Agua–suelo–clima

 

Análisis de nitrógeno total en suelos tropicales por espectroscopía de infrarojo cercano (NIRS) y quimiometría

 

Analysis of total nitrogen in tropical soils with near–infrared spectroscopy (NIRS) and chemometrics

 

Aaron Jarquín–Sánchez¹, Sergio Salgado–García^2* , D. Jesus Palma–López², Wilder Camacho–Chiu³, Armando Guerreto–Peña²

 

¹ Colegio de la Frontera Sur Unidad Villahermosa. Carretera Villahermosa–Reforma km 15.5, Ranchería Guineo, sección II. 86280, Villahermosa, Tabasco.

² Colegio de Postgraduados–Campus Tabasco. Periférico Carlos A. Molina s/n. km 3.5. 86500, H. Cárdenas, Tabasco. México. *Autor responsable: salgados@colpos.mx.

³ Tecnológico de la Zona Olmeca. Villa Ocuitzapotlán, Centro, Tabasco.

 

Recibido: abril, 2010.
Aprobado: junio, 2011.

 

Resumen

El nitrógeno (N) es uno de los elementos más importantes para la nutrición de las plantas, por lo cual es necesario tener métodos rápidos y confiables para determinar N en el suelo. El objetivo del presente estudio fue predecir la concentración de nitrógeno total (Nt) en suelos de una región tropical de México mediante espectroscopia de infrarrojo cercano (NIRS), en muestras dentro de una bolsa de polietileno y sin ésta. La ventaja de usar NIRS reside en la gran selectividad de la técnica para cuantificar un elemento químico en una mezcla compleja sin trabajo previo de separación. Además permite evaluar la cantidad de Nt en pocos minutos en muestras de diferentes suelos. En el trópico húmedo de Tabasco, México, se seleccionaron 156 muestras de suelo con características químicas contrastantes. Las muestras se secaron, molieron y tamizaron a través de una malla de 0.5 mm y se determinó la concentración de Nt por el método de Kjeldahl. Las muestras se envasaron en bolsa de polietileno y se midió el Nt en un espectrofotómetro NIRS modelo FOSS 5000 (NIR systems). Las muestras se analizaron con y sin bolsa en un intervalo de 1100 a 2000 nm, para obtener los modelos que permitan evaluar la cantidad de Nt en el suelo. Los modelos generados con y sin una bolsa se compararon para saber si la interferencia de la bolsa puede corregirse en los modelos matemáticos y realizar las mediciones más fácilmente. Los modelos generados para el análisis con y sin la bolsa explican 92 y 89 % de la variación. Con base en esta información se puede concluir que la determinación de Nt con bolsa es confiable y más rápida y sencilla que en el suelo sin bolsa, ya que se elimina la limpieza del módulo de lectura de la fibra óptica entre una y otra muestra.

Palabras clave: análisis químico, suelo, fibra óptica, modelo, predicción de nitrógeno.

 

Abstract

Nitrogen (N) is one of the most important elements for plant nutrition; therefore, it is necessary to obtain quick and reliable methods for determining N in soil. The objective of the present study was predicting total nitrogen (Nt) concentration in soils of a Mexican tropical region by means of near–infrared spectroscopy (NIRS) in samples within a plastic bag or without one. The advantage of using NIRS lies in the great selectivity of the technique, which makes it possible to quantify a chemical element in a complex mixture without previous work of separation; besides, it allows evaluating Nt amount in few minutes in different soil samples. In the humid tropic of Tabasco, Mexico, 156 soil samples with contrasting chemical characteristics were selected. The samples were dried, ground, and sieved through a 0.5 mm mesh screen, and the Nt concentration was determined by Kjeldahl method. The samples were packed in a plastic bag and Nt was measured in a NIRS spectrophotometer, model FOSS 5000 (NIR systems). The samples were analyzed with and without bag at a level of 1100 to 2000 nm in order to obtain the models which allow assessing Nt amount in soil. The models generated with and without bag were compared in order to recognize whether the interference of the bag can be corrected with the mathematical models and measurements could be made more easily. The models generated for analysis with and without bag explain 92 and 89 % of the variation. Based on this information, it can be concluded that Nt determination with bag is reliable, more rapid, and easier than that in soil without bag, since we can eliminate cleaning the optical fiber of the reading module between one and the next sample.

