O objetivo deste projeto é reproduzir os diagramas de concórdia apresentados por Caxito et al. (2026), utilizando a linguagem R e o pacote estatístico IsoplotR. A partir dos dados suplementares originais, o fluxo de trabalho busca automatizar o processamento das razões isotópicas U-Pb utilizando as ferramentas aprendidas no curso especial ministrado pelo Dr. Danilo Cruz no Programa de Pós-Graduação em Geologia e Geoquímica da Universidade Federal do Pará (PPGG - UFPA).
Para iniciar a análise, carregamos as bibliotecas fundamentais para o fluxo de dados. O pacote readxl é utilizado para a leitura do arquivo Excel que contém os dados isotópicos, enquanto o janitor auxilia na limpeza de nomes de colunas e remoção de dados vazios. Para a manipulação e organização dos dados, utilizamos o dplyr. Por fim, o pacote IsoplotR é a ferramenta para o processamento estatístico e geração dos diagramas geocronológicos.
library(readxl)
library(janitor)
Anexando pacote: 'janitor'Os seguintes objetos são mascarados por 'package:stats':
chisq.test, fisher.testlibrary(dplyr)
Anexando pacote: 'dplyr'Os seguintes objetos são mascarados por 'package:stats':
filter, lagOs seguintes objetos são mascarados por 'package:base':
intersect, setdiff, setequal, unionlibrary(IsoplotR)Nesta etapa, definimos o ambiente de trabalho e identificamos o arquivo de dados. A planilha utilizada contém dados suplementares de Caxito et al. (2026), focados na datação U-Pb de “carbonatos de capa” ediacaranos. Realizamos uma leitura inicial da aba “TER-A” (Amostra Terconi da Formação Guia - Faixa Paraguai), aplicando um skip = 3 para ignorar os metadados do cabeçalho e acessar diretamente a matriz de dados isotópicos.
#Definir o diretório de trabalho
setwd("C:/Users/malek/OneDrive/Área de Trabalho/Curso R/Arquivos")
#Definir o nome do arquivo
nome_do_arquivo <- ("caxito.xlsx")
#Ler a planilha TER-A da pasta com dados isotópicos de carbonatos, disponível como material suplementar em Caxito et al. (2026)
ter_a <- read_excel(nome_do_arquivo, sheet = "TER-A", skip = 3)New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`Antes do processamento, os dados passam por uma triagem. Removemos linhas vazias e selecionamos as colunas específicas que o método read.data() do IsoplotR exige utilizando format = 1, ierr = 4 (Razões 07/35, 06/38 e correlação de erro em 2sigma%). Esta amostra servirá como base para definir o padrão de colunas que automatizará a leitura das demais planilhas do projeto.
#Remover linhas vazias
ter_a <- ter_a |>
remove_empty("rows")
#Selecionar as colunas para o método read.data() do isoplotR.
ter_a_select <- ter_a |>
select(10:14)
#Transformar os dados para o formato de leitura do isoplotR
teraupb <- read.data(ter_a_select, method = "U-Pb", format = 1, ierr = 4)Esta etapa consiste na visualização dos resultados através de diagramas de Concórdia (tipo Tera-Wasserburg). O uso desse diagrama é particularmente eficaz para carbonatos, pois permite visualizar melhor a mistura com o chumbo comum inicial. Os gráficos são gerados com um gradiente de cor baseado na concentração de Urânio (ppm), facilitando a identificação de padrões de heterogeneidade química nos cristais analisados.
#Plotar o diagrama de concordia
teraupb |>
concordia(type = 2, show.age = 2, levels = as.numeric(ter_a$`U(ppm)`), main = "Concordia diagram for TER-A sample\n\n\n")
Dada a grande quantidade de planilhas (abas) no arquivo, implementamos um fluxo de automação. O código identifica todos os nomes de abas, ignora abas indicadas (nesse caso os padrões) e processa cada amostra individualmente. Para cada aba, o script seleciona as colunas baseando-se nos nomes capturados da planilha TER-A, que utilizamos como referência, converte os valores para formato numérico e remove entradas incompletas.
#Extrair o nome das abas do arquivo xlsx
abas <- excel_sheets(nome_do_arquivo)
# Capturar os nomes das colunas de referência da planilha TER-A
temp_tera <- read_excel(nome_do_arquivo, sheet = "TER-A", skip = 3, n_max = 0) |>
clean_names()New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`# Extraímos os nomes das colunas que estão nas posições 10 a 14
colunas_referencia <- colnames(temp_tera)[10:14]
# Definir abas para ignorar, caso desejado
# Como esse arquivo tem algumas planilhas com formato diferente, vamos ignora-las
ignorar <- c("WC 1", "RM", "DB")
amostras <- abas[!abas %in% ignorar]
# Loop para processar cada planilha
for (nome_aba in amostras) {
# Leitura e limpeza dos dados
dados_brutos <- read_excel(nome_do_arquivo, sheet = nome_aba, skip = 3) |>
clean_names() |>
remove_empty("rows")
# Seleção das colunas para uso no isoplotR
dados_isoplot <- dados_brutos |>
select(all_of(colunas_referencia)) |>
mutate(across(everything(), as.numeric)) |>
na.omit()
# Transformar para formato IsoplotR (Assumindo ierr=4 para 2sigma %)
upb_data <- read.data(as.matrix(dados_isoplot), method = "U-Pb", format = 1, ierr = 4)
# Gerar o diagrama de Concordia (Tera-Wasserburg)
concordia(upb_data,
type = 2,
show.age = 2,
levels = as.numeric(dados_brutos$u_ppm),
clabel = "U (ppm)",
main = paste("Diagrama de Concordia -", nome_aba, "\n\n\n"))
}New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`
New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`
New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`
New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`
New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`
New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`
New names:
• `2sigma(%)` -> `2sigma(%)...9`
• `2sigma(%)` -> `2sigma(%)...11`
• `2sigma(%)` -> `2sigma(%)...13`
Por fim, podemos comparar os resultados obtidos com os diagramas publicados:
