Het probleem van bodemmicroplastische vervuiling wordt steeds ernstiger, maar diepgaand onderzoek naar microplastics in terrestrische ecosystemen is nog steeds onvoldoende. Deze studie heeft als doel de verdeling van microplastics in bodem direct te identificeren en te visualiseren door hyperspectrale beeldvormingstechnologie te combineren met geavanceerde chemometrische algoritmen, waardoor deze onderzoekskloof wordt gevuld.
1. Voorbeeldverzameling en -verwerking
Eerst hebben we enkele verweerde plastic fragmenten en 5 cm dikke grondmonsters om hen heen op het grondoppervlak gevonden en verzameld met een totaal gewicht van ongeveer 3 kg. Nadat deze monsters waren teruggebracht naar het laboratorium, werden ze verdeeld in twee groepen. Eén groep werd gebruikt om de specifieke componenten van microplastics te extraheren en te identificeren door verzadigde NaCl waterige oplossingsmethode; De andere groep werd gebruikt om een microplastisch identificatiemodel te bouwen op basis van hyperspectrale beeldvormingstechnologie en chemometrische algoritmen.
Om het bestaan van microplastics in echte bodemomgevingen te simuleren, hebben we gesimuleerde grondmonsters verder voorbereid. Door handmatige afschuiving en zeven hebben we de geëxtraheerde microplastics (wit en zwart) in twee deeltjesgrootte van 1-5 mm en 0,5-1 mm verdeeld en ze gemengd met natuurlijke materialen zoals verse bladeren, verdorde bladeren, rotsen en takken naar simuleer de complexe veld bodemomgeving. Alle bodemmonsters werden gedurende 8 uur in een vacuümoven gedroogd bij 80 ° C om vocht te verwijderen en de nauwkeurigheid van het experiment te waarborgen.
2. Hyperspectrale beeldverwerving en gegevensanalyse
Met behulp van een hyperspectraal beeldvormingssysteem hebben we een uitgebreide scan van gesimuleerde bodemmicroplastische monsters uitgevoerd en verkregen hyperspectrale beelden die rijke spectrale informatie bevatten. In de afbeeldingen worden verschillende materialen (zoals witte microplastics, zwarte microplastics, verse bladeren, enz.) Markeerd met verschillende kleuren om de latere analyse te vergemakkelijken.
Door de spectrale krommen van het interessegebied (ROI) van elk materiaal op het beeld te analyseren, vonden we dat verse bladeren, rijk aan chlorofyl, aanzienlijke spectrale kenmerken vertonen in het zichtbare lichtgebied, waardoor ze gemakkelijk te onderscheiden zijn van andere materialen. Witte en zwarte PE -microplastics verschillen daarentegen in spectrale kenmerken, met name zwarte PE -microplastics, die de laagste reflectiviteit hebben in het gehele spectrale bereik, waardoor identificatie moeilijker wordt.
3. Vergelijking en optimalisatie van begeleide classificatiemethoden
Om het beste algoritme voor microplastische identificatie te vinden, hebben we drie begeleide classificatiemethoden gebruikt: Multivariate Discriminant Analysis (MD), Machine Learning (ML) en Support Vector Machine (SVM). Door de precisie (P) en de herstelsnelheid (R) van elke methode te berekenen, vonden we dat het SVM-algoritme een hogere signaal-ruisverhouding en minder achtergrondruis vertoonde bij het verwerken van hyperspectrale beelden, waardoor de identificatie van microplastics aanzienlijk werd verbeterd.
We hebben classificatietests uitgevoerd op microplastics van verschillende deeltjesgroottes (1-5 mm en 0,5-1 mm). De resultaten toonden aan dat voor microplastics met grotere deeltjesgroottes het SVM -algoritme in staat was om een hogere herkenningsnauwkeurigheid te bereiken; en voor microplastics met kleinere deeltjesgroottes werd het herkenningseffect aanzienlijk verbeterd door het optimaliseren van de morfologische voorbewerking van het beeld (zoals erosie- en dilatatie -operaties).
IV. Modelverificatie en uitgebreide toepassing
Om de brede toepasbaarheid van het model te verifiëren, hebben we zes huishoudelijke plastic polymeren van verschillende kleuren en chemische samenstellingen verzameld en hun herkenningseffecten getest onder hyperspectrale beeldvormingstechnologie. De resultaten toonden aan dat voor zes gemeenschappelijke microplastics met deeltjesgroottes van 1-5 mm en 0,5-1 mm, het model een goed herkenningsvermogen vertoonde, met gemiddelde nauwkeurigheid en herstelsnelheden die hoge niveaus bereikten. In het bijzonder was het herkenningseffect van gekleurde microplastics bijzonder uitstekend vanwege hun meer voor de hand liggende spectrale kenmerken.
V. Samenvatting en vooruitzichten
Deze studie combineerde met succes hyperspectrale beeldvormingstechnologie met chemometrische algoritmen om directe identificatie en visualisatie van microplastics in bodem te bereiken. Door verschillende onder toezicht staande classificatiemethoden te vergelijken, hebben we vastgesteld dat het SVM -algoritme aanzienlijke voordelen heeft in microplastische identificatie. Bovendien onthulde de studie ook de impact van microplastische deeltjesgrootte op identificatie en voorgestelde overeenkomstige optimalisatiestrategieën.
In de toekomst zijn we van plan om de toepassingsomvang van deze technologie verder uit te breiden, zoals het onderzoeken van de impact van verschillende bodemsoorten en omgevingscondities op microplastische identificatie, en het ontwikkelen van meer draagbare en efficiënte hyperspectrale beeldvormingsapparatuur om aan de behoeften van snelle ter plaatse te voldoen Detectie. Tegelijkertijd zullen we het algoritmemodel blijven optimaliseren, de herkenningsnauwkeurigheid en stabiliteit verbeteren en krachtigere technische ondersteuning bieden voor de monitoring en controle van bodem microplastische vervuiling.