Key words: chemical analysis, soil, optical fiber, model, nitrogen prediction.

 

INTRODUCCIÓN

La fracción orgánica de un suelo regula los procesos químicos, influye en sus características físicas y es el centro de casi toda su actividad biológica (Loveland y Webb, 2003). La materia orgánica (MO) y el nitrógeno total (Nt) son dos propiedades fundamentales para evaluar la fertilidad del suelo, y el método Kjeldahl es el más usado para medir la concentración de Nt en el suelo (Bremner y Mulvaney, 1982). Este método ha cambiado pero se mantiene la digestión de la muestra con ácido sulfúrico y una serie de catalizadores, lo cual causa problemas como la emisión de gases ácidos al ambiente y un tiempo de análisis aproximado de 16 h (NOM, 2000). La cantidad de ácido sulfúrico se ha reducido de 25 mL a 5 mL pero aún se usan reactivos que tienen un impacto alto en el ambiente.

La técnica de espectroscopia de infrarrojo cercano (NIRS) se ha usado para predecir el contenido de Nt, MO, carbono (C) en suelos y su variación espacial (Odlare et al., 2005; Cozzolino y Moron, 2006; Fidencio et al., 2008). Debido a que la técnica NIRS genera numerosos datos de los espectros, es necesario aplicar métodos quimiométricos para interpretar los resultados y generar modelos de predicción para el elemento de interés (Wold et al., 2001). Sin embargo para la aplicación de NIRS en el análisis de suelos hay algunos aspectos técnicos que se deben dilucidar (Ehsani et al, 1999; Viscarra et al, 2005; He et al., 2007), como la lectura con la sonda de fibra óptica en muestras de suelos y muestras de suelo almacenadas en bolsas de polietileno, donde es más fácil realizar la lectura y se evita limpiar la sonda entre lecturas cuando ésta se coloca directamente sobre el suelo. Por ello, el objetivo del presente estudio fue usar la técnica de NIRS para generar un modelo para predecir la cantidad de Nt en suelos del trópico húmedo de Tabasco, México, de manera rápida y confiable.

 

MATERIALES Y MÉTODOS

Los suelos de estudio

Con la finalidad de obtener un modelo que permita evaluar la cantidad de Nt en suelo, se seleccionaron 156 muestras de la colección de suelos del Colegio de Postgraduados Campus Tabasco, obtenidas en octubre del 2005. Las muestras pertenecen a las unidades Vertisol, Fluvisol, Cambisol, Gleysol y Ultisol (Palma–López et al., 2007), con un amplio intervalo de contenido de Nt. Estos suelos presentan características contrastantes en textura, pH, MO, Nt y capacidad de intercambio catiónico (CIC). En las muestras se hicieron análisis aleatorios y se encontró que la variación de los resultados no causaba problemas con el desarrollo del modelo. Las muestras de suelos se secaron a temperatura ambiente (26 °C) y bajo sombra, se molieron y tamizaron con un tamiz (0.5 mm de diámetro) para los análisis de MO (Walkley y Black) y Nt (Kjeldhal), y 2 mm para P_–Olsen, K, Ca, Mg, Na, CIC (acetato de amonio 1 N pH 7) y textura (Bouyoucos). Los análisis se realizaron con los métodos establecidos en la Norma Oficial Mexicana 021 (NOM, 2000).

Análisis mediante NIRS

El análisis de las muestras de suelo para determinar Nt mediante NIRS se realizó con un espectrofotómetro de infrarrojo cercano FOSS 5000 (NIRsystems) calibrado, con una sonda de fibra óptica integrada con una ventana de cuarzo de 25 cm² y con intervalo de lectura de 1100 a 2500 nm. El tamaño de la muestra de suelo fue 200 g y la dimensión de la bolsa de polietileno fue 20.8 cm x 9.9 cm (peso, 1.5 g). Las lecturas se realizaron en suelo dentro y fuera de la bolsa. En el primer caso se presionó la ventana de la sonda para asegurar un contacto total con el suelo dentro de la bolsa y se efectuó la lectura. En el segundo caso el suelo se depositó sobre una placa de vidrio, se colocó la sonda en contacto con el suelo y se efectuó la lectura; la sonda se limpió después de cada medición. El intervalo de registro útil fue de 1100 nm a 2000 nm, realizando una lectura cada 2 nm, lo que generó 450 datos para cada observación con y sin bolsa (el análisis requiere 3 min aproximadamente).

