugdo do posto ("rank") de uma matric de dadox Cnletadas em um pracessi de elugio cromatogrdfca ABFA secundéria* é um método iterative que, partindo de uma matei2 diseriminante, permite decompor uma matriz de dados de misturas em, por exemplo, espectros puros © perfis de concentracio. 0 SIMPLISMA (’SIMPLe-to-use Interactive Self-modelling Mixture Analysis")”® € um procedimento para @ decomposisa0 dda matriz bascado na determinacio de variveis puras (ele no utiliza CPs). Uma varidvel pura é, por exemplo, um compri ‘mento de onda em que o valor de intensidade depende apenas dde um dos componentes da mistura. O método usa diagramas ide varidncia © eritérios de dissimilaridade para encontrar as varidveis putas, Em seguida elas sio extraidas uma 2 uma da ratriz original, até que esta contenha s6 rufdo Aplicasio de EFA e SIMPLISMA em Anilise de Solos Uma série de artigos"? de um mesmo grupo de pesquisa (portugués) ver utilizando BFA e SIMPLISMA no estudo das, interagdes que ocorrem no solo entce Seidas fulvicos (AFS) e fons metélicos ov H*, Os AFs sio a parte das substancias himicas de menor peso molecular. Eles so misturas compl. xxas de macromoléculas com diferentes constituigdes e forne- ccem espectros diffceis de serem interpretados. Existe muito ‘Quimica Nova, 238) 2000) imeresse no seu estudo porque eles atuam, por complexagio, fo transporte de nutrientes © de clementos txicos Em todos os artigos, AFs extafdos do solo foram titulados potenciometricamente com metais ou base. O objetivo foi ca rcterizar sitios de ligagao com metsis ou sitios feidos. A titulago foi acompanhada por especteos de Fluorescéncia Sin cronizada ("Synchronous Fluorescence” - SyF). A SyF permite um aumento da resolugio e da quanidade de informagao ex teaidas em relagdo & Emissfo © & Excitagio, A EFA fo! usada para saber quantos sio 0s tipos de sitios figantes e em que font cada um sid sendo complesado A EFA secundia™™ ‘0u 0 SIMPLISMA*" foram usados para obter 0s espectros| © 08 perfis de concentragfo dos componentes. Os experimentos foram feitos em pH constante ou variavel ¢ os grupos de stios ligantes foram caracterizados espectralmente ¢, as Veres classic fieados. Em alguns casos foram calculadas as constantes de estabilidade condicional dos complexes. Em um dos artigos” foi estudada a complexagio entre o fon IAI e AF (em pH=4) provenientes do solo e de plantas em ddecomposigSo. O AL) & importante por ser fitotdxico e for- ‘mar complexos estéveis com AFS, Através da EFA foram de- {ectados quatro componentes (pos de sftos ligantes) nas amos: tras de solo. Uma Analise de Clusters (HCA” peemitiu ageu- ar 0s tipos componentes dentro do canjunto das amostras. Um {componente comum a todas as amostras foi interpretado como Sendo do tipo acido salictico, Em outros atiga,além do aluminio™#* foram estudadas beriio?™™, cobre™™.