基于多式联网数据融合和注意力机制的微塑料老化特征的识别
Yi Zhang1, Changchao Li2, Yan Wang1
1Environment Research Institute, Shandong University, Qingdao 266237, China.
Journal of hazardous materials
|July 20, 2025
概括
一个新的深度学习模型通过融合SEM图像和FT-IR数据,准确地识别了微塑料的衰老. 这种先进的方法超越了传统方法,揭示了关键的退化机制和环境风险.
科学领域:
- 环境科学 环境科学
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 微塑料经历复杂的老化过程,使用传统的单一模式技术很难进行表征.
- 了解微塑料的衰老对于评估它们的环境命运和生态影响至关重要.
研究的目的:
- 开发和验证一个深度学习模型,对微塑料老化进行全面分析.
- 整合来自扫描电子显微镜 (SEM) 和富里埃转换红外光谱 (FT-IR) 的数据,以提高精度.
- 阐明与不同微塑料老化类型相关的特定物理化学变化.
主要方法:
- 开发了一个多式联网深度学习模型,集成SEM图像和FT-IR光谱数据.
- 该模型使用多式融合和注意力机制来分析7种衰老类型的1371个微塑料样本.
- 使用t-分布式静态邻居嵌入 (t-SNE) 进行联合特征可视化和Mahalanobis基于距离的度量学习进行验证.
主要成果:
- 深度学习模型实现了96.4%的验证准确性,明显优于单模模式模型 (SEM: 85.3%,FT-IR: 47.8%).
- 注意力机制确定了与衰老类型相关的特定光谱特征:化学衰老的CO峰值,UV衰老的O-H峰值和物理衰老的CC振动.
- 该模型在复杂的衰老场景中表现出强度,成功地在80.9%的紫外线暴露样本中归因于双重衰老因素,并确定紫外线降解是自然衰老 (78.6%) 的主要因素.
结论:
- 多模式深度学习为了解复杂的微塑料衰老机制提供了一种强大的方法.
- 该研究提供了对不同衰老因素的相互作用及其对微塑料性质的影响的见解.
- 这种方法可以将实验室发现与自然环境条件联系起来,有助于微塑料生命周期管理和风险评估.