Para el análisis quimiométrico de los datos se usó el software ISI 1.02 (WinISI II, 1999), aplicando los siguientes tratamientos matemáticos y estadísticos: análisis por componentes principales, aplicación de primera y segunda derivadas a los espectros, varianza normal estándar (SNV), corrección de la dispersión multiplicativa (MSC), DT (detrent); para calibrar el modelo se usó el método de mínimos cuadrados parciales (MPLS), y como criterios de bondad de ajuste se usó el análisis de error de predicción (SEP) y el error de predicción de la calibración (SEPC) (Geladi, 2003; Miller y Miller, 2002). Estos tratamientos matemáticos tienen diferentes parámetros estadísticos que permiten seleccionar la mejor ecuación. Los tratamientos se expresan en una serie de números que indican cual tratamiento matemático usar. El primer número indica uso de derivadas, las cuales se utilizan para encontrar y corregir problemas de ruidos del espectro.

El segundo número indica el uso de GAP, que representa la distancia del intervalo de la variable independiente que separa los dos segmentos promediados. El tercer número representa el uso de Smooth que indica el suavizado obtenido de cada espectro. El cuarto número indica un arreglo extra aplicado al suavizado para mejorar la linealidad (WinISI II, 1999).

Los modelos de regresión se construyeron usando la concentración de Nt obtenido con el método Kjeldhal de las muestras como variable independiente, y como variable dependiente el valor máximo observado después de las lecturas obtenidas en el espectro NIR de cada muestra en el intervalo de longitudes de onda entre 1100 y 2000 nm. Cada modelo se expresó como:

donde, β₀ es la ordenada al origen, β_n son los coeficientes de la curva de calibración, Xλ_n son las longitudes de onda leídas cada 2 nm, donde el coeficiente de correlación de los componentes es máxima en forma positiva o negativa. Para el presente estudio se encontraron 450 coeficientes β para cada modelo.

El modelo se evaluó mediante validación cruzada; el programa genera mínimo seis grupos de cancelación del conjunto de calibración y separa uno para comprobar los resultados, es decir verificar la predicción. Esta operación se repite tantas veces como los grupos existentes pasen por el grupo de calibración y el de predicción. El mejor modelo es el que presenta menor SEP, SEPC y mayor R² (Geladi, 2003; Miller y Miller, 2002; Wold et al., 2001). Además se realizó una validación externa con un grupo de 26 muestras de suelo independientes que tuvieran diferentes características físicas y químicas con la finalidad de evaluar la precisión del modelo. Estas muestras se analizaron en las mismas condiciones que aquellas usadas para construir el modelo.

 

RESULTADOS Y DUSCUSIÓN

Propiedades químicas y físicas de los suelos tropicales

El contenido de Nt de las muestras fue de muy bajo a muy alto (NOM, 2000). Suelos con estas características y variabilidad de color (datos no presentados), textura, contenido de MO (Cuadro 1) se usan mayormente con fines agrícolas en el trópico.

El intervalo de las variables pH, Nt, P_–Olsen, el K, Ca, capacidad de intercambio catiónico, arena, limo, arcilla, se presentan en el Cuadro 1. El coeficiente de variación se usó para seleccionar los suelos para establecer el modelo matemático, y se eliminaron aquellos que no presentaron diferencias. Lo anterior sirvió para establecer un conjunto de suelos que presentara la mayor diversidad de contenidos de Nt, aunque pertenecieran a la misma clase.

Descripción de los espectros NIR

Los espectros de cada muestra en bolsa (Figura 1) presentaron señales más suavizadas, a 1400 y 1900 nm, que las de las muestras sin bolsa (Figura 2). El intervalo de 2001 a 2500 nm se eliminó en ambas condiciones experimentales debido a que se presentó ruido de fondo de la señal. Esto confirma que la zona de 1100 a 2000 nm presenta mayor utilidad para establecer modelos de predicción, como lo reportan Viscarra et al. (2005). Los espectros de las muestras leídas con y sin bolsa presentaron señales en las longitudes de onda entre 1200 y 1750 nm, donde se ubican las moléculas: N–N, C–N, O–N, S–N, C–O–O–N. Ambos casos presentan las mismas señales de esos grupos funcionales.

Los espectros de las muestras de suelo en bolsa presentaron menor dispersión que los de las muestras sin bolsa y esto se atribuye a la presión que se ejerce sobre la muestra por la sonda en el momento de la lectura. Por lo anterior, la profundidad a la cual llega el haz infrarrojo es diferente ya que al colocar la sonda reiteradamente el suelo se compacta en proporción distinta en dependencia del tipo de partículas que lo forman. La variabilidad disminuye al usar las bolsa de polietileno debido a que mantiene el orden de las partículas del suelo y disminuye la variación de los espacios entre ellas por efecto de la presión aplicada.

El análisis de componentes principales permitió eliminar cinco muestras en ambos modelos, aquellas cuya varianza no contribuyó a aumentar el porcentaje de variabilidad explicada en los modelos (Cuadro 2).

Obtención y validación de los modelos matemáticos

Nt de suelo en bolsa

El tratamiento matemático SNV only 0,0,1,1 (varianza normal estándar) presentó mayor R². La función de este tratamiento es escalar cada espectro para que una desviación estándar permita reducir los efectos del tamaño de partícula, el error estándar de calibración (SEC) y el error estándar de validación cruzada (SECV) del intervalo de longitud de onda usado en el análisis. La Figura 3 corresponde al espectro promedio generado con este modelo. El modelo se generó con 113 muestras (Cuadro 3) en contraste con las 60 muestras indicadas como necesarias (WinISI II, 1999). Esto se debió a una validación cruzada que separó algunas muestras en grupos e identificó las que tienen comportamientos inusuales o que presentaron diferencia (2 ½ veces el error estándar de la ecuación) entre los datos del laboratorio y las predicciones. El SEC fue menor que SECV, y R² fue 0.92; estos resultados indican que el modelo presenta buen ajuste y que predice Nt en muestras desconocidas (Fidencio et al., 2008).

Nt de suelo sin bolsa

La corrección al espectro fue innecesaria pero se realizaron tratamientos matemáticos, derivadas, Gaps y Smooths, lo cual fue suficiente para que el modelo presentara un valor similar bajo de SEC y SECV (Cuadro 3), con R² 0.82. Estos resultados indican que el modelo presentó buen ajuste para predecir los contenidos de Nt en muestras desconocidas. En la Figura 4 se presenta el espectro promedio de Nt de este modelo.

Validación externa de los modelos

Nt de suelo en bolsa

Para validar externamente el modelo generado se seleccionaron al azar 20 muestras de suelos en bolsa y 26 sin bolsa, se registraron igual que las del grupo de calibración, se utilizó el modelo elegido para cada caso y se calculó Nt. El motivo de usar 20 y 26 muestras de suelos para validar el modelo es que la rutina es usar un mínimo del 10 % del total de las muestras para realizar la validación externa; en este caso se usó 18 y 19 % del total de muestras con y sin bolsa. También es posible comparar dos poblaciones con menos de 30 datos, con la prueba de Tukey (Wodeld et al., 2001).

En la Figura 5 se presenta la validación externa del modelo de predicción de Nt en suelos con la bolsa de polietileno de acuerdo con los valores obtenidos por el método Kjeldahl y por NIRS. En esta validación se presentaron seis "outliers", los cuales no se muestran en la Figura 5. El coeficiente de correlación fue 0.96 y valores bajos de SEP y SEPC (0.02), lo cual muestra que el modelo predice con buena aproximación los contenidos de Nt. La prueba de Tukey mostró que los valores para Nt obtenidos con ambos métodos no son diferentes (p>0.05).

Nt de suelos sin bolsa

La correlación entre NIRS y el método Kjeldahl fue 0.90 (Figura 6) y en esta validación se presentaron seis outliers que no se muestran en la Figura 6. La correlación es alta y permite considerar que los resultados obtenidos por NIRS son similares a los del método de Kjeldahl (Takuya et al, 2001; He et al., 2007; Fidencio et al., 2008). Los errores de predicción SEP (0.027) y de calibración (0.028) indican que es posible obtener buenas predicciones de Nt cuando se analizan muestras por NIRS sin bolsa. La prueba de Tukey corroboró que ambos métodos son estadísticamente similares.