*, niquel™, cobalto™ © fon uranilo (W0;*)", ‘Um artigo! interessante estudou as propriedades de [AFs provenientes de lado de esgoto, visando aplicé-lo como fertlizante. O uso dos métodos quimiométricos permitiu avai- ar uma série de aspectos fsico-qutmicos deste sistemas METODOS DE INTELIGENCIA ARTIFICIAL 0s métodos de intligénciaanifcial sto bascados no desen volvimento de sistemas eompulaconais intligenes, sto 6 que exibem caractertstieas associadas a inteligencia no. comport ‘mento hurano', Entre eles podem ser citados Redes Neurais Arifciais, Algoritmos Genéticos e Logica Difusa (LOgiea “Fuzzy” Todas as aplicagSes deste tipo, encontadas em ané- lise de solos, relerem-se a Redes Neuras Redes Neurais Artificiais‘®” [As Redes Neurais Artificiais vém despertando um interesse erescente em muitas éreas da qufmica. Elas podem ser apliea- das como um método de calibragio multivariada, eficiente na rmodelagem de sistemas analiticos complexos, ou como um sétodo de classificagto, (© objetivo da rede neural estabelecer uma relago, Tinear ‘ou nfo, entre um conjunto de dados de entrada e uma correspon: dente saida ou resposta. Para isto sfo utilizades transformagoes, ‘matematicas na entrada, de modo a produzie a safda desejada. A rede tealiza este trabalho “aprendendo” como o sistema em es tudo se comporta, e entio, aplica este conhecimento a novos, ddados de entrada para predizer a safda apropriada, 0 seu comportamento € baseado no funcionamento do of rebro humano, no qual o sistema nervoso detecta estimulos (nformagées de entrada) e os envia para 0 eérebro, através, dos neurdnios. Nos neurdnios, a informagio (recebida atra- vvés dos dendritos) € processada e uma resposta € fornecida através dos axénios. Em um neurénio artificial, as interco rnexdes de entrada (interconexdes peso) correspondem aos dendrites; os céleulos efetuados cortespondem a0 que ocor re no corpo celular de um neurénio bioldgico: e as interco: nnextes de safda correspondem aos axdnios, Os dados de entrada, x, so multiplicados pelos respectivos pesos, w. fornecendo a fungao somatéria Net; = E x wy. A saida doneurénio € obtida a partir de uma fungdo de transferéncia (linear, sigmoidal, etc., dependendo do comportamento dos, dados) aplicada sobre Nets, A Figura 7 representa os com- ponentes de um neurdnio artificial. dados de entrada(x) (dendritos) peso(w) \ (corpo celular) dados de saida (axdnio) Figura 7. Representagao dos componentes de um neurdnio artical: fentrades © inercomeases peso (dendrites), neleo com fang de rans Jeréncia (corpo cellar) e sada (axinio) A sequéncia de entradas e saidas repete-se tantas vezes dquantas forem as camadas de neurdnios de uma rede. O con- junto de neurénios forma a Rede Neural com uma camada de ‘entrada, uma ou mais camadas internas ou escondidas, ¢ uma ‘camada de saida, O mero de neurénios assim como 0 de camadas, é determinado por tentativa © erro, de forma a mminimizar os erros na safda da rede. © treinamento da Rede Neural pode ser dividido em duas fases: uma de aprendizagem e outra de validagio. Na primeira fase, um conjunto conhecido de dados de entrada X © safda Y, E apresentado 2 rede. Em seyuida os pesos (estabelecidos alea: {oriamente no inicio) entre 0s neurdnios sho ajustados até a en- trada produzic a safda desejada. Este ajuste € realizado através, ‘de métodos de otimizagio dos pesos em fungdo dos erros, dos quai 0 mais utilizado & a Retropropagagio dos Exros. Aplicagdes de Redes Neurais Artificiais em Analise de Solos As Redes Neurais t8m sido utilizadas em andlise de solos, tanto como método de previsio, quanto como método de clas: sificagio. © método de corresio dos pesos mais empregado ‘vem sendo a Retropropagago dos Erros, em que 0s erros so corrigidos a partir