Toprak mikroplastik kirliliği sorunu giderek daha ciddi hale geliyor, ancak karasal ekosistemlerde mikroplastikler üzerinde derinlemesine araştırmalar hala yetersiz. Bu çalışma, hiperspektral görüntüleme teknolojisini gelişmiş kemometrik algoritmalarla birleştirerek bu araştırma boşluğunu doldurarak mikroplastiklerin topraktaki dağılımını doğrudan tanımlamayı ve görselleştirmeyi amaçlamaktadır.
1. Örnek toplama ve işleme
İlk olarak, yaklaşık 3 kg ağırlıkta, toprak yüzeyinde etraflarında yıpranmış plastik fragmanlar ve 5 cm kalınlığında toprak numuneleri bulduk ve topladık. Bu numuneler laboratuvara geri getirildikten sonra iki gruba ayrıldılar. Bir grup, doymuş NaCl sulu çözelti yöntemi ile mikroplastiklerin spesifik bileşenlerini çıkarmak ve tanımlamak için kullanıldı; Diğer grup, hiperspektral görüntüleme teknolojisine ve kemometrik algoritmalara dayanan bir mikroplastik tanımlama modeli oluşturmak için kullanıldı.
Gerçek toprak ortamlarında mikroplastiklerin varlığını simüle etmek için simüle edilmiş toprak örnekleri daha da hazırladık. Manuel kesme ve eleme yoluyla, çıkarılan mikroplastikleri (beyaz ve siyah) 1-5 mm ve 0.5-1 mm'lik iki parçacık boyutuna ayırdık ve bunları taze yapraklar, solmuş yapraklar, kayalar ve dallar gibi doğal malzemelerle karıştırdık. Karmaşık alan toprak ortamını simüle edin. Tüm toprak numuneleri, nemi çıkarmak ve deneyin doğruluğunu sağlamak için 8 saat boyunca 80 ° C'de bir vakum fırında kurutuldu.
2. Hiperspektral görüntü edinme ve veri analizi
Bir hiperspektral görüntüleme sistemi kullanarak, simüle edilmiş toprak mikroplastik örneklerinin kapsamlı bir taraması yaptık ve zengin spektral bilgiler içeren hiperspektral görüntüler elde ettik. Görüntülerde, farklı malzemeler (beyaz mikroplastikler, siyah mikroplastikler, taze yapraklar, vb.) Sonraki analizi kolaylaştırmak için farklı renklerle işaretlenir.
Görüntü üzerindeki her bir malzemenin ilgi alanının (ROI) spektral eğrilerini analiz ederek, klorofil açısından zengin taze yaprakların görünür ışık bölgesinde önemli spektral özellikler sergilediğini ve diğer malzemelerden ayırt edilmelerini kolaylaştırdığını bulduk. Buna karşılık, beyaz ve siyah PE mikroplastikleri spektral özellikler, özellikle de tüm spektral aralıkta en düşük yansıtıcıya sahip olan siyah PE mikroplastikleri bakımından farklılık gösterir ve tanımlamayı daha zor hale getirir.
3. Denetimli sınıflandırma yöntemlerinin karşılaştırılması ve optimizasyonu
Mikroplastik tanımlama için en iyi algoritmayı bulmak için üç denetimli sınıflandırma yöntemi kullandık: Çok Değişkenli Ayrımcı Analiz (MD), Makine Öğrenimi (ML) ve Destek Vektör Makinesi (SVM). Her bir yöntemin hassasiyetini (P) ve geri kazanım oranını (R) hesaplayarak, SVM algoritmasının hiperspektral görüntüleri işlerken daha yüksek bir sinyal-gürültü oranı ve daha az arka plan gürültüsü gösterdiğini ve böylece mikroplastiklerin tanımlanmasını önemli ölçüde iyileştirdiğini bulduk.
Farklı partikül boyutlarındaki (1-5 mm ve 0.5-1 mm) mikroplastikler üzerinde sınıflandırma testleri yaptık. Sonuçlar, daha büyük parçacık boyutlarına sahip mikroplastikler için SVM algoritmasının daha yüksek tanıma doğruluğu elde edebildiğini gösterdi; Ve daha küçük parçacık boyutlarına sahip mikroplastikler için, görüntü morfolojik ön işlemeyi (erozyon ve dilatasyon işlemleri gibi) optimize ederek tanıma etkisi önemli ölçüde iyileştirildi.
IV. Model Doğrulama ve Genişletilmiş Uygulama
Modelin geniş uygulanabilirliğini doğrulamak için, farklı renklerde ve kimyasal bileşimlerde altı ev plastik polimeri topladık ve tanınma etkilerini hiperspektral görüntüleme teknolojisi altında test ettik. Sonuçlar, 1-5 mm ve 0.5-1 mm'lik parçacık boyutlarına sahip altı yaygın mikroplastik için, modelin iyi tanıma yeteneği gösterdiğini, ortalama doğruluk ve geri kazanım oranlarının yüksek seviyelere ulaştığını gösterdi. Özellikle, renkli mikroplastiklerin tanıma etkisi, daha belirgin spektral özellikleri nedeniyle özellikle olağanüstü idi.
V. Özet ve Outlook
Bu çalışma, topraktaki mikroplastiklerin doğrudan tanımlanmasını ve görselleştirilmesini sağlamak için hiperspektral görüntüleme teknolojisini kemometrik algoritmalarla başarıyla birleştirmiştir. Farklı denetimli sınıflandırma yöntemlerini karşılaştırarak, SVM algoritmasının mikroplastik tanımlamada önemli avantajları olduğunu bulduk. Ek olarak, çalışma ayrıca mikroplastik partikül boyutunun tanımlama üzerindeki etkisini ve karşılık gelen optimizasyon stratejileri önerdi.
Gelecekte, farklı toprak türlerinin ve çevresel koşulların mikroplastik tanımlama üzerindeki etkisini araştırmak ve hızlı yerinde hızlı yerinde ihtiyaçlarını karşılamak için daha taşınabilir ve verimli hiperspektral görüntüleme ekipmanları geliştirmek gibi bu teknolojinin uygulama kapsamını daha da genişletmeyi planlıyoruz. tespit. Aynı zamanda, algoritma modelini optimize etmeye, tanıma doğruluğunu ve stabilitesini iyileştirmeye ve toprak mikroplastik kirliliğinin izlenmesi ve kontrolü için daha güçlü teknik destek sağlamaya devam edeceğiz.
