一个新的LIBS-机器学习策略用于微小的PMMA粒子中的多次检测:对复合物污染的有效量化.

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:

• 微塑料 (MP) 是重要的环境污染物,能够吸附重金属.
• 来自MP和相关污染物的复合污染构成了日益严重的生态威胁.

研究的目的:

• 开发一种新的,同时用于微塑料中重金属的定量检测方法.
• 将激光诱导分解光谱 (LIBS) 与机器学习相结合,以提高分析精度.

主要方法:

• 使用激光诱导分解光谱 (LIBS) 进行微塑料样品的元素分析.
• 应用了与预处理和变量选择技术 (SNV-CARS-PLS,WT-CARS-PLS) 结合的部分最小平方 (PLS) 回归模型.
• 研究了预处理和变量选择对模型性能的影响,使用R2,RMSE和MRE等指标.

主要成果:

• 使用优化的PLS模型,获得了Cr (Rp2 = 0.9750),Pb (Rp2 = 0.9759) 和Cu (Rp2 = 0.9088) 的高相关系数.
• 在所有三种金属中,预测错误 (RMSEp,MREp) 和高RPD值 (≥20.4) 的显著降低.
• 已建立的Cr,Pb和Cu的低检测极限 (LODs),均低于1.534 ppm.

结论:

• 开发的SNV/WT-CARS-PLS方法显著提高了微塑料中的定量重金属分析的准确性.
• 这种方法为监测和预防与微塑料相关的复合污染提供了强大的理论和技术支持.
• 这些发现对于了解和减轻微塑料污染对环境的影响至关重要.