Discriminação de madeiras similares por NIRS e PLS-DA considerando variações de temperatura e umidade

Abstract

A madeira é uma matéria-prima natural renovável e reciclável com alta variabilidade química e estrutural utilizada para diferentes fins. A fim de coibir a exploração indiscriminada, órgãos de fiscalização procuram efetuar a identificação de cargas de madeira. Essa identificação pode ser realizada pela anatomia da madeira. Porém, essa técnica requer a presença de especialistas, que são insuficientes para atender a demanda. Estudos anteriores comprovaram que a associação da espectroscopia no infravermelho próximo (NIRS) com a análise multivariada pode ser uma alternativa para a identificação de madeira. Nesse sentido, nesta dissertação, cinco madeiras nativas e uma de espécie exótica, similares anatomicamente, foram identificadas utilizando NIRS e análise discriminante por mínimos quadrados parciais (PLS-DA), considerando variações de temperatura e umidade. Foram desenvolvidos modelos com seleção de variáveis para a discriminação das espécies: andiroba, cedrinho, cedro, curupixá, eucalipto e mogno que se mostraram eficientes para todas as espécies. Contudo, ao realizar análises de amostras submetidas a 12 condições envolvendo variações de temperatura e umidade, os modelos apresentaram erros sistemáticos significativos e maiores taxas de erros de classificação. Esses erros foram reduzidos após a atualização do modelo pela adição de amostras sujeitas a essas 12 condições no seu conjunto de calibração. Com os modelos globais construídos foi possível discriminar corretamente 93,4%, 94,3% e 89,5% dos espectros registrados em amostras de cedrinho, cedro e mogno, respectivamente, com alto teor de umidade. Assim, a aplicação de seleção de variáveis, da atualização do modelo e da construção de modelos globais mostrou-se uma estratégia viável para melhorar a robustez de um modelo de discriminação, melhorando o seu desempenho e ampliando a sua aplicabilidade à frente de diferentes condições às quais este foi construído.