da Wima até a primeira camada, ‘Chao er al” construfram um modelo nfo linear para prever © coeficiente de absorgo de poluentes orginitos no solo, usa ddo Redes Neurais. Esses coeficientes normalmente sio calcula dos por uma relagHo linear logaritmica com algum parimetro {do composto orginico, Um conjunto de 119 compostos foi uusado para “treinar” a rede, enguanto outros 14 compostos, foram usados na previsio. Valores de coeficientes tabelados foram usados no treinamento, A fede apresentow uma arquite= tura 3-2-1, com trés neurdnios na camada de entrada, dois na camada intermediéria e um na camada de saida, Os logartmos ‘dos parmetros solubilidade em gua ¢ coeficiente de particio jctanol/égua, além do “bias” (0 “bias” é uma constante adici- fonada & fungio de transferéncia de cada camada, deslocando- 8 para um melhor ajuste dos pesos) foram usados como entea- das. O neurdnio de saida fornecen © log do coeficiente de ab- orgie. A performance da modelo no linear fornecido pela Rede Neural foi comparada com modelos lineaes (regressdes, contra cada pardmetro ¢ contra 0s dois conjuntamente). A Rede Neural forneceu os melhores resultados: menor soma de res ‘duos e menor desvio na previsio das amostras. ‘As Redes Neuras foram usadas também em aplicagSes mais préximas as éreas de agronomia e engenharia, Foram constr fos modelos de simulagao da concentragio de pesticidas em solos”, ¢ modelos de aclimatagao microbjana em solos conta- rminados com hidrocarbonetos de petréleo”. Nessas aplicagées, as redes empregam um nimero bem maior de neutOnios € ca madas intemas do que nas aplicagdes usuais em quitica, Pare ullizar as redes como mélodo de clasificagdo, os nourfnios de sida so teinados para forecerrespostas bindias quando pertence a clase, e O quando nio pertence) Baseado nist, Levine et al classtiearam uma grande quantdade de solos em tr8s categorias, de acordo com sua granulometia Contesidos de silt, argila €carbono orginico foram usados como entradas. Em outta aplicagio", microrganismos do solo foram coetamente clasificados a partir de seus espectros de massas Song et al” propuseram um novo tipo de arquitetura para Redes Neurais baseads em outros métodos de ineligéncia ari- ficial, a“Teoria da Ressonincia Adaptada’”¢ a Légiea Difusa © objetivo € eriar umm método que sei ao mesmo tempo robus- toe flexivel. Este método foi usado com sucesso na classifi (0 de amostras de écidos graxos extraidas do solo. AS amos- tras foram classficadas de acordo com a cuturs de seu solo de forigem. A nova rede foi comparada com a tradicional Rede Neural com Retropropagagio de Eros, se mostrando superior por fomecer previsées methores e apresentar um processo de lteinamento mais ripido [Em alguns destes trabalhos, as Redes Neurais foram super ores & métodos de previsio e classficagio mais comuns, de vendo ser destacada sua importincia na modelagem de siste- ‘mas nfo lineares. Redes que uilzam um niimero excessivo de neurBnios podem tomar-se muito rigidas, memorizando apenas 2 informagio para a qual foram teinadas. Mas como em qual- 4uer aplicasso, nao existe um método ideal, sendo sempre tecessério examinar as condigdes para se escolher 0 melhor De qualquer mancies, & possivel afirmar que 2 wilizagio. de Redes Nevrais, tanto'na andise de solos quanto na quimica, possui um amplo horizonte pela frente Encerrando esta seglo, destacaae a possibitidade de aplica ‘980 de Algoritmos Genéticos em andlise de solos. Este método Poderia ser usado, por exemplo, na selegio de variveis de Alas expectosespicos em ealibragio mutivariads?