 

CONCLUSIONES

Los resultados obtenidos mediante los modelos de predicción generados por NIRS correlacionan bien con los datos de las muestras de suelos analizados por el método de Kjeldahl para determinar Nt, independientemente de las características de cada suelo particular. Los modelos para predecir Nt de suelos con y sin bolsa de polietileno, presentaron un ajuste que permite explicar 92 y 89 % de la variación. La interferencia por el uso de bolsas de polietileno como preparación de las muestras de suelos puede ser corregida con el uso de quimiometría.

El análisis por NIRS es confiable, rápido y sencillo para la determinación de Nt de muestras de suelo en bolsa, ya que se elimina la limpieza del modulo de lectura de la fibra óptica entre las muestras.

 

LITERATURA CITADA

Bremner, J. M., and S. Mulvaney C.1982. Nitrogen total. In: Page, A. L., R. H. Miller, and D. R. Keeney (eds). Methods of Soil Analysis. Part II. Am. Soc. Agron. No 9 in Agronomy Series. Madison, Wisconsin. USA. pp: 595–624.         [ Links ]

Cozzolino D., and A. Morón.2006. Potential of near–infrared reflectance spectroscopy and chemometrics to predict soil organic carbon fractions. Soil Tillage Res. 85: 78–85.         [ Links ]

Ehsani, M. R., K. Upadhyaya S., D. Slaughter, S. Shafii, and M. Pelletier. 1999. A NIR technique for rapid determination of soil mineral nitrogen. Precision Agric. 1(2):217–234.         [ Links ]

Fidencio H. P., R. Poppi J., J. Andrade C., and F. Abreu M. 2008. Use of radial basis function networks and near–infrared spec–troscopy for the determination of total nitrogen content in soils from Sao Paulo State. Analytical Sci. 24: 945–948.         [ Links ]

Geladi, P. 2003. Chemometrics in spectroscopy. Part 1. Classical chemometrics. Spectrochimica Acta part B., 58: 767–782.         [ Links ]

He Y., M. Huang., A. Pereira G., A. Gómez H., and H. Song. 2007. Prediction of soil macronutrients content using near–infrared spectroscopy. Computers and Electronics in Agric. 58(2): 144–153.         [ Links ]

Loveland P., and J. Webb. 2003. Is there a critical level of organic matter in the agricultural soils of temperate regions: a review. Soil Tillage Res. 70(1): 1–18.         [ Links ]

Miller N. J., y J. Miller C. 2002. Estadística y Quimiometría para química Analítica. Ed. Pearson Educación S. A. Madrid, España. 278 p.         [ Links ]

NOM–2000, Norma Oficial Mexicana (2000) que establece las especificaciones de fertilidad, salinidad y clasificación de suelos. Estudios, muestreo y análisis. NOM–021–REC–NAT–2000. Diario Oficial 31 de diciembre de 2002. México.         [ Links ]

Odlare M., K. Svensson, and M. Pell. 2005. Near infrared reflectance spectroscopy for assessment of spatial soil variation in an agricultural field. Geoderma 126: 193—202.         [ Links ]

Palma–López D. J., J. Cisneros D., E. Moreno C., y J. A. Rincón–Ramírez. 2007. Suelos de Tabasco su uso y manejo sustentable. Colegio de Postgraduados–ISPROTAB–Fundación Produce Tabasco, A.C. Villahermosa, Tabasco. 195 p.         [ Links ]

Takuya O., T. Konoshin, N. Kosuke, and I. Yoshinobu. 2001. Rapid determination of miso quality using near infrared spectroscopy. Bulletin of the Hyogo Prefectural Agric. Institute. Agriculture Section 49 (2): 9–13.         [ Links ]

Viscarra R, R, A., J. J. Walvoort D., L. McBratney J., and O. Skjemstad J. 2005. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma 131: 59–75.         [ Links ]

WinISI II. 1999. Manual FOSS NIRsystems/TECATOR by Intrasoft International,LLC. Versión 1.02. 232 p.         [ Links ]

Wold S., M. Sjõstrõm, and L. Eriksson. 2001. PLS–Regresion: a basic tool of chemometrics. Chemo. Intell. Lab. Syst. 58: 109–130.         [ Links ]