通过基于PCA的激光诱导光技术,加上SVM和KNN算法,快速识别海洋微塑料

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:

• 激光诱导光 (LIF) 为海洋微塑料的分类提供了快速,非破坏性的检测.
• 传统光光谱学中的光谱重叠使微塑料的准确定性和定量分析变得复杂.

研究的目的:

• 使用LIF开发和评估机器学习算法,以准确地对海洋微塑料进行分类和量化.
• 为了克服微塑料分析中光谱重叠所带来的挑战.

主要方法:

• 用405nm激光源在不同度下对四种微塑料类型进行辐射,收集1600个光光谱.
• 使用主要组件分析 (PCA) 分析频谱数据进行差异化.
• 使用支持矢量机 (SVM),K-最近邻居 (KNN),PCA-SVM和PCA-KNN算法进行分类和识别.
• 使用SVM和KNN算法进行度预测.

主要成果:

• PCA有效地区分了四种微塑料类型.
• SVM和KNN算法实现了超过86%的分类准确度.
• 将PCA与SVM和KNN结合起来,可以获得100%的分类准确性.
• SVM和KN显示了微塑料度的良好预测,相关系数高 (>0.8) 和RMSE低 (<0.47%).

结论:

• 机器学习方法,特别是PCA-SVM和PCA-KNN,提供准确可靠的海洋微塑料类型和度的识别.
• 这些方法消除了复杂的光谱预处理和背景删除的需要,使得快速分析.