在土壤微塑料檢測中的高光譜成像技術的應用和探索

土壤微塑料污染的問題越來越嚴重，但是對陸地生態系統中微塑料的深入研究仍然不足。這項研究旨在通過將高光譜成像技術與先進的化學計量算法相結合，從而直接識別和可視化土壤中微塑料的分佈，從而填補這一研究空白。

1。樣本收集和處理

首先，我們在土壤表面上發現並收集了一些風化的塑料碎片和5厘米厚的土壤樣品，總重約為3 kg。將這些樣品帶回實驗室後，將它們分為兩組。一組用於通過飽和的NaCl水溶液方法提取和識別微塑料的特定成分。另一組用於建立基於高光譜成像技術和化學計量算法的微型識別模型。

為了模擬在實際土壤環境中微塑料的存在，我們進一步準備了模擬的土壤樣品。通過手動剪切和篩分，我們將提取的微塑料（白色和黑色）分為1-5 mm和0.5-1 mm的兩個粒徑範圍，並將它們與新鮮葉子，枯萎的葉子，岩石，岩石，岩石，岩石，岩石和樹枝等天然材料混合在一起模擬複雜的土壤環境。將所有土壤樣品在80°C的真空烤箱中乾燥8小時，以去除水分並確保實驗的準確性。

2。高光譜圖像獲取和數據分析

使用高光譜成像系統，我們對模擬的土壤微塑料樣品進行了全面的掃描，並獲得了包含豐富光譜信息的高光譜圖像。在圖像中，不同的材料（例如白色微塑料，黑色微塑料，新鮮葉片等）標有不同的顏色，以促進後續分析。

通過分析圖像上每種材料的感興趣區域（ROI）的光譜曲線，我們發現富含葉綠素的新鮮葉片在可見光區域具有顯著的光譜特徵，使其易於與其他材料區分開。相比之下，白色和黑色PE微塑料在光譜特性上有所不同，尤其是黑色PE微塑料，它們在整個光譜範圍內的反射率最低，從而使識別更加困難。

3。監督分類方法的比較和優化

為了找到用於微塑料識別的最佳算法，我們使用了三種監督分類方法：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度（P）和恢復速率（R），我們發現SVM算法在處理高光譜圖像時顯示出更高的信噪比和更少的背景噪聲，從而顯著改善了微塑料的鑑定。

我們對不同粒徑（1-5 mm和0.5-1 mm）的微塑料進行了分類測試。結果表明，對於具有較大粒徑的微塑料，SVM算法能夠達到更高的識別精度。對於顆粒大小較小的微塑料，通過優化圖像形態預處理（例如侵蝕和擴張操作），可以顯著提高識別效果。

iv。模型驗證和擴展應用

為了驗證該模型的廣泛適用性，我們收集了六種具有不同顏色和化學成分的家用塑料聚合物，並在高光譜成像技術下測試了它們的識別效果。結果表明，對於六個常見的微塑料，粒度為1-5 mm和0.5-1 mm，該模型顯示出良好的識別能力，平均準確性和恢復速率達到高水平。特別是，由於其更明顯的光譜特性，有色微塑料的識別效果尤其出色。

V.摘要和前景

這項研究成功地將高光譜成像技術與化學計量算法相結合，以實現對土壤中微塑料的直接鑑定和可視化。通過比較不同的監督分類方法，我們發現SVM算法在微塑性識別方面具有顯著優勢。此外，該研究還揭示了微塑料粒徑對識別和提出的相應優化策略的影響。

將來，我們計劃進一步擴大該技術的應用範圍，例如探索不同土壤類型和環境條件對微塑料識別的影響，並開發更便攜，高效的高光譜成像設備，以滿足快速現場的需求檢測。同時，我們將繼續優化算法模型，提高識別精度和穩定性，並為土壤微塑性污染的監視和控制提供更強大的技術支持。