™™ CONCLUSAO Este trabalho apresenton uma visio ampla e critica da aplica- {¢80 de métodos quimiométricos em anilise de solos. Os tipos de Aplicagio foram divididos em quatro partes, de acordo com os, métodos empregados. No entanto as aplicagdes contdas nas duas, primeiras partes podem ser consideradas as de maior importin- ‘ia: a avaliagzo integrada de pardmetros quimicos, fsicos, bio- Togicos e biogufmicos buscando a determinacto de tendéncias e ‘ reconhecimento de padrdes; ¢ a previsio de matéria orginica € outras propriedades do solo a partir de métodos de calibragio rmultivariada e téenicas instrumentas analitics. Foi sugerida, a partir do cendtio atual, a uilizagio de novas técnicas como os Métodos de Ordem Superior ¢ 08 Algoritmos Genéticos, que poderdo ampliar ainda mais este campo de pes uisa, Por fim, € preciso destacar a necessidade de uma maior interdisciplinaridade na abordagem dos problemas do solo, Pes 4uisadores ¢ profissionas das areas, tais como agronomi, bio logia, geologia, quimica, matemitica, estatstica e informatica, deve manter um intercémbio permanente para que seja sempre possivel uma visdo global e atalizada dos problemas e de suas solugies. A Quimiometria teré um papel de destaque na extra- ‘980 € na interpretagio das informagbes REFERENCIAS 1. Bruns, R. E Faigle, J. F, G.; Quim, Nova 1985, 4, 84 2, Torstensson, Ls Pel, M; Stenberg, B.; Ambio 1998, 27, 4 3.Piceolo, A. (Ed); Humic Substances in Terrestrial Ecosystems: Elsevier Science B. V.; Amsterdam, 1996. ‘QuiMica Nova, 204 (2000)Martens, H.: Naes, T Multivariate Calibration; John Wiley & Sons; New York, 1989; p 97-108, Geladi, P; Kowalski, B. R. Anal. Chim. Acta 1986, 185, 1 Zampronio, C. G.s Dissertagao de Mestrado, UNICAMP, Campinas, 1998; p 30-40, Joreskog, KG; Klovan, J. Ex Reyment, Ro As Geological Factor Analysis; Elsevier, Amsterdam, 1976; p59, 86-115) Forina, M. Armanino, C.; Lanteri, S.z Leardi, Ris J Chemom. 1988, 3, 115, Sena, M. M; Poppi, R. J; Frigheto, R. T. S.;Valarim,P, T; Livro de Resumos, AB-073, 22" R. A. da SBQ, Pogos ide Caldas, 1999. Sena, M. Ms Poppi, R. J; Frighetto, R. T.S.; Valarini, P. J; 38 Congresso Brasieiro de Quimica, S80 Luts, 1998; p 107-108, Wise, B. M. Gallagher, N. B; PLS Toolbor 2.0: Eigenvecior Research Inc., Manson, 1998; p16-24, Stenberg, B.; Pell, M; Torstensson, L.; Ambio 1998, 27, 9, Nolin, M. C Wang, C.; Caillier, M.J.; Can. J. Soil Sei 1989, 69, 535, Németh, T.; Borszéki, J Spectrosc. 1993, 38, 121 Gonzéler-Prieto, S.J Villar, M. C.; Carballas, M. Carballas, T:; Plant Soil 1992, 144, 31 Horwath, W. R.: Eliot, L. Fz Steines, i. J: Davis, J. H.: Geitfith, 8. M5 J. Environ. Qual. 1998, 27, 225 5 Gegus, EB Can. J. Appl Quiroga, A. R's Buschiazzo, D. E.; Peinemann, Ns; Soil Sei, 1998, 163, 591 McCoy, E. Li; Agron. J. 1998, 90, 411 Lundstrom, U. 8.; Nyberg, L.; Danielsson, R.; van Hees, P.A. Wu Andersson, Mz Ambio 1998, 27, $51 Dufly, B. K.; Ownley, B. H.; Weller, D. M: Phytopathology 1997, 87, 1118, Henderson, T. Li: Szilagyi, A; Baumgardner, M. F.: Chen, C. Tt; Landgrebe, D. A. Soil Sci. Soc Am. J 1989, 53, 1778. Stenberg, B.; Nondkvist, E-; Salomonsson, L.; Soil Sci 1995, 7159, 108. Schultea, H. Fz Hempfling, R.; Plant Soil 1992, 142,259, Krieg, Ma Einax, J; Fresenius J. Anal. Chem. 1994, 348, 490, Davies, B. E.; War. Air Soil Poll. 1997, 94, 85. Wang, P. X.: Qu, E. Fy Li, ZB Shuman, L. Mz J Environ. Qual. 1997, 26, 795 Carlosena, A; Andrade, J. M:; Prada, D. Talanta 1998, 753 Sena, M. M.; Dissertagdo de Mestrado, UNICAMP, Campi- nas, 1996, p 17-32. Juang, K.W.s Lee, D. YJ. Environ. Qua, 1998, 27,355. Kronenberg, P. Mz Three Mode Principal Component Analysis: Theory and Applications; DSWO, Leiden, 1983. Hension, R.: J. Chemom. 1998, 7, 477. Kokot, $. King, G.; Keller, H. Le; Massart, D. Las Chin, Acia 1992, 259, 267, Pyle, S. M.: Nocerino, J. M.; Deming, 8. N. Palasota, I. AAs Palasot,J. Mu Miller, EL Hillman, D. C3 Kuharie, CAs Cole, W. Hs Fitzpatrick, P. Mu Watson, M. A; Nichols, K.'D.j Environ. Sci, Technol. 1996, 30, 204, Vogt, N. B.; Brakstad, P.; Thrane, K.; Nordenson, S.; Keane, J; Aamot, E. Kolset, K.; Esbensen, K.; Steinnes, : Environ. Sei. Technol. 1987, 21, 35, Steinheimer, T. R.; Pfeifer, R. L3 Scoggin, K. D. Anal Chem. 1994, 66, 635 Almendros, G.s Eur. J. Soil Sci; 1998, 46, 287. Elejalde, C.; Herranz, M.; Romero, F; Legarda, Fi; War Air Soil Poll, 1996, 89, 23 Beebe, KR; Kowalski, B. Ry Anal. Chem; 1987, 59, 1007, Anal, ‘Quimica Nova, 2914) (2000) 28. 40. 41 2 48 44 45 46, “0 48 4%, 50, st 39, 60, 61 a 64, 65 66, 6, 68, 69, 10, 1 n Ee 14, Wetzel, D. Li; Anal. Chem. 1983, 55, 165A. ‘Tomé Jr. J. B.; Manual para a Interpretagdo de And- lise de Solo; Liv. e Ed. Agropecustia; Guafba, 1997: p 59-87 Sudduth, K. A: Hummel, J. W.: Trans. ASAE 1991, 34, 1900, Condit, H. Rs Photogrammetric Eng. 1970, 36, 955. Ci- tado em: (39). Arocena, J. Mu; Pawluk, 8.; Dudas, M. J: Gaidostik, A.; Can. J. Soil Sci, 1998, 75, 327 Wander, M. Mu: Traina, S. J; Soil Sci, Soe, Am. J. 1996, 60, 1087, Kaiser, K: Guggenberger, G.; Haumaier, Ls Zech, W.: Eur. J. Soil Sci, 1997, 48, 301 Niemeyer, J; Chen, Y.; Bollag, J. M.; Soil Sci Soe. Am J. 1992, 56, 135 Dalal, R, C,; Henry, RJ; 50, 120. Ben-Dor, E; Banin, A; Sol Sei. Soe. Am. J. 1998, 59, 364 Couillard, Aj Turgeon, A. J; Shenk, J.'S.; Westeshaus, M. O. Crop Sei. 1997, 37, 1554 Soil Sei. Soe. Am. J. 1986, Sudduth, K. As Hummel, J. W.; Trans, ASAE 1993, 36, 185. Sudduth, K. As Hummel, J. W.: Trans, ASAE 1993, 36, 1571 Masserschimidt, L; Cuclbas, C.J. Poppi, R. 1; Andrade, J.C; Abreu, CA. Davanzo, C. Us J. Chemom, 1999, 13, 268. Fidéncio, P. H.; Poppi, RJ; Cantarella, H.; Andrade, 1 Cu Uso de Espectroscopia NIR e Calibrago Multivariada para a Determinagao de Matéria Organica em Solos; 18 Escola de Verio em Quimiometria na PUC-Rio, Rio de Janeito, 1999: p 8 Janik, L. J; Skjemstand, J. 04; Raven, M.D. Aust. J Soil Res. 1998, 33, 621 Janik, L. J Skjemstand, J. 0. Aust. J. Soil Res, 1995, 33, 637. Himiliinen, M; Albano, C.; J. Chemom, 1992, 6, 41 el Olmo, M.; Diez, C.; Molina, A.; de Orbe, Ls Vilchez, J. La Anal, Chim. Acta 1996, 335, 23. Galera, M. M.; Vidal, J. L. Mc: Frenich, A. G.; Parla, Bes Analyst 1994, 179, 1189. Galera, M. M.; Vidal, J. L. Me: Fronich, A. G; Garcia, M.D. Ga J. Chromatogr. A 1996, 727, 39. Galera, M. M.; Vidal. J. L. Me