Este estudo utiliza a tecnologia de infravermelho próximo (NIR) combinada com o LightGBM leve para prever o teor de fenantreno (Phe) e fluorantreno (Flt) em lodo oleoso. Primeiro, os parâmetros do modelo foram otimizados, em seguida os dados espectrais NIR das amostras foram pré-processados, e as variáveis características espectrais foram selecionadas por meio do algoritmo adaptativo competitivo de reponderação (CARS), informação mútua (MI) e algoritmo de otimização de baleias (WOA). Um modelo foi construído usando as melhores variáveis de entrada, e finalmente o LightGBM foi comparado com os modelos de mínimos quadrados parciais (PLS), floresta aleatória (RF) e máquina de vetor de suporte (SVM). Os resultados mostraram que para o fenantreno, o modelo baseado em Nor-SG-WOA-LightGBM foi o melhor, com coeficientes de determinação de previsão (R²_p) e erro quadrático médio da previsão (RMSE_p) de 0,9952 e 0,2426 mg/g, respectivamente; para o fluorantreno, o modelo baseado em SNV-SG-CARS-LightGBM foi o melhor, com R²_p e RMSE_p de 0,9951 e 0,2452 mg/g, respectivamente. Este método fornece uma referência técnica para a análise de hidrocarbonetos aromáticos policíclicos (PAHs) em lodos oleosos.

espectroscopia de infravermelho próximo;light gradient boosting;lodo oleoso;hidrocarbonetos aromáticos policíclicos