Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.17648/wmecai-2021-130470
Se você NUNCA registrou um DOI no seu Lattes, veja nosso 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.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo