Este documento resume una presentación sobre el uso de la tecnología NIRS para la identificación de maderas. La tecnología NIRS asociada con el análisis multivariado ha demostrado ser un método confiable para identificar especies de madera y su origen geográfico con tasas de clasificación superiores al 90%. El método puede utilizarse en condiciones de campo y tiene el potencial de usarse para la certificación de madera y el control del tráfico ilegal. El equipo de investigación continúa trabajando para expandir el alc

1. GLOBAL TIMBER TRACKING NETWORK (GTTN) REGIONAL
STAKEHOLDER MEETING IN LATIM AMERICA
Tecnología NIRS para identificaciones
de madera y de origen geográfico
Dr. Tereza C. M. Pastore (LPF/SBF) – Coordinadora del proyecto
Dr. Vera T. R. Coradin - Investigadora asociada
Prof. Dr. Jez W. B. Braga – Investigador de la UnB
07 a 09 de noviembre de 2018
Lima, Peru
1

2. 2
1. CONTEXTO
- 2006 - El proyecto fue iniciado y fue financiado por el CNPq,
FAPDF, INCTBio, OTCA, Programa CITES-OIMT y Programa CITES .
- Es una investigación pionera en identificación de madeira de
especies forestales nativas: Swietenia macrophylla (caoba) y
maderas similares como Carapa guianensis (andiroba), Cedrela
odorata (cedro), Swietenia humilis…
- El equipo del laboratorio y la forma de la madera pulverizada,
inicialmente usados, fueron sustituidos por un aparato portátil y
madera en troza o aserrada, con el fin de usarlo en punto de
fiscalización y aduana
- 2018 - La tecnología NIRS está siendo expandida para otros
productos forestales, como las Dalbergia y maderas similares y para
el aceite de palo de rosa.

3. Título del proyecto:
"Identificación rápida en campo para la madera de Dalbergia y el aceite
de palo de rosa por Tecnología NIRS '‘
Duración: 24 meses
Agencia financiadora: CITES
Agencia implementadora: IBAMA y Servicio Forestal Brasileño /
Laboratorio de Productos Forestales
Agencias executoras:
Investigación y desarrollo - Laboratorio de Productos Forestales y
Laboratorio AQQUA - Universidad de Brasilia
Gestión de los recursos financieros – FUNTEC
Líder del proyecto: Dr. Tereza C. M. Pastore 3

4. 2. Maderas estudiadas por la tecnología NIRS
4
CITES Apéndice
1) Cedrela odorata cedro III
2) Swietenia macrophylla caoba II
3) Swietenia humilis caoba II
4) Caraipa guianensis andiroba
5) Micropholis melinoniana curupixá
6) Erisma uncinatum cedrinho
7) Hymenae courbaril jatobá
8) Eucaliptus grandis eucalipto
• https://www.cites.org/Index of CITES species, 2014
• V.T.R. Coradin, J.A.A. Camargos, L.F. Marques, E.R. da Silva Jr. Madeiras similares ao mogno
(Swietenia macrophylla King.): Chave ilustrada para identificação anatômica em campo. 2 ed.
Serviço Florestal Brasileiro/LPF, Brasília, 2009.

5. 2. Maderas estudiadas por la tecnología NIRS
CITES Apéndice
9) Dalbergia bariensis II
10) D. cearenses II
11) D. congestiflora II
12) D. decipularis II
13) D. glaucescens II
14) D. latifólia II
15) D. melanoxylon II
16) D. miscolobium II
17) D. nigra I
18) D. retusa II
19) D. sisso II
20) D. spruceana II
21) D. stevensonii II
22) D. tucurensis II
23) D. villosa II
https://www.cites.org/Index of CITES species, 2014 5
D. nigra
D. spruceana
D. cearensis
D. decipulares

6. 3. Introducción
6
Como la madeira es identificada?
Anatomia da madeira:
 Características organolépticas
brillo, color, olor...
 Características anatómicas macro y microscópicas
rayos, parénquima, vasos ...
V. Coradin, J. Camargos, L.F. Marques, E. Silva Jr. Madeiras similares ao mogno (Swietenia macrophylla
King.): Chave ilustrada para identificação anatômica em campo. 2 ed. Serviço Florestal Brasileiro/LPF,
Brasília, 2009.
Swietenia
macrophylla
Cedrela
odorata
Carapa
guianensis
Micropholis
melinoniana

7. 3. Introducción
7
Tecnología NIRS - espectroscopia en el infrarrojo
cercano asociada a la quimiometría
(A)
0 20 40 60 80 100 120
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
Comprimento de onda (nm)
Log
(1/R)
(B)
(A) Sonda óptica; (B) Espectros de 5 especies forestales
diferentes y (C) Desarrollo del modelo PLS-DA
Andiroba
Cedrinho
Cedro
Curupixá
Caoba
Method
0
1
(C)
Best Practice Guide for Forensic Timber Identification – UNODC, 2016
Pastore et al. Holzforschung. 2011, 65, 73. 7
Braga et al. IAWA Journal. 2011, 32, 285. 8.

8. 4. Estrategia para la ejecución: Equipos portátiles
8
MicroNIR 1700 Spectrometer
950 -1650 nm
MicroPHAZIR RX Analyser
1595 - 2396 nm

9. 4. Estrategia para la ejecución: MISIONES PILOTO
(1) Brasil: Brasilia (DF) (2) Brasil: Fazenda Seringal Novo Macapá (AC)
(3) Bolivia: Santa Cruz de la Sierra (4) Guatemala: Petén
9

10. 5. Desarrollo del
modelo estadístico.
4. Etapas principales para construir un modelo
de discriminación
4. Construcción del banco
de espectros
-0,4
0,1
0,6
1,1
0 50 100 150 200 250 300
Estimated
class
number
Sample number
1. identificación de la madera 2. Preparación de la superficie 3. Obtención del espectro NIRS
6. Modelo PLS-DA para
identificación de madera de caoba

11. Tasa de Eficiencia = 98% muestras fueron clasificadas como caoba
5. RESULTADOS: Muestras de caoba de 27 países
fueron correctamente identificadas
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
1,8
2
2,2
2,4
0 100 200 300 400
Class
value
Sample number
Caoba
11

12. 12
5. RESULTADO: identificación de madera de caoba
de cinco países con dispositivo portátil
Equipo Tasa de Eficiencia (%)
Country
Bolivia Brasil Guatemala México Perú
MicroNIR 99.3 90.1 100 94.9 99.4
MicroPhazir 99.6 98.4 96.5 89.6 91.2
Silva et al. Holzforschung. 2018, 72, 521-530

13. Tasa de eficiencia = 100%
5. Resultado: las maderas de Swietenia macrophylla
y S. humilis de Guatemala son discriminadas
13

14. 6. RESULTADO: Discriminación de 6 especies de Dalbergia
14
Número de muestra 234
Número de espectro 702
Especies D. nigra D. reutsa D. sisso D. latifólia D. frutescens D. stevensonii
Tasa de Eficiencia 98.6% 82.4% 97.6% 79.6% 97.5% 96.7%
Snel, F.A. et al. Wood Science and Technology, 2018. 52, 1411-1427

15. RESULTADO: Discriminación entre Dalbergia nigra y
7 Dalbergia spp
15
Figures of merit
Eficciency Rate 97.12 %
Total number of samples - 249
Total number of spectra - 747

16. Resultado: Influencia de la humedad en el espectro
medio de andiroba
16
1000 1100 1200 1300 1400 1500 1600
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Comprimento de onda (nm)
Log
(1/R)
molhado
seco
5 min
10 min
20 min
Reducción de la intensidad del espectro en la red entre 1.400 y
1.500nm
Espectro medio de 20 minutos se aproxima al perfil de espectro medio
seco
1º sobreton
ligação O-H

17. Resultados:Modelo de discriminación para caoba seca
17
200 400 600 800 1000 1200 1400 1600
-0.5
0
0.5
1
Valores
de
classe
estimados
Número de amostra
Treinamento Validação
TEF 96,03%
andiroba (▼)
cedrinho (*)
cedro (■)
curupixá (+)
mogno (◊)

