其他行業(yè)
土壤微塑料污染問題日益嚴峻，然而針對陸地生態(tài)系統(tǒng)中微塑料的深入研究尚顯不足。本研究旨在通過高光譜成像技術(shù)結(jié)合先進的化學計量學算法，實現(xiàn)對土壤中微塑料的直接識別與可視化分布，進而填補這一研究空白。
首先，我們在土壤表層發(fā)現(xiàn)并收集了部分風化的塑料碎片及其周圍5厘米厚的土壤樣本，總重量約為3千克。這些樣本被帶回實驗室后，被均分為兩組。一組通過飽和NaCl水溶液法提取并鑒定微塑料的具體成分；另一組則用于構(gòu)建基于高光譜成像技術(shù)與化學計量學算法的微塑料識別模型。
為模擬真實土壤環(huán)境中的微塑料存在狀態(tài)，我們進一步制備了模擬土壤樣品。通過手工剪切和篩分，我們將提取的微塑料（白色與黑色）劃分為1-5毫米和0.5-1毫米兩種粒徑范圍，并混入新鮮葉子、枯萎葉子、巖石和樹枝等自然物質(zhì)，以模擬復雜的野外土壤環(huán)境。所有土壤樣品在真空烘箱中80℃下干燥8小時，以去除水分，確保實驗的準確性。
利用高光譜成像系統(tǒng)，我們對模擬土壤微塑料樣品進行了全面掃描，獲取了包含豐富光譜信息的高光譜圖像。圖像中，不同材料（如白色微塑料、黑色微塑料、新鮮葉子等）以不同顏色進行標記，便于后續(xù)分析。
通過對圖像上每種材料的感興趣區(qū)域（ROI）進行光譜曲線分析，我們發(fā)現(xiàn)新鮮葉子因富含葉綠素而在可見光區(qū)域表現(xiàn)出顯著的光譜特征，使得其與其他材料易于區(qū)分。相比之下，白色和黑色PE微塑料在光譜特征上存在差異，尤其是黑色PE微塑料在整個光譜范圍內(nèi)反射率最低，增加了識別難度。
為了找到最佳的微塑料識別算法，我們采用了三種監(jiān)督分類方法：多元判別分析（MD）、機器學習（ML）和支持向量機（SVM）。通過計算每種方法的精確度（P）和回收率（R），我們發(fā)現(xiàn)SVM算法在處理高光譜圖像時表現(xiàn)出更高的信噪比和更少的背景噪聲，從而顯著提升了微塑料的識別效果。
我們針對微塑料的不同粒徑（1-5毫米和0.5-1毫米）進行了分類測試。結(jié)果顯示，對于較大粒徑的微塑料，SVM算法能夠?qū)崿F(xiàn)較高的識別精確度；而對于較小粒徑的微塑料，通過優(yōu)化圖像形態(tài)學預處理（如侵蝕和膨脹操作），也顯著提升了識別效果。
為了驗證模型的廣泛適用性，我們收集了六種不同顏色和化學組成的家用塑料聚合物，并測試了它們在高光譜成像技術(shù)下的識別效果。結(jié)果表明，對于粒徑為1-5毫米和0.5-1毫米的六種常見微塑料，模型均表現(xiàn)出良好的識別能力，平均精確度和回收率均達到較高水平。特別是彩色微塑料由于其更明顯的光譜特征，識別效果尤為突出。
本研究成功地將高光譜成像技術(shù)與化學計量學算法相結(jié)合，實現(xiàn)了對土壤中微塑料的直接識別與可視化分布。通過比較不同監(jiān)督分類方法，我們發(fā)現(xiàn)SVM算法在微塑料識別中具有顯著優(yōu)勢。此外，研究還揭示了微塑料粒徑對識別效果的影響，并提出了相應的優(yōu)化策略。
未來，我們計劃進一步擴展該技術(shù)的應用范圍，如探索不同土壤類型和環(huán)境條件對微塑料識別的影響，以及開發(fā)更加便攜、高效的高光譜成像設備，以滿足現(xiàn)場快速檢測的需求。同時，我們也將繼續(xù)優(yōu)化算法模型，提高識別精度和穩(wěn)定性，為土壤微塑料污染的監(jiān)測與治理提供更加有力的技術(shù)支持。
