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

माइक्रोप्लास्टिक्स, प्लास्टिक के वे सूक्ष्म टुकड़े जिन्होंने हमारे महासागरों, मिट्टी और यहाँ तक कि हमारी हवा में भी प्रवेश कर लिया है, पारिस्थितिकी तंत्र और मानव स्वास्थ्य के लिए एक बढ़ता हुआ खतरा पैदा कर रहे हैं। इस समस्या के पैमाने को समझने के लिए, वैज्ञानिकों को इन कणों को खोजने, यह सटीक रूप से पहचानने की क्षमता रखने की आवश्यकता है कि वे किस प्रकार का प्लास्टिक हैं, और उन्हें गिनने की भी। हालांकि माइक्रोस्कोप के नीचे कणों को देखना एक सामान्य पहला कदम है, लेकिन यह अक्सर अविश्वसनीय होता है क्योंकि मानवीय आँखें धूल के कण के आकार या रंग से आसानी से भ्रमित हो सकती हैं। एक अधिक सटीक दृष्टिकोण किसी कण के रासायनिक फिंगरप्रिंट (chemical fingerprint) को पढ़ने के लिए प्रकाश का उपयोग करता है। नमूने से इन्फ्रारेड प्रकाश को परावर्तित करके, शोधकर्ता देख सकते हैं कि कौन से अणु प्रकाश को अवशोषित करते हैं और किन तरंग दैर्ध्य (wavelengths) पर, जो पॉलीइथाइलीन या पॉलीस्टाइन जैसे पदार्थों के लिए एक अद्वितीय हस्ताक्षर बनाता है। हालांकि, इस शक्तिशाली तकनीक को जटिल पर्यावरणीय नमूनों के विश्लेषण के लिए एक नियमित उपकरण में बदलना कठिन रहा है। उत्पन्न होने वाला डेटा विशाल होता है, जिसमें अक्सर लाखों व्यक्तिगत माप शामिल होते हैं, और यह प्रक्रिया प्रकाश व्यवस्था में बदलाव, कणों की मोटाई, या स्वयं उपकरण के व्यवहार के कारण आसानी से बाधित हो सकती है।

फिनलैंड के शोधकर्ताओं की एक टीम ने इन विशिष्ट बाधाओं को हल करने के लिए एक नया ढांचा विकसित किया है, जिससे इन्फ्रारेड इमेजिंग का उपयोग करके माइक्रोप्लास्टिक्स की पहचान करने की एक सुव्यवस्थित विधि तैयार हुई है। उनका कार्य तीन अलग-अलग चरणों में डेटा को साफ करने पर केंद्रित है: संपूर्ण छवि, छवि के छोटे खंड, और स्वयं व्यक्तिगत प्रकाश हस्ताक्षर। कल्पना कीजिए कि आप एक शोर वाले कमरे में बातचीत सुनने की कोशिश कर रहे हैं; पहले आपको पृष्ठभूमि के शोर को कम करने की आवश्यकता है, फिर दीवारों से गूँजने वाली प्रतिध्वनि को फ़िल्टर करने की, और अंत में बोले जा रहे विशिष्ट शब्दों पर ध्यान केंद्रित करने की। इसी तरह, शोधकर्ताओं ने पहले स्कैन के दौरान बदलती पर्यावरणीय स्थितियों के कारण होने वाले बदलावों को हटाने के लिए पूरी छवि को ठीक किया। फिर उन्होंने छवि के प्रत्येक खंड में दिखाई देने वाले त्रुटि के छोटे, दोहराव वाले पैटर्न को ठीक किया, जो बिल्कुल एक कैमरा लेंस से लगातार दिखने वाले धब्बे को हटाने जैसा है। अंत में, उन्होंने प्रत्येक कण के रासायनिक डेटा को परिष्कृत किया, शोर को कम किया और उन विशिष्ट विशेषताओं को उभारा जो एक प्रकार के प्लास्टिक को दूसरे से अलग करती हैं।

उनके दृष्टिकोण में सबसे महत्वपूर्ण नवाचार यह है कि वे डेटा की विशाल मात्रा को कैसे संभालते हैं। एक विशाल छवि के प्रत्येक एकल पिक्सेल की ज्ञात प्लास्टिक के पुस्तकालय (library) के साथ तुलना करने के बजाय—जो एक धीमा और गणनात्मक रूप से भारी कार्य है—उन्होंने समान पिक्सेल को समूहों (clusters) में एकत्रित किया। फिर उन्होंने इन समूहों के औसत हस्ताक्षर की उनके संदर्भ पुस्तकालय से तुलना की। यह रणनीति उल्लेखनीय रूप से प्रभावी साबित हुई। जब उन्होंने डेटा को मिलाने के बारह अलग-अलग तरीकों का परीक्षण किया, तो एक ऐसी विधि जिसने केवल उनकी ऊंचाई के बजाय रासायनिक वक्रों (curves) के आकार को देखा, उसने चार सामान्य प्लास्टिक: पॉलीस्टाइन, पॉलीइथाइलीन टेरेफ्थेलेट, पॉलीइथाइलीन और पॉलीप्रोपाइलीन के लिए पूर्ण सटीकता प्राप्त की। यह विशेष रूप से महत्वपूर्ण था क्योंकि पॉलीइथाइलीन और पॉलीप्रोपाइलीन रासायनिक रूप से बहुत समान हैं और अक्सर मानक पहचान उपकरणों को भ्रमित करते हैं।

इन बहु-स्तरीय सुधारों को एक स्मार्ट मिलान रणनीति के साथ जोड़कर, शोधकर्ताओं ने प्रदर्शित किया कि वे कण कहाँ स्थित हैं और वे किस चीज से बने हैं, इसके स्पष्ट मानचित्र तैयार कर सकते हैं, और यह सब विश्लेषण की गति को काफी बढ़ाते हुए किया गया। इस पद्धति ने सफलतापूर्वक उन प्लास्टिक के बीच अंतर किया जिन्हें पहचानना बेहद कठिन होता है और बड़े चित्रों को संसाधित करने में लगने वाले समय को कम किया। अध्ययन यह सुझाव देता है कि त्रुटियों को व्यवस्थित रूप से हटाकर और डेटा के प्रत्येक बिंदु के बजाय प्रतिनिधि समूहों पर ध्यान केंद्रित करके, वैज्ञानिक माइक्रोप्लास्टिक्स की पहचान को अधिक मजबूत, कुशल और विश्वसनीय बना सकते हैं। यह प्रगति इस क्षेत्र को इन निरंतर मौजूद प्रदूषकों की उपस्थिति की नियमित रूप से और सटीक रूप से निगरानी करने में सक्षम बनाने के करीब ले जाती है।