Frenich, A. G; Garcia, M.D. G: J. Chromatogr. A 1997, 778, 139. Garcia, M. D. G.; Frenieh, A. G.; Vidal, J. L. M.: Galera, M. Ma de la Pefia A. M.; Salinas, F.; Anal. Chim. Acta 1997, 348, 177 Vidal, J. L. M.; Garcia, M. D. G.; Galera, M. M.; Frenich, A. G. Anal. Let, 1997, 30, 2408. Sinchez, E.; Kowalski, B. R.: Anal, Chem. 1986, 58, 496. Bro, Rs Chemom. Incll. Lab. Syst, 1997, 38, 149, Bro, R J. Chemom.: 1996, 10, 47 Severson, R. C.: Gough, L. P.: J. Environ, Qual, 1992, 21, 353. Bolton, K, A.; Evans, L. 1; Can. J. Soil Sci, 1996, 76, 183 van der Velde, E. G.; Ramlal, M, R.; van Beuzekom, A. Cu Hoogerbrugge, Rs J. Chromatogr. A 1994, 693, 125, Robertson, K.; J. Environ, Qual. 1994, 23, 805, Robertson, K.; Klemedtsson, L-; Plant Soil 1996, 178, 49 Shen, X. Q: Chen, B.; Zhang, T. Hy Li, F. Ls Wen, B Qian, J; Sci. Toral Environ. 1997, 199,'239. Palmborg, C.; Bringmark, L: Bringmark, E.; Nordgren, ‘A Ambio 1998, 27, 53 Maeder, M. Zilian, A.; Chemom. Intell, Lab. Syst. 1988, 3, 208. Silva, ©. S. P. C. 0. da Silva, J. C. G. Ey Machado, A, A. S.C; Appl. Spectrose. 1994, 48, 363,75, 16, n. 78, 7. 80, aL 82, 83, 2, 85, 86, Windig, W.; Heckler, C. B.; Agblevor, F. A.; Evans, R. Jz Chemom. Intell. Lab. Syst. 1992, 14, 195. a Silva, J. C. G, B.; Ferreira, M. Ax Machado, A. A. S. Cu Rey, Fs Anal. Chim, Acta 1996, 333, 71 da Silva, J.C. G. B Machado, A. A. S.C; Ramos, M. As “Arce, F.; Rey, Fj Environ. Sci. Technol. 1996, 30, 3155. a Silva, J, C. G, Es Machado, A. A. S. C5 Silva, CS, P.C. 04; Anal. Chim, Acta 1996, 318, 365. 4a Silva, J.C. GB; Machado, A. A. S.C Analyst 1997, 122, 1298. Machado, A. A. S. Cs da Silva, J. CG, EB; Chemom Intell. Lab. Syst. 1993, 19, 155, da Silva, J.C. G. E Machado, A. A. S.C Chemom. ‘Intell. Lab. Syst, 1998, 27, 115. Machado, A. A. 8, C3 da Silva, J.C. G. B.; Garcia, T. M .; Appl. Spectrose. 1998, 49, 1500. da Silva, J.C. G. E.; Machado, A. A. S.C Silva, M.A. B.A Wat, Res. 1998, 32, 441 da Silva, J. C, G. E,; Machado, A. A. $. Cs Ramos, M. A ‘Arce, F.; Rey, Fs Environ, Toxicol. Chem. 1997, 16, 1843 da Silva, J.C! GB Machado, A. A. 8. Cy Talanea 1994, 41, 2085. a Silva, 1. C. G, Bs Machado, A. A. S. C Oliveira, C. J. 8. Analyst 1996, 121, 1373, 87. 88, v9. 90, 91 92 93 9. 95. 5%. 7. 8. 99. Machado, A. A. S. C. da Silva, J. C. G, Ej Maia, J. A. C5 Anal. Chim. Acta 1994, 292, 121 da Silva, J. C. G, Ex; Machado, A. A. S, C.; Oliveira, C, J.S: Anal, Chim. Acta 1997, 349, 23 Bratchell, Nj Chemom. Intell, Lab, Syst. 1989, 6, 105 Zupan, 3; Gasteiger, Js Newral Networks for Chemists: ‘An Introduction; NCH; New York, 199%; p 119-148. Gao, Cz Govind, R; Tabak, H. H. Environ. Toxicol Chem. 1996, 15, 1089. Yang, C. C.; Prasher, §. 0; Sreekanth, S.; Patni, N. K.: Masse, L.; Trans, ASAE 1997, 40, 1285. Suchorsky-Tremblay, A. M.; Kok, Ri Can. Agr. ng. 1997, 39, 123 Levine, E. Rs Kimes, 1996, 92, 101. Chun, 1:'Atalan, B.; Ward, A. C.; Goodfellow, M.; FEMS Microbiol, Let, 1993, 107, 321 Song, X. Hs Hopke, P. K.. Bruns, M. Ax; Bossio, D. A; Sco, K. Mu Chemom. Intell, Lab, Syst. 1998, 41, 161 Lucasius, C.'B.; Kateman, G.; Chemom. Intell. Lab. Syst 1993, 19,1 Costa FP. As Dissertagio de Mestrado, UNICAMP, Campinas, 1998, Costa F',P. A.: Poppi, R. 3 Quim. Nova 1999, 22, 405, + Sigillito, V. G.: Beol. Model. ‘Quimica Nova, 2314) (2000)