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

Microplastics, de minuscule fragmenten plastic die onze oceanen, bodems en zelfs onze lucht hebben binnengedrongen, vormen een groeiende bedreiging voor ecosystemen en de menselijke gezondheid. Om de omvang van dit probleem te begrijpen, moeten wetenschappers in staat zijn om deze deeltjes te vinden, exact te identificeren welk type plastic het is, en ze te tellen. Hoewel het bekijken van deeltjes onder een microscoop een gebruikelijke eerste stap is, is dit vaak onbetrouwbaar omdat het menselijk oog gemakkelijk kan worden misleid door de vorm of kleur van een stofje. Een preciezere aanpak gebruikt licht om de chemische vingerafdruk van een deeltje te lezen. Door infrarood licht op een monster te reflecteren, kunnen onderzoekers zien welke moleculen het licht absorberen en bij welke golflengtes, wat een unieke signatuur creëert voor materialen zoals polyethyleen of polystyreen. Het is echter moeilijk geweest om deze krachtige technologie om te vormen tot een routinematig hulpmiddel voor het analyseren van complexe milieustalen. De gegenereerde gegevens zijn enorm en bevatten vaak miljoen individuele metingen, en het proces wordt gemakkelijk verstoord door veranderingen in de verlichting, de dikte van de deeltjes of de manier waarop het instrument zelf zich gedraagt.

Een team onderzoekers uit Finland heeft een nieuw kader ontwikkeld om deze specifieke hindernissen op te lossen, waarmee ze een gestroomlijnde methode hebben gecreëerd voor het identificeren van microplastics met behulp van infraroodbeeldvorming. Hun werk richt zich op het opschonen van de gegevens in drie afzonderlijke stadia: de totale afbeelding, kleine secties van de afbeelding, en de individuele lichtsignaturen zelf. Stel je voor dat je probeert naar een gesprek te luisteren in een lawaaierige kamer; je moet eerst het achtergrondgezoem zachter zetten, dan de echo van de muren wegfilteren, en je vervolgens concentreren op de specifiek gesproken woorden. Op dezelfde manier corrigeerden de onderzoekers eerst de volledige afbeelding om verschuivingen te verwijderen die werden veroorzaakt door veranderende omgevingsomstandigheden tijdens de scan. Vervolgens herstelden ze kleine, herhalende foutpatronen die in elke sectie van de afbeelding verschenen, vergelijkbaar met het verwijderen van een constante veeg van een cameralens. Ten slotte verfijnden ze de chemische gegevens voor elk deeltje, waarbij ze ruis wegfilterden en de specifieke kenmerken die één type plastic van een ander onderscheiden, accentueerden.

De meest significante innovatie in hun aanpak is hoe ze omgaan met de enorme hoeveelheid gegevens. In plaats van te proberen elke individuele pixel in een enorme afbeelding te vergelijken met een bibliotheek van bekende plastics — een taak die traag en rekentechnisch zwaar is — groepeerden ze vergelijkbare pixels in clusters. Vervolgens vergeleken ze de gemiddelde signatuur van deze groepen met hun referentieliberal. Deze strategie bleek opmerkelijk effectief. Wanneer ze twaalf verschillende manieren testten om de gegevens te matchen, behaalde een methode die naar de vorm van de chemische curves keek in plaats van alleen naar hun hoogte, een perfecte nauwkeurigheid voor vier veelvoorkomende plastics: polystyreen, polyethyleentereftalaat, polyethyleen en polypropyleen. Dit was bijzonder belangrijk omdat polyethyleen en polypropyleen chemisch zeer vergelijkbaar zijn en standaard identificatietools vaak in verwarring brengen.

Door deze meerlagige correcties te combineren met een slimmere matchingsstrategie, lieten de onderzoekers zien dat ze duidelijkere kaarten konden produceren van waar deeltjes zich bevinden en waarvan ze gemaakt zijn, terwijl ze de analyse aanzienlijk versnelden. De methode maakte er succesvol onderscheid tussen plastics die berucht moeilijk uit elkaar te houden zijn en verminderde de tijd die nodig is om grote afbeeldingen te verwerken. De studie suggereert dat door systematisch fouten te verwijderen en ons te richten op representatieve groepen gegevens in plaats van op elk enkel punt, wetenschappers de identificatie van microplastics robuuster, efficiënter en betrouwbaarder kunnen maken. Deze vooruitgang brengt het vakgebied dichter bij het in staat zijn om de aanwezigheid van deze hardnekkige verontreinigingen in het milieu routinematig en nauwkeurig te monitoren.