Uso de redes neurais convolucionais na análise de espectros LIBS para a quantificação de Carbono em solos

• Ano de defesa: 2025
• Autor(a) principal: Guilherme, Heloisa do Vale
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Carbon quantification; CNN; Deep learning; LIBS; Quantificação de carbono
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-30042025-165012/

Laser-Induced Breakdown Spectroscopy (LIBS) tem se destacado como uma técnica promissora para a análise rápida e multi-elementar de solos, exigindo mínima preparação de amostras. Dentre os elementos analisados, a quantificação do carbono é essencial para avaliar a fertilidade e a saúde do solo, além de contribuir para práticas agrícolas sustentáveis e estratégias de mitigação das mudanças climáticas. Entretanto, a aplicação do LIBS para análises quantitativas ainda enfrenta desafios, como efeitos de matriz, variabilidade espectral e interferências, que comprometem a precisão dos resultados. Estratégias de pré-processamento dos dados são frequentemente adotadas para mitigar esses problemas, mas podem introduzir viés e tornar o fluxo de trabalho mais complexo. Nesse contexto, Convolutional Neural Networks (CNNs) surgem como alternativa, permitindo a extração automática de padrões dos espectros brutos e reduzindo a necessidade de pré-processamento. Entretanto, há lacunas na literatura sobre sua generalização e robustez para conjuntos de dados grandes e variados. Este estudo investiga a eficácia das CNNs na quantificação de carbono em solos a partir de espectros LIBS, comparando seu desempenho com modelos tradicionais (MultiLayer Perceptron (MLP), Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LGBM), Random Forest (RDF), Regressões Tweedie e Theilsen) em três cenários: dados brutos, dados com correção de linha de base e dados com seleção de features pelo algoritmo Minimum Redundancy Maximum Relevance (MRMR). As métricas utilizadas incluem Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e Coeficiente de Determinação (R²), avaliadas nos conjuntos de treino, teste e externo. Os resultados indicam que a CNN treinada com dados brutos apresentou o melhor desempenho e maior generalização, com R² de 0,810 no conjunto externo. O pré-processamento não melhorou os resultados: a correção de linha de base removeu informações relevantes, enquanto a seleção de features, embora eficiente para reduzir a dimensionalidade e manter métricas estáveis nos conjuntos de treino e teste, comprometeu a capacidade de generalização para novos dados. A análise interpretativa com LIME identificou as linhas espectrais mais relevantes para a predição de carbono, destacando as emissões do Carbono (C I 247.86 nm e C I 247.91 nm) e Potássio (K I 766.47 nm) como as principais contribuições para a modelagem. Isso reforça a capacidade das CNNs de extrair características significativas diretamente dos espectros brutos, minimizando a necessidade de pré-processamento. Assim, este estudo demonstra o potencial das CNNs para otimizar a análise LIBS no setor agrícola, tornando a quantificação do carbono mais eficiente e menos dependente de ajustes manuais.