Detección in situ de petróleo
en suelos a través de espectroscopia
láser de infrarrojo asistida por inteligencia artificial

Detección in situ de petróleo en suelos a través de espectroscopia láser de infrarrojo asistida por inteligencia artificial

Se presenta un método simple de detección remota de trazas de petróleo en el suelo que combina inteligencia artificial (IA) con espectroscopía láser de infrarrojo medio (MIR). Se utilizó un láser de cascada cuántica (QCL) MIR portátil como fuente de excitación, lo que hace que la técnica sea apta para aplicaciones de campo. La región espectral MIR es más informativa y útil que la región IR cercana para la detección de contaminantes en el suelo. La teledetección, junto con un algoritmo de máquina de vectores de soporte (SVM), se utilizó para identificar con precisión la presencia / ausencia de trazas de petróleo en mezclas de suelo. Herramientas de quimiometría como análisis de componentes principales (PCA), análisis discriminante de mínimos cuadrados parciales (PLS-DA), y SVM demostraron la efectividad de diferenciar rápidamente entre diferentes tipos de suelo y detectar la presencia de trazas de petróleo en diferentes matrices de suelo como arena de mar, suelo rojo y suelo marrón. 

Las comparaciones entre los resultados de PLS-DA y SVM se basaron en la sensibilidad, la selectividad y las áreas bajo las curvas de receptor-operador (ROC). Se desarrolló un método de análisis estadístico innovador para calcular los límites de detección (LOD) y los límites de decisión (LD) a partir de ajustes de probabilidad de detección. Los resultados de los modelos QCL / PLS-DA alcanzaron un LOD y LD de 0,2% y 0,01% para petróleo / suelo, respectivamente. El desempeño superior de los modelos QCL / SVM mejoró estos valores a 0.04% y 0.003%, respectivamente, proporcionando una mejor probabilidad de identificación de suelos contaminados con petróleo. 

Las comparaciones entre los resultados de PLS-DA y SVM se basaron en la sensibilidad, la selectividad y las áreas bajo las curvas de receptor-operador (ROC). Se desarrolló un método de análisis estadístico innovador para calcular los límites de detección (LOD) y los límites de decisión (LD) a partir de ajustes de probabilidad de detección. Los resultados de los modelos QCL / PLS-DA alcanzaron un LOD y LD de 0,2% y 0,01% para petróleo / suelo, respectivamente. 

El desempeño superior de los modelos QCL / SVM mejoró estos valores a 0.04% y 0.003%, respectivamente, proporcionando una mejor probabilidad de identificación de suelos contaminados con petróleo. Las comparaciones entre los resultados de PLS-DA y SVM se basaron en la sensibilidad, la selectividad y las áreas bajo las curvas de receptor-operador (ROC). Se desarrolló un método de análisis estadístico innovador para calcular los límites de detección (LOD) y los límites de decisión (LD) a partir de ajustes de probabilidad de detección. Los resultados de los modelos QCL / PLS-DA alcanzaron un LOD y LD de 0,2% y 0,01% para petróleo / suelo, respectivamente. El desempeño superior de los modelos QCL / SVM mejoró estos valores a 0.04% y 0.003%, respectivamente, proporcionando una mejor probabilidad de identificación de suelos contaminados con petróleo. 

Se desarrolló un método de análisis estadístico innovador para calcular los límites de detección (LOD) y los límites de decisión (LD) a partir de ajustes de probabilidad de detección. Los resultados de los modelos QCL / PLS-DA alcanzaron un LOD y LD de 0,2% y 0,01% para petróleo / suelo, respectivamente. El desempeño superior de los modelos QCL / SVM mejoró estos valores a 0.04% y 0.003%, respectivamente, proporcionando una mejor probabilidad de identificación de suelos contaminados con petróleo. Se desarrolló un método de análisis estadístico innovador para calcular los límites de detección (LOD) y los límites de decisión (LD) a partir de ajustes de probabilidad de detección. Los resultados de los modelos QCL / PLS-DA alcanzaron un LOD y LD de 0,2% y 0,01% para petróleo / suelo, respectivamente. El desempeño superior de los modelos QCL / SVM mejoró estos valores a 0.04% y 0.003%, respectivamente, proporcionando una mejor probabilidad de identificación de suelos contaminados con petróleo.