Desenvolvimento de um método por espectrometria de fluorescência de raios X por energia dispersiva (EDXRF) combinado as técnicas de aprendizado de máquinas (machine learning) para caracterização de zinco, manganês e elementos potencialmente tóxicos em matérias primas e fertilizantes (2024)
- Authors:
- Autor USP: ROCHA JUNIOR, CARLOS DA - CENA
- Unidade: CENA
- DOI: 10.11606/D.64.2024.tde-12092025-083819
- Subjects: ESPECTROMETRIA; FERTILIZANTES; QUÍMICA ANALÍTICA; QUIMIOMETRIA
- Keywords: Agricultura; Agriculture; Fertilizantes; Fertilizers; Machine learning; Machine learning; PLS-DA; PLS-DA; XRF; XRF
- Language: Português
- Abstract: A análise de fertilizantes é crucial para garantir a qualidade dos insumos e a nutrição adequada das culturas. A técnica de Fluorescência de Raios X (XRF) vem despontando como uma alternativa inovadora à análise tradicional por Absorção Atômica (AAS), oferecendo rapidez, precisão e menor custo e tempo de análise. Este estudo demonstra o potencial da XRF para quantificar manganês (Mn), zinco (Zn) e elementos potencialmente tóxicos (arsênio - As, cromo - Cr, cádmio - Cd, chumbo - Pb e mercúrio - Hg) em fertilizantes, além de classificá-los por tipo com o auxílio de machine learning. Cinco métodos foram testados para otimizar a análise: pó solto, pó moído em 75 e 150 m, e pellets de pó moído em 75 e 150 m. Para líquidos, avaliou-se a amostra conforme recebimento e diluída e seca na superfície da cubeta. O método ideal foi definido como aquele com coeficiente de variação (CV) inferior a 0,20. Para sólidos, optou-se pelo pellet a 150 mícrons obtendo CV abaixo de 0,20 para todos os materiais e para líquidos ambos os preparos obtiveram todos resultados abaixo de 0,20, porém, por motivos de segurança do equipamento, optou-se pelo diluído e seco na superfície da cubeta. A XRF apresentou alta correlação com a AAS para quantificação de Mn (R² = 0,96) e Zn (R² = 0,97), comprovando sua viabilidade para quantificar esses elementos essenciais em fertilizantes. Para os elementos potencialmente tóxicos (EPT), adotou-se o limite máximo permitido como 100% e elaborou-se uma curva de calibraçãoentre 1% e 140%. A XRF se mostrou eficaz na avaliação em todas as faixas de concentração, com R² acima de 0,96 para todos os EPT. Para classificação, a análise discriminante por mínimos quadrados parciais (PLS-DA) e a Análise de Componentes Principais (PCA) revelaram que os espectros de XRF permitem a separação dos fertilizantes em grupos distintos. A PCA indica que as duas principais componentes explicam mais de 99,90% das variâncias dos dados, e a PLS-DA demonstra que a acurácia e precisão de 100% na classificação dos fertilizantes é possível com apenas 11 variáveis latentes. Este estudo demonstra o grande potencial da XRF como uma ferramenta inovadora para a avaliação de fertilizantes. Destacando a eficácia e promissor potencial da XRF em conjunto com técnicas avançadas de análise de dados para a avaliação, oferecendo rapidez, precisão, menor custo e a classificação precisa de fertilizantes, abrindo novas possibilidades para o controle de qualidade de fertilizantes, otimização da nutrição de plantas, produção e monitoramento agrícola mais sustentável
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2024
- Data da defesa: 25.06.2024
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
ROCHA JUNIOR, Carlos da. Desenvolvimento de um método por espectrometria de fluorescência de raios X por energia dispersiva (EDXRF) combinado as técnicas de aprendizado de máquinas (machine learning) para caracterização de zinco, manganês e elementos potencialmente tóxicos em matérias primas e fertilizantes. 2024. Dissertação (Mestrado) – Universidade de São Paulo, Piracicaba, 2024. Disponível em: https://teses.usp.br/teses/disponiveis/64/64135/tde-12092025-083819/. Acesso em: 12 abr. 2026. -
APA
Rocha Junior, C. da. (2024). Desenvolvimento de um método por espectrometria de fluorescência de raios X por energia dispersiva (EDXRF) combinado as técnicas de aprendizado de máquinas (machine learning) para caracterização de zinco, manganês e elementos potencialmente tóxicos em matérias primas e fertilizantes (Dissertação (Mestrado). Universidade de São Paulo, Piracicaba. Recuperado de https://teses.usp.br/teses/disponiveis/64/64135/tde-12092025-083819/ -
NLM
Rocha Junior C da. Desenvolvimento de um método por espectrometria de fluorescência de raios X por energia dispersiva (EDXRF) combinado as técnicas de aprendizado de máquinas (machine learning) para caracterização de zinco, manganês e elementos potencialmente tóxicos em matérias primas e fertilizantes [Internet]. 2024 ;[citado 2026 abr. 12 ] Available from: https://teses.usp.br/teses/disponiveis/64/64135/tde-12092025-083819/ -
Vancouver
Rocha Junior C da. Desenvolvimento de um método por espectrometria de fluorescência de raios X por energia dispersiva (EDXRF) combinado as técnicas de aprendizado de máquinas (machine learning) para caracterização de zinco, manganês e elementos potencialmente tóxicos em matérias primas e fertilizantes [Internet]. 2024 ;[citado 2026 abr. 12 ] Available from: https://teses.usp.br/teses/disponiveis/64/64135/tde-12092025-083819/ - Desenvolvimento de um método por espectrometria de fluorescência de raios X por energia dispersiva (EDXRF) combinado as técnicas de aprendizado de máquinas (machine learning) para caracterização de zinco, manganês e elementos potencialmente tóxicos em matérias primas e fertilizantes
- Unfolding boron dynamics at the scale of soil-water-fertilizer-crop systems in the tropics: from soil availability to plant requirements
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
