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

Le microplastiche, i minuscoli frammenti di plastica che hanno infiltrato i nostri oceani, i suoli e persino la nostra aria, rappresentano una crescente minaccia per gli ecosistemi e la salute umana. Per comprendere l'entità di questo problema, gli scienziati devono essere in grado di trovare queste particelle, identificare esattamente di che tipo di plastica si tratti e contarle. Sebbene l'osservazione delle particelle al microscopio sia un primo passo comune, è spesso inaffidabile perché l'occhio umano può essere facilmente ingannato dalla forma o dal colore di un granello di polvere. Un approccio più preciso utilizza la luce per leggere l'impronta chimica di una particella. Facendo rimbalzare la luce infrarossa su un campione, i ricercatori possono vedere quali molecole assorbono la luce e a quali lunghezze d'onda, creando una firma unica per materiali come il polietilene o il polistirene. Tuttavia, trasformare questa potente tecnologia in uno strumento di routine per l'analisi di complessi campioni ambientali è stato difficile. I dati generati sono massicci, contenendo spesso milioni di singole misurazioni, e il processo viene facilmente compromesso da variazioni dell'illuminazione, dallo spessore delle particelle o dal modo in cui lo strumento stesso si comporta.

Un team di ricercatori dalla Finlandia ha sviluppato un nuovo quadro metodologico per risolvere questi problemi specifici, creando un metodo snello per l'identificazione delle microplastiche utilizzando l'imaging a infrarossi. Il loro lavoro si concentra sulla pulizia dei dati in tre fasi distinte: l'immagine complessiva, le piccole sezioni dell'immagine e le singole firme luminose stesse. Immaginate di cercare di ascoltare una conversazione in una stanza rumorosa; prima è necessario abbassare il ronzio di fondo, poi filtrare l'eco delle pareti e, infine, concentrarsi sulle parole specifiche che vengono pronunciate. Allo stesso modo, i ricercatori hanno prima corretto l'intera immagine per rimuovere gli spostamenti causati dalle condizioni ambientali variabili durante la scansione. Successivamente, hanno corretto piccoli schemi ripetitivi di errore che apparivano in ogni sezione dell'immagine, proprio come rimuovere una macchia costante da una lente della fotocamera. Infine, hanno raffinato i dati chimici per ogni particella, attenuando il rumore e mettendo in risalto le caratteristiche specifiche che distinguono un tipo di plastica dall'altro.

L'innovazione più significativa nel loro approccio è il modo in cui gestiscono l'enorme volume di dati. Invece di cercare di confrontare ogni singolo pixel di un'immagine massiccia con una libreria di plastiche note — un compito lento e computazionalmente pesante — hanno raggruppato i pixel simili in cluster. Hanno poi confrontato la firma media di questi gruppi con la loro libreria di riferimento. Questa strategia si è dimostrata straordinariamente efficace. Quando hanno testato dodici diversi modi per far corrispondere i dati, un metodo che analizzava la forma delle curve chimiche piuttosto che solo la loro altezza ha raggiunto una precisione perfetta per quattro plastiche comuni: polistirene, polietilene tereftalato, polietilene e polipropilene. Questo è stato particolarmente importante perché il polietilene e il polipropilene sono chimicamente molto simili e spesso confondono gli strumenti di identificazione standard.

Combinando queste correzioni multilivello con una strategia di abbinamento più intelligente, i ricercatori hanno dimostrato di poter produrre mappe più chiare di dove si trovano le particelle e di cosa siano fatte, il tutto velocizzando significativamente l'analisi. Il metodo ha distinto con successo tra plastiche notoriamente difficili da distinguere e ha ridotto il tempo necessario per elaborare immagini di grandi dimensioni. Lo studio suggerisce che, eliminando sistematicamente gli errori e concentrandosi su gruppi di dati rappresentativi piuttosto che su ogni singolo punto, gli scienziati possono rendere l'identificazione delle microplastiche più robusta, efficiente e affidabile. Questo progresso avvicina il campo alla possibilità di monitorare in modo routinario e accurato la presenza di questi contaminanti persistenti nell'ambiente.