18. Resultado: Modelo de discriminación de caoba húmeda
18
TEF 45,00%
Aumento en la
dispersión en el
conjunto de la
validación
Muestras de caoba
presentaran valores <<
1
Error de clasificación
500 1000 1500 2000
-1.5
-1
-0.5
0
0.5
1
1.5
2
Número de amostra
Valores
de
classe
estimados
Treinamento Validação
andiroba (▼)
cedrinho (*)
cedro (■)
curupixá (+)
mogno (◊)

19. Ventajas del NIRS
5. NIRS puede distinguir madera de:
diferentes partes de un árbol: tronco, ramas y entroncamiento
diferentes especies de la misma familia (Meliaceae):
caoba, cedro y andiroba
diferentes familias:
caoba (Meliaceae) y curupixá (Sapotaceae)
6. La comparación de costos entre el análisis de química húmeda
(convencional) y NIRS es muy favorable: NIRS es 2 veces más
barato.
19
1. Las análisis se realizan en campo
muy rápidamente (<30s);
2. Los dispositivos portátiles son de
uso fácil y los resultados se
obtienen en tiempo real;
3. La superficie de la madera es
fácilmente preparada (plaina, lija y
limpia)
4. NIRS es un método no destructivo,
sin reactivos y sin residuos;

20. Algunos requisitos básicos
1. Un gran número de muestras de cada especie debe estar
disponible, al menos veinte de árboles diferentes;
2. La participación de un anatomista de madera muy experiente
y entrenado es esencial para construir un modelo de previsión
confiable;
3. El modelo estadístico debe ser robusto y abarcar el máximo
de posibles facetas que puedan influenciar en la madera
(como el clima local, el suelo, las enfermedades, la vida
silvestre, etc.) para dar lugar a una discriminación confiable
de las especies;
4. Factores variables como la orientación de la fibra deben
introducirse en el modelo quimiométrico;
5. Los modelos deben revisarse y actualizarse periódicamente;
6. Todos los modelos desarrollados por nuestro equipo son
válidos para madera con el contenido de humedad igual o
inferior al 15%, considerando los equipos portátiles.

21. Próximos pasos
21
1) consolidación de un modelo estadístico para la
identificación de la procedencia/origen geográfico de la
madera de Swietenia macrophylla en más países
productores de América Latina;
2) realizar un piloto en la línea de frontera (puestos de
vigilancia y aduanas);
3) ampliar el modelo para la discriminación de al menos 20
especies de Dalbergia;
4) realizar un análisis exploratorio del aceite de palo de rosa
(Anexo II de la CITES);y
5) verificar la viabilidad de remover la contribución de la
humedad de la madera en los espectros usando el
algoritmo de selección variable (sMC).

22. • El NIRS asociado con el análisis multivariado es un método
confiable para la identificación de la madera e de su origen
geográfica;
• El método se puede utilizar en condiciones de campo con una alta
tasa de clasificación correcta (> 90% con dispositivos portátiles);
Conclusiones
• Se pudo identificar el
origen geográfico de la
madera;
• El método puede ser
utilizado para la
certificación de la
madera y el control del
tráfico ilegal.
22

23. Equipo de investigación
Investigadores:
Tereza C. M. Pastore (Coordinadora del proyecto– LPF/SFB)
Paulo J. P. de Fontes (Asesor de proyectos– LPF/SFB)
Jez W. B. Braga (Quimiometrista – Instituto de Química/UnB)
Vera T. R. Coradin (Anatomista de madera – Investigadora asociada)
Alexandre B. Gontijo (Anatomista de madera– LPF/SFB)
Fernanda Pieruzzi (Botánica– LPF/SFB)
Júlia Sonsin Oliveira (Anatomista de madera– Instituto de Biología/UnB)
Diego C. da Silva (Estudiante de postgrado)
Filipe Snel (Estudiante de postgrado)
Daniele C. G. da Cunha Kunze (Estudiante de postgrado)
Rafaela Dornelas Vieira (Estudiante de graduación)
Priscila Veras dos Anjos Lopes – (Estudiante de graduación)
Gestión financiera: Fundación de Tecnología Forestal yGeoprocesamiento/FUNTEC
Mônica L. Vasconcelos (Directora Ejecutiva)
Angelo Santarlacci (Gerente de Proyecto)
Débora G. B. S. Brito (Asistente administrativo) 23

24. ¡Muchas Gracias!
tereza.pastore@florestal.gov.br
24