通过基于高光谱不混合合机器学习的拉曼成像来识别和可视化环境微塑料

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 材料科学 材料科学 材料科学

背景情况:

• 微塑料 (MP) 是普遍存在的环境污染物,对生态系统和人类健康构成风险.
• 目前对MP的检测方法往往具有破坏性或缺乏广泛环境监测所需的速度.
• 开发快速,非破坏性的技术对于评估微塑料污染的全部程度至关重要.

研究的目的:

• 开发和验证一种新的,非破坏性的方法来识别和可视化环境样本中的微塑料.
• 结合超光谱分离与机器学习来分析微塑料的拉曼成像数据.
• 评估拟议方法对各种微塑料类型和环境矩阵的有效性.

主要方法:

• 拉曼成像技术用于从微塑料样本中获取光谱数据.
• 超光谱解混算法,特别是交替体积最大化 (AVmax) 和不受约束最小平方 (UCLS),用于估计终端成员和丰度图.
• 集成了机器学习方法来分析超频谱数据,使微塑料的识别和可视化.
• 用皮尔森相关系数 (r) 来评估光谱匹配的准确性.

主要成果:

• 该研究成功地识别和可视化了五种类型的微塑料:聚乙烯酸盐-协同甲酸盐 (PBAT),聚乙烯酸盐 (PBS),p-聚乙烯 (PE),聚烯 (PS) 和聚烯 (PP).
• 通过AVmax和UCLS方法准确估计了微塑料的终端成员,并为单个,混合,纯和老化微塑料生成了丰度图.
• 在原始光谱和AVmax计算的平均光谱之间观察到很高的相似性,证实了该方法的可靠性.
• 开发的拉曼成像技术有效地在复杂的环境样本中识别了微塑料.

结论:

• 拉曼成像与高光谱分离和机器学习相结合,为微塑料的非破坏性识别和可视化提供了一种新有效的方法.
• 该方法为环境监测和研究中的微塑料检测提供了快速而准确的解决方案.
• 该技术具有很大的潜力,可以促进我们对微塑料污染动态和影响的理解.