通过近红外光谱学和机器学习在复杂环境中快速检测有色和无色的宏观和微型塑料

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:

• 准确识别塑料碎片对于了解它们的环境迁移至关重要.
• 以前的方法往往忽略了无色塑料和背景效应,导致低估了塑料的丰富性.
• 需要非破坏性,现场方法来快速表征塑料碎片.

研究的目的:

• 开发和比较用于识别有色和无色塑料碎片的快速,非破坏性的方法.
• 评估聚合物颜色,类型,厚度和环境背景对分类准确性的影响.
• 提出一种改进的两阶段建模方法,以加强塑料碎片的识别.

主要方法:

• 近红外 (NIR) 光谱与化学测量方法相结合,包括部分最小方程差异分析 (PLS-DA),极端梯度提升,支向量机器和随机森林.
• 基于聚合物特性和背景条件的分类性能评估.
• 开发一个两阶段的建模策略,以解决薄,无色碎片的错误分类问题.

主要成果:

• 部分最小平方区分分析 (PLS-DA) 显示出最稳定和最强大的表现,错误分类率较低.
• 所有测试的模型都很难区分薄塑料碎片 (<0.1mm) 和它们的背景.
• 拟议的两阶段方法在识别不同环境背景的塑料碎片方面实现了99%以上的准确性.

结论:

• 成功开发了一种新的,快速和同步的方法,用于在复杂的环境中识别有色和无色塑料碎片.
• 该研究强调了在分析塑料污染时考虑碎片厚度和背景的重要性.
• 开发的技术为环境监测和塑料污染研究提供了重大进展.