This paper was published through Galoá and has a deposited DOI. To cite this paper, use one of the standards below:
In case you are one of the co-authors and want to register this paper in your Lattes, use the following code: doi > 10.17648/wmecai-2021-130470
If you've NEVER registered a DOI in your Lattes, check our tutorial!A Química Analítica é um campo de grande destaque nos últimos anos e representa uma promissora área de pesquisa. No que concerne ao agronegócio, as técnicas analíticas tornaram-se excelentes aliadas em várias aplicações, em especial no estudo de composições do solo. A Espectroscopia de Emissão Ótica com Plasma induzido por Laser (LIBS) é uma técnica analítica que permite a avaliação de materiais de forma qualitativa e quantitativa, possibilitando a determinação de múltiplos elementos e moléculas a partir do plasma produzido pela emissão de pulsos de laser de alta energia na superfície da amostra. No entanto, os espectros decorrentes do uso desta técnica são complexos e sujeitos a uma série de fatores que podem dificultar a análise destes dados, tais como: taxa de ablação, efeito de matriz, entre outros. Tais razões podem impactar as características espectrais das linhas de emissão e desta forma, impedir o uso mais amplo da LIBS em estudos. Como forma de mitigar essas dificuldades, este trabalho tem por objetivo promover a combinação da LIBS à técnicas de aprendizado de máquina, através do desenvolvimento de um modelo para a classificação e identificação de amostras a partir das linhas de emissão para que, posteriormente, modelos de quantificação de elementos possam ser desenvolvidos para cada classe de amostra. Para o desenvolvimento deste trabalho, foram utilizados espectros LIBS de amostras de cinco tipos de solos, de dois conjuntos de folhas de plantas e de três amostras sintéticas: H3BO3, KBr e NaCl. Foram empregadas três técnicas de Aprendizado de Máquina a fim de prever qual a classe pertencente a cada amostra. Os resultados dos melhores modelos foram obtidos a partir da métrica F1 score, com destaque para os algoritmos Árvore de Decisão e Regressão Logística.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper