从微塑料到像素:测试两种机器学习方法的稳定性,用于基于尼罗河红色的自动化海洋微塑料识别
Nelle Meyers1,2,3, Bavo De Witte4, Natascha Schmidt5,6
1Flanders Marine Institute (VLIZ), InnovOcean Campus, Jacobsenstraat 1, 8400, Ostend, Belgium. nelle.meyers@vliz.be.
Environmental science and pollution research international
|October 24, 2024
概括
使用机器学习和尼罗河红色染色的自动化分析准确地检测到经过气候变化的微塑料,即使尺寸低于10微米. 这种强大的方法提高了海洋塑料污染的监测.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 聚合物科学 聚合物科学
背景情况:
- 微塑料污染对环境构成重大风险,需要精确的监测技术.
- 目前用于微塑料分析的方法是劳动密集型的,并且受到环境气候变化的挑战.
- 可靠地检测小型和降解的微塑料对于环境风险评估至关重要.
研究的目的:
- 评估结合机器学习和尼罗河红色染色用于微塑料检测的自动化分析技术的稳定性.
- 为了比较决策树 (DT) 和随机森林 (RF) 模型的准确性,分析时间和模型复杂性.
- 确定经过气候变化的微塑料开发的自动化方法的下限尺寸和互操作性.
主要方法:
- 微塑料 (PE,PET,PP,PS,PVC;100-1000μm) 在模拟的海洋条件下经过气候变化.
- 颗粒被尼罗河红色 (NR) 染色,并使用光立体显微镜进行成像.
- 机器学习模型 (DT和RF) 被训练来检测和识别染色的微塑料.
主要成果:
- 对于原始微塑料,DT和RF模型都实现了>90%的准确性.
- 对于经过气候变化的微塑料,检测准确度为77%以上,RF模型在聚合物识别方面达到70%以上 (PET除外).
- 射频模型准确地预测了小于10微米 (12-30像素) 的粒子,准确度高于90%.
结论:
- 使用NR染色和RF模型进行自动化分析,为检测和识别经过气候变化的微塑料提供了强大的解决方案.
- 该方法对生态毒理学相关的微塑料大小有效,并且可以适应各种海洋条件.
- 这种技术显著提高了用于现实世界的海洋微塑料监测的效率和可靠性.
