Paper Information | SBC BOOKS

Fill in your paper information

Language (*)

Title (*)

Keywords (*)

Abstract (*)

O estudo e monitoramento de áreas contaminadas é essencial para a avaliação de riscos ambientais e para a tomada de decisões. Entre os poluentes de interesse, os gases contaminantes presentes no subsolo, como o metano, representam uma preocupação devido ao impacto ambiental. Nesse contexto, análises preditivas têm sido cada vez mais utilizadas para estimar a presença e a concentração desses gases com base em outras variáveis. Modelos de aprendizado de máquina têm demonstrado bom desempenho nessas previsões, porém, muitas vezes funcionam como “caixas-pretas”, dificultando a compreensão de como os resultados foram obtidos. A IA explicável tem como propósito utilizar técnicas que permitam interpretar o funcionamento dos modelos, trazendo subsídios para entender como os resultados apresentados foram obtidos. Neste trabalho, foram utilizadas as técnicas SHAP e LIME para analisar a explicabilidade dos modelos Random Forest e XGBoost aplicados à previsão de gases contaminantes em solos. Um estudo de caso foi feito utilizando dados coletados de poços de monitoramento de gases do campus USP-Leste, onde foi observado que o uso das técnicas melhorou a explicabilidade dos modelos.

Pages (*)

File Link

English Information

Title

Keywords

Abstract

The study and monitoring of contaminated areas are essential for environmental risk assessment and decision-making. Among the pollutants of interest, subsurface contaminant gases, such as methane, are a concern due to their significant environmental impact. In this context, predictive analyses have been increasingly used to estimate the presence and concentration of these gases based on other variables. Machine learning models have shown good performance in such predictions; however, they often operate as "black boxes," making it difficult to understand how the results were obtained. Explainable AI aims to use techniques that enable the interpretation of model behavior, providing support for understanding how the presented results were generated. In this work, we employed SHAP and LIME techniques to analyze the explainability of Random Forest and XGBoost models in predicting contaminant gases in soil. A case study was conducted using data collected from gas monitoring wells at the USP-Leste campus, where the use of these techniques was found to improve model explainability.

(*) To change the order drag the item to the new position.

Authors

#	Name
1	Felipe Almeida(fvalencia@usp.br)
2	Rosa Quille(encinas@usp.br)
3	Danielle Monteiro(danimonteirodba@gmail.com)
4	Leandro Freitas(lfreitas@ipt.br)
5	Pedro Corrêa(pizzigatti@ieee.org)

(*) To change the order drag the item to the new position.

Reference

#	Reference
1	BRZICA, D. (2022). Governing major cities in the context of new environmental chal- lenges. Ecomomic Review/Ekonomicke´ Rozhl’ady, 51(3).
2	CETESB (2022). Manual de gerenciamento de A´ reas contaminadas. Technical report, CETESB.
3	Hartmann, A., Jasechko, S., Gleeson, T., Wada, Y., Andreo, B., Barbera´, J. A., Briel- mann, H., Bouchaou, L., Charlier, J.-B., Darling, W. G., Filippini, M., Garvelmann, J., Goldscheider, N., Kralik, M., Kunstmann, H., Ladouche, B., Lange, J., Luci- anetti, G., Mart´ın, J. F., Mudarra, M., Sa´nchez, D., Stumpp, C., Zagana, E., and Wagener, T. (2021). Risk of groundwater contamination widely underestimated be- cause of fast flow into aquifers. Proceedings of the National Academy of Sciences, 118(20):e2024492118.
4	Hou, D., Al-Tabbaa, A., O’Connor, D., Hu, Q., Zhu, Y.-G., Wang, L., Kirkwood, N., Ok, Y. S., Tsang, D. C. W., Bolan, N. S., and Rinklebe, J. (2023). Sustainable remedi- ation and redevelopment of brownfield sites. Nature Reviews Earth & Environment, 4(4):271–286.
5	Li, X., Yi, S., Cundy, A. B., and Chen, W. (2022). Sustainability transitions of contamina- ted sites: A global meta-analysis on economic effects of remediation behaviour. Land Degradation & Development, 33(11):1775–1786.
6	Lundberg, S. M. and Lee, S.-I. (2017). A unified approach to interpreting model predic- tions. Advances in neural information processing systems, 30.
7	Moraes, S., Teixeira, C., and Maximiano, A. (2014). Guia de elaboração de planos de intervenção para o gerenciamento de áreas contaminadas. IPT - Instituto de Pesquisas Tecnológicas do Estado de São Paulo.
8	Mulenga, C. (2022). Soil governance and the control of mining pollution in zambia. Soil Security, 6:100039.
9	Quille, R., Vieira, G., Freitas, L., Corrêa, P., Souza, S., Barbosa, A., and Almeida, F. (2025). Dataset de poços de monitoramento de gases da usp leste. In Anais do XVI Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, pages 352–355, Porto Alegre, RS, Brasil. SBC.
10	Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). ”why should i trust you?”explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pages 1135–1144.
11	SHAP (2025). Beeswarm plot. Disponível em: https://shap.readthedocs.io/ en/latest/example_notebooks/api_examples/plots/beeswarm.html. Acesso em 25 de junho de 2025.
12	Tarazona, J. V. (2024). Pollution, soil. In Wexler, P., editor, Encyclopedia of Toxicology (Fourth Edition), pages 801–807. Academic Press, Oxford, fourth edition edition.

Paper Registration

Fill in your paper information

English Information

Authors

Reference