A multi-level preprocessing and modelling framework for spectral imaging of microplastics

Mikroplastik, jene winzigen Kunststofffragmente, die unsere Ozeane, Böden und sogar unsere Luft infiltriert haben, stellt eine wachsende Bedrohung für Ökosysteme und die menschliche Gesundheit dar. Um das Ausmaß dieses Problems zu verstehen, müssen Wissenschaftler in der Lage sein, diese Partikel zu finden, genau zu identifizieren, um welche Art von Kunststoff es sich handelt, und sie zu zählen. Während die Betrachtung von Partikeln unter einem Mikroskop ein häufiger erster Schritt ist, ist dies oft unzuverlässig, da das menschliche Auge leicht durch die Form oder Farbe eines Staubkorns getäuscht werden kann. Ein präziserer Ansatz nutzt Licht, um den chemischen Fingerabdruck eines Partikels zu lesen. Indem Infrarotlicht von einer Probe reflektiert wird, können Forscher sehen, welche Moleküle das Licht und bei welchen Wellenlängen absorbieren, was eine einzigartige Signatur für Materialien wie Polyethylen oder Polystyrol erzeugt. Es war jedoch schwierig, diese leistungsstarke Technologie in ein routinemäßiges Werkzeug zur Analyse komplexer Umweltproben zu verwandeln. Die generierten Daten sind gewaltig und enthalten oft Millionen einzelner Messungen, zudem wird der Prozess leicht durch Veränderungen der Beleuchtung, die Dicke der Partikel oder das Verhalten des Instruments selbst gestört.

Ein Forschungsteam aus Finnland hat einen neuen Rahmen entwickelt, um diese spezifischen Hürden zu überwinden, und eine optimierte Methode zur Identifizierung von Mikroplastik mittels Infrarotbildgebung geschaffen. Ihre Arbeit konzentriert sich auf die Bereinigung der Daten in drei verschiedenen Stadien: dem Gesamtbild, kleinen Bildabschnitten und den einzelnen Lichtsignaturen selbst. Stellen Sie sich vor, Sie versuchen, ein Gespräch in einem lauten Raum zu hören; zuerst müssen Sie das Hintergrundrauschen leiser drehen, dann das Echo von den Wänden herausfiltern und sich schließlich auf die konkret gesprochenen Wörter konzentrieren. Ähnlich korrigierten die Forscher das gesamte Bild, um Verschiebungen zu entfernen, die durch wechselnde Umweltbedingungen während des Scans verursacht wurden. Dann korrigierten sie kleine, sich wiederholende Fehlermuster, die in jedem Bildabschnitt auftauchten, vergleichbar mit dem Entfernen eines beständigen Schmierfilms von einer Kameralinse. Schließlich verfeinerten sie die chemischen Daten für jeden Partikel, indem sie das Rauschen glätteten und die spezifischen Merkmale hervorhoben, die eine Kunststoffart von einer anderen unterscheiden.

Die bedeutendste Innovation in ihrem Ansatz ist die Art und Weise, wie sie mit dem enormen Datenvolumen umgehen. Anstatt zu versuchen, jeden einzelnen Pixel in einem massiven Bild mit einer Bibliothek bekannter Kunststoffe zu vergleichen – eine Aufgabe, die langsam und rechenintensiv ist – gruppierten sie ähnliche Pixel zu Clustern zusammen. Sie verglichen dann die durchschnittliche Signatur dieser Gruppen mit ihrer Referenzbibliothek. Diese Strategie erwies sich als bemerkenswert effektiv. Als sie zwölf verschiedene Methoden zum Abgleich der Daten testeten, erreichte eine Methode, die auf die Form der chemischen Kurven statt nur auf deren Höhe abzielte, eine perfekte Genauigkeit für vier gängige Kunststoffe: Polystyrol, Polyethylenterephthalat, Polyethylen und Polypropylen. Dies war besonders wichtig, da Polyethylen und Polypropylen chemisch sehr ähnlich sind und Standard-Identifizierungswerkzeuge oft verwirren.

Durch die Kombination dieser mehrstufigen Korrekturen mit einer intelligenteren Matching-Strategie zeigten die Forscher, dass sie klarere Karten darüber erstellen konnten, wo sich Partikel befinden und woraus sie bestehen, während sie gleichzeitig die Analyse erheblich beschleunigten. Die Methode konnte erfolgreich zwischen Kunststoffen unterscheiden, die notorisch schwer voneinander zu unterscheiden sind, und reduzierte die Zeit, die für die Verarbeitung großer Bilder benötigt wird. Die Studie legt nahe, dass Wissenschaftler durch das systematische Entfernen von Fehlern und die Konzentration auf repräsentative Datengruppen statt auf jeden einzelnen Punkt die Identifizierung von Mikroplastik robuster, effizienter und zuverlässiger machen können. Dieser Fortschritt bringt das Feld näher an die Fähigkeit, das Vorhandensein dieser hartnäckigen Schadstoffe in der Umwelt routinemäßig und genau zu überwachen.