20/06/2026
O PIPGEs (Programa Interinstitucional de Pós-Graduação em Estatística UFSCar-USP) convida para mais um seminário do programa.
Título: "LIBS em solos e plantas: da espectroscopia de alta dimensão à decisão agronômica com incerteza"
Palestrante: Paulino Ribeiro Villas-Boas (Embrapa Instrumentação)
Data: 26 de junho, às 14h
Local: Sala 4-005 do ICMC-USP, São Carlos
Resumo: A espectroscopia de plasma induzido por laser (LIBS) é uma técnica promissora para a agricultura por permitir análises rápidas, multielementares, com mínimo preparo de amostras, sem uso de reagentes e sem geração de resíduos químicos. Em solos e tecidos vegetais, a técnica pode ser usada para quantificar elementos químicos e estimar propriedades agronomicamente relevantes, como textura, nutrientes, carbono e estoque de carbono no solo, com aplicações em agricultura de precisão, manejo de insumos, monitoramento da qualidade do solo e sistemas de mensuração, relato e verificação de carbono. Apesar desse potencial, a confiabilidade da análise por LIBS não é garantida apenas pela aquisição rápida do espectro. Cada espectro é um vetor de alta dimensão, afetado por efeito de matriz, microheterogeneidade da amostra, variabilidade do plasma, ruído instrumental e descompasso entre a escala da ablação laser, da ordem de micrômetros e nanogramas, e a escala da decisão agronômica, frequentemente expressa em talhões ou hectares. Assim, transformar espectros em informação quantitativa exige delineamento experimental adequado, amostragem representativa, validação rigorosa e estimativas explícitas de incerteza. Nesta palestra, discutirei quatro pontos em que a estatística é central: i) otimização dos parâmetros instrumentais e controle das fontes de variação; ii) amostragem em solos e plantas, considerando heterogeneidade espacial, estrutura hierárquica dos dados e generalização entre áreas, cultivares e manejos; iii) escolha de figuras de mérito e estratégias de validação, incluindo limites de detecção, erro de predição, RPIQ, validação externa e uso crítico do R²; e iv) quantificação de incerteza em modelos de aprendizado de máquina e redes neurais, incluindo predição conformal, métodos bayesianos, ensembles e detecção de amostras fora do domínio de calibração. Resultados reais de quantificação de carbono, nutrientes em soja, textura do solo e estoque de carbono serão usados para ilustrar tanto o potencial da LIBS quanto os desafios ainda abertos para a estatística. O objetivo central é mostrar que, para aplicações agronômicas, não basta produzir uma predição pontual: é necessário fornecer um intervalo defensável, calibrado e interpretável, capaz de sustentar decisões no campo.
Todos são bem-vindos!
Mais informações: https://www.pipges.ufscar.br/pt-br
