Este estudio utiliza la tecnología de infrarrojo cercano (NIR) combinada con el modelo ligero de gradiente potenciado (LightGBM) para predecir el contenido de fenantreno (Phe) y fluorantreno (Flt) en lodos oleosos. Primero se optimizaron los parámetros del modelo, luego se procesaron los datos espectrales NIR de las muestras y se seleccionaron las variables espectrales características mediante el algoritmo competitivo adaptativo de re-pesado (CARS), la información mutua (MI) y el algoritmo de optimización de ballenas (WOA). Se construyó un modelo utilizando las mejores variables de entrada, y finalmente se comparó LightGBM con los modelos de mínimos cuadrados parciales (PLS), bosque aleatorio (RF) y máquina de vectores de soporte (SVM). Los resultados muestran que para el fenantreno, el modelo basado en Nor-SG-WOA-LightGBM fue el mejor, con coeficientes de determinación de predicción (R²_p) y error cuadrático medio de predicción (RMSE_p) de 0.9952 y 0.2426 mg/g respectivamente; para el fluorantreno, el mejor modelo fue el basado en SNV-SG-CARS-LightGBM, con valores de R²_p y RMSE_p de 0.9951 y 0.2452 mg/g respectivamente. Este método proporciona una referencia técnica para el análisis de hidrocarburos aromáticos policíclicos (PAHs) en lodos oleosos.

espectroscopía de infrarrojo cercano;impulso ligero de gradiente;lodos oleosos;hidrocarburos aromáticos policíclicos