Comparing the artificial neural network with parcial least squares for prediction of soil organic carbon and ph at different moisture content levels using visible and near-infrared spectroscopy

Abstract

Visible and near infrared (vis-NIR) spectroscopy is widely used to detect soil properties. The objective of this study is to evaluate the combined effect of moisture content (MC) and the modeling algorithm on prediction of soil organic carbon (SOC) and pH. Partial least squares (PLS) and the Artificial neural network (ANN) for modeling of SOC and pH at different MC levels were compared in terms of efficiency in prediction of regression. A total of 270 soil samples were used. Before spectral measurement, dry soil samples were weighed to determine the amount of water to be added by weight to achieve the specified gravimetric MC levels of 5, 10, 15, 20, and 25 %. A fiber-optic vis-NIR spectrophotometer (350-2500 nm) was used to measure spectra of soil samples in the diffuse reflectance mode. Spectra preprocessing and PLS regression were carried using Unscrambler (R) software. Statistica (R) software was used for ANN modeling. The best prediction result for SOC was obtained using the ANN (RMSEP = 0.82 % and RPD = 4.23) for soil samples with 25 % MC. The best prediction results for pH were obtained with PLS for dry soil samples (RMSEP = 0.65 % and RPD = 1.68) and soil samples with 10 % MC (RMSEP = 0.61 % and RPD = 1.71). Whereas the ANN showed better performance for SOC prediction at all MC levels, PLS showed better predictive accuracy of pH at all MC levels except for 25 % MC. Therefore, based on the data set used in the current study, the ANN is recommended for the analyses of SOC at all MC levels, whereas PLS is recommended for the analysis of pH at MC levels below 20 %.

A espectroscopia de infravermelho-visível próximo (vis-IVP) é amplamente usada para detectar propriedades do solo. O objetivo deste estudo foi avaliar o efeito combinado da umidade do solo e do algoritmo de modelagem na predição do carbono orgânico do solo (COS) e pH. Para tanto, foram utilizadas 270 amostras de solo para comparar a eficiência da predição da regressão por mínimos quadrados parciais (PLS) e da rede neural artificial (RNA) na modelagem do COS e pH, em diferentes níveis de umidade. Antes da determinação espectral, as amostras de solo secas foram pesadas para discriminar a quantidade de água a ser adicionada para que essa atingisse os níveis de umidade gravimétrica de 5, 10, 15, 20 e 25 %. Para obter a resposta espectral das amostras de solo, no modo de reflectância difusa, foi utilizado um espectrofotômetro de fibra ótica, na faixa do infravermelho-visível próximo (350-2500 nm). O pré-processamento dos dados espectrais e a análise pela regress do PLS foram implementados no software Unscrambler®; enquanto na modelagem pela RNA, foi utilizado o software Statistica® (Version 11, StatSoft Inc. USA). Para o COS, o melhor resultado da predição foi obtido utilizando a RNA (RMSEP = 0.82 % e RPD = 4.23) para amostras de solo com 25 % de umidade. Para o pH, as melhores predições foram obtidas com a PLS para as amostras de solo seco (RMSEP = 0.65 % e RPD = 1.68) e para as de solo com 10 % de umidade (RMSEP = 0.61 % e RPD = 1.71). A RNA apresentou melhor desempenho para predição do COS em todos os níveis de umidade do solo; a PLS evidenciou melhor acurácia na predição do pH para todos os níveis de umidade, exceto para a umidade de 25 %. Dessa forma, a RNA é recomendada para análise de COS em todos os níveis de umidade do solo, enquanto a PLS é indicada para a análise do pH nos níveis de umidade inferiores a 20 %.