将超光谱成像与机器学习算法相结合,用于在土壤中检测聚乙烯 (PE) 和聚胺 (PA)

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 土壤是微塑料 (MP) 污染的重要储存库,特别是在农业地区.
• 在环境监测中,在土壤中识别PM的快速有效方法至关重要.
• 现有的方法通常需要复杂的消化和分离程序.

研究的目的:

• 开发和验证一种快速检测土壤中的聚乙烯 (PE) 和聚胺 (PA) 微塑料的方法.
• 为了评估高光谱成像 (HSI) 系统的性能与机器学习算法相结合,用于MP识别.
• 用SWIR HSI.确定土壤中PE和PA的最低检测极限.

主要方法:

• 可见近红外 (VNIR),InGaAs和中波红外 (MWIR) HSI系统与机器学习算法的合.
• 对不同度和大小的PE和PA微塑料添加的土壤样本进行分析.
• 对土壤规范化的SWIR光谱进行光谱分析,以识别独特的MP特征.
• 用特征减小技术来评估光谱分离性.

主要成果:

• SWIR HSI (InGaAs和MCT) 显示了土壤和MP之间的显著光谱差异,以及土壤和MP混合物之间的显著光谱差异.
• 检测模型实现了高精度:与VNIR (44-87%) 相比,InGaAs (92-100%) 和MCT (97-100%) 实现了高精度.
• 使用InGaAs和MCT HSI系统检测到低至1.6%的PE度和低至5.0%的PA.

结论:

• 超光谱成像 (HSI) 系统,特别是InGaAs和MCT,可用于快速准确地检测土壤中的PE和PA微塑料.
• 开发的方法消除了繁的消化和分离程序的需要.
• 这种方法为环境监测土壤中微塑料污染提供了一个有希